Was ist Forecast Accuracy?
Forecast Accuracy (Prognosegenauigkeit) misst die Übereinstimmung zwischen der prognostizierten und der tatsächlichen Kontaktmenge in einem definierten Zeitraum. Im Contact Center ist die Prognosegenauigkeit die Grundlage für die Personalplanung: Wie viele Agenten benötigen wir morgen, nächste Woche, nächsten Monat?
Eine schlechte Prognose wirkt sich wie ein Dominoeffekt aus. Wird das Volumen unterschätzt, sind zu wenige Agenten eingeplant. Die Folge: steigende Wartezeiten, höhere Abandonment Rate, frustrierte Kunden und überarbeitete Mitarbeiter. Wird das Volumen überschätzt, sitzen Agenten untätig herum und verursachen unnötige Kosten. Die Personalkosten machen typischerweise 60–70 % der operativen Kosten eines Contact Centers aus (ICMI), wodurch jeder Prozentpunkt Prognoseabweichung direkt die Profitabilität beeinflusst.
Varianten der Prognosegenauigkeit
MAPE (Mean Absolute Percentage Error) ist die verbreitetste Methode. Sie berechnet den durchschnittlichen prozentualen Fehler über alle Zeitintervalle. Nachteil: MAPE ist asymmetrisch, d. h. eine Unterschätzung um 50 % wird anders gewichtet als eine Überschätzung um 50 %.
WAPE (Weighted Absolute Percentage Error) gewichtet die Abweichung nach dem Volumen. Intervalle mit hohem Volumen beeinflussen den Wert stärker als Intervalle mit niedrigem Volumen. Das ist für Contact Center oft realistischer, weil Abweichungen in Spitzenzeiten kritischer sind als in Randzeiten.
Forecast Bias misst die systematische Richtung der Abweichung: Wird eher über- oder unterschätzt? Ein Bias von 0 bedeutet, dass Über- und Unterschätzungen sich ausgleichen. Ein positiver Bias zeigt systematische Überschätzung, ein negativer Bias systematische Unterschätzung.
Wie berechnet man Forecast Accuracy?
Die Forecast Accuracy in Prozent ergibt sich aus:
Rechenbeispiel
Für einen Montag werden 500 Anrufe prognostiziert. Tatsächlich gehen 530 Anrufe ein.
Eine Accuracy von 94,3 % liegt im guten Bereich. Die 30 zusätzlichen Anrufe hätten allerdings je nach durchschnittlicher Bearbeitungszeit 1–2 zusätzliche Agenten erfordert, um das Service Level zu halten.
Benchmarks nach Zeitintervall
| Zeitintervall | Sehr gut (MAPE) | Akzeptabel | Kritisch |
|---|---|---|---|
| Monatlich | < 3 % | 3–5 % | > 5 % |
| Wöchentlich | < 5 % | 5–8 % | > 8 % |
| Täglich | < 5 % | 5–10 % | > 10 % |
| Stündlich / Intraday | < 10 % | 10–15 % | > 15 % |
Je granularer das Zeitintervall, desto schwieriger eine genaue Prognose. Ein MAPE von 5 % auf Monatsbasis ist leichter erreichbar als auf Stundenbasis, weil sich Schwankungen über längere Zeiträume ausgleichen.
Quellen: ICMI Workforce Management Benchmarks, COPC Inc. Standards
Forecast Accuracy verbessern
Historische Daten bereinigen. Ausreißer identifizieren und korrigieren. Ein einmaliger Marketing-Peak oder ein Systemausfall verzerrt die Prognose, wenn er unkritisch in die Trendberechnung einfließt.
Saisonalität und Trends modellieren. Wochentagsprofile, saisonale Muster und langfristige Trends separat modellieren und kombinieren. Ein Montag im Januar verhält sich anders als ein Montag im August.
Kontaktgründe segmentieren. Nicht das Gesamtvolumen prognostizieren, sondern nach Kontaktgrund, Kanal und Kundengruppe segmentieren. Verschiedene Segmente haben unterschiedliche Treiber und Muster.
Externe Faktoren einbeziehen. Marketing-Kampagnen, Produktlaunches, Rechnungszyklen und Wetterereignisse beeinflussen das Kontaktvolumen. Je systematischer diese Faktoren erfasst werden, desto besser die Prognose.
Prognose-Reviews institutionalisieren. Wöchentlich die Abweichung der Vorwoche analysieren, Ursachen identifizieren und die Methodik anpassen. Forecast Accuracy verbessert sich nur durch kontinuierliches Lernen.
Forecast Accuracy vs. Schedule Adherence vs. Erlang C
| Kennzahl | Was sie misst | Phase der Planung |
|---|---|---|
| Forecast Accuracy | Genauigkeit der Volumenprognose | Prognose |
| Erlang C | Benötigte Agentenzahl bei gegebenem Volumen und Service Level | Kapazitätsplanung |
| Schedule Adherence | Einhaltung des geplanten Schichtplans durch Agenten | Ausführung |
Die drei Kennzahlen bilden die Planungskette ab: Erst wird das Volumen prognostiziert (Forecast Accuracy), dann der Personalbedarf berechnet (Erlang C), dann die Einhaltung des Plans gemessen (Schedule Adherence). Fehler in der ersten Phase pflanzen sich durch die gesamte Kette fort.
Pro und Kontra
Pro
- +Direkte Auswirkung auf Personalkosten und Service Level
- +Objektiv messbar und vergleichbar
- +Fördert datengetriebene Planungskultur statt Bauchgefühl
Kontra
- –MAPE ist bei niedrigem Volumen instabil (Division durch kleine Zahlen)
- –Hohe Accuracy auf Monatsbasis kann Intraday-Probleme verdecken
- –Berücksichtigt nicht die Richtung der Abweichung (Über- vs. Unterschätzung haben unterschiedliche Folgen)
Einfluss von KI auf Forecast Accuracy
KI verbessert die Prognosegenauigkeit erheblich, indem sie Muster in großen Datenmengen erkennt, die für menschliche Planer unsichtbar sind. Machine-Learning-Modelle können Hunderte von Einflussfaktoren gleichzeitig berücksichtigen (Wetter, Feiertage, Social-Media-Trends, Produktreleases) und nicht-lineare Zusammenhänge modellieren.
Besonders wirkungsvoll ist KI bei der Intraday-Prognose. Traditionelle Methoden prognostizieren das Tagesvolumen und verteilen es anhand historischer Profile auf Intervalle. KI kann die Prognose in Echtzeit anpassen: Wenn bis 10 Uhr 20 % mehr Anrufe eingegangen sind als erwartet, passt das Modell die Prognose für den Rest des Tages automatisch an und triggert Personalanpassungen.
Darüber hinaus reduziert KI indirekt das Kontaktvolumen selbst, indem KI-Agenten im Kundenservice einfache Anfragen automatisiert beantworten. Das verändert die Prognosegrundlage: Statt das Gesamtvolumen zu prognostizieren, muss das Volumen prognostiziert werden, das nach der automatisierten Bearbeitung bei menschlichen Agenten ankommt.