Was ist Forecast Volume?
Forecast Volume ist die prognostizierte Anzahl eingehender Interaktionen (Anrufe, Chats, E-Mails, Tickets) für einen definierten Zeitraum. Es beantwortet die grundlegendste Frage im Workforce Management: Wie viele Kundenkontakte werden erwartet?
Das Forecast Volume ist der erste Baustein in der Personalplanungskette. Aus dem prognostizierten Volumen und der erwarteten Average Handle Time berechnet die Erlang-C-Formel den Staffing Forecast. Jeder Fehler im Forecast Volume multipliziert sich durch die gesamte Kette. Deshalb gilt die Volumenprognose als die kritischste Eingabe im gesamten WFM-Prozess.
Arten der Volumenprognose
Langfrist-Forecast (Jahresplanung). Prognostiziert das monatliche Kontaktvolumen für das kommende Jahr. Dient der Budgetplanung, Headcount-Planung und Kapazitätssteuerung. Basiert auf Jahrestrends, Geschäftswachstum und strategischen Initiativen.
Mittelfrist-Forecast (Wochen/Monate). Prognostiziert das tägliche Volumen für die kommenden 4–12 Wochen. Grundlage für Schichtplanung und Dienstplangestaltung. Berücksichtigt Saisonalität, Feiertage und geplante Kampagnen.
Kurzfrist-Forecast (Tage). Prognostiziert das Intervall-Volumen (15- oder 30-Minuten-Blöcke) für die nächsten 1–7 Tage. Ermöglicht taktische Anpassungen wie Überstunden oder Skill-Overflow.
Intraday-Forecast. Aktualisiert die Prognose in Echtzeit auf Basis der bisher eingetroffenen Kontakte. Erkennt Abweichungen vom Plan und ermöglicht sofortige Gegenmaßnahmen.
Wie erstellt man ein Forecast Volume?
Die Volumenprognose kombiniert historische Daten mit bekannten Einflussfaktoren.
Gängige Prognosemethoden
Gleitender Durchschnitt (Moving Average). Mittelt das Volumen der letzten N Perioden. Einfach zu implementieren, reagiert aber langsam auf Trendänderungen. Geeignet für stabile Volumenmuster.
Exponentielle Glättung (Holt-Winters). Berücksichtigt Level, Trend und Saisonalität als separate Komponenten. Gut geeignet für Contact Center mit ausgeprägten Wochenmustern und saisonalen Schwankungen.
ARIMA. Komplexeres statistisches Modell, das Autokorrelation und gleitende Durchschnitte kombiniert. Liefert bei ausreichend historischen Daten (mindestens 2 Jahre) sehr genaue Prognosen.
Machine Learning. Algorithmen wie Random Forest, Gradient Boosting oder LSTM-Netzwerke erkennen nichtlineare Zusammenhänge zwischen externen Faktoren (Wetter, Kampagnen, Produktlaunches) und Kontaktvolumen.
Rechenbeispiel (gleitender Durchschnitt)
Ein Contact Center hat in den letzten 4 Wochen montags folgende Anrufzahlen verzeichnet: 820, 780, 840, 760.
Der einfache Durchschnitt prognostiziert 800 Anrufe. In der Praxis würde man zusätzlich einen Trendfaktor berücksichtigen (z. B. leichter Rückgang) und Sondereffekte prüfen.
Was ist ein gutes Forecast Volume?
Die Qualität des Forecast Volume wird über die Abweichung vom tatsächlichen Volumen gemessen.
| Metrik | Sehr gut | Akzeptabel | Kritisch |
|---|---|---|---|
| MAPE (Tag) | unter 5 % | 5–8 % | über 10 % |
| MAPE (Woche) | unter 3 % | 3–5 % | über 7 % |
| MAPE (Intervall, 30 Min.) | unter 10 % | 10–15 % | über 20 % |
| Forecast Bias | ±1 % | ±3 % | über ±5 % |
Organisationen mit integrierten WFM-Systemen erreichen typischerweise 90–95 % Forecast-Genauigkeit. Mit fragmentierten Tools (manuelle Spreadsheets) liegt die Genauigkeit bei 75–80 %.
Quellen: OpsDog, Calabrio, Umbrex
MAPE nach Kanal
| Kanal | Typischer MAPE (Tag) | Begründung |
|---|---|---|
| Telefon (Inbound) | 3–6 % | Stabilstes Volumen, gut vorhersagbar |
| Live-Chat | 5–10 % | Höhere Schwankungen, externe Trigger |
| E-Mail / Ticket | 8–12 % | Asynchron, keine Echtzeit-Ankunft |
| Social Media | 10–20 % | Stark ereignisgetrieben, schwer vorhersagbar |
Forecast Volume verbessern
Mindestens 2 Jahre historische Daten nutzen. Kürzerere Zeiträume erfassen saisonale Muster nicht vollständig. Für ARIMA und Machine-Learning-Modelle sind 2–3 Jahre empfohlen.
Daten auf Intervallbasis speichern. Tagesaggregate verschleiern Intraday-Muster. 15- oder 30-Minuten-Intervalle sind der Standard für präzise Forecasts.
Sondereffekte dokumentieren und taggen. Kampagnen, Produktlaunches, Systemausfälle und Feiertage müssen im historischen Datensatz markiert sein, damit das Modell sie korrekt gewichtet oder ausschließt.
Forecast Bias überwachen. Ein systematischer Bias (konstante Über- oder Unterschätzung) zeigt strukturelle Fehler im Modell. Wöchentliche Bias-Checks verhindern, dass sich Fehler über Wochen kumulieren.
Externe Datenquellen integrieren. Wetter, Marketingkalender, Wettbewerberaktionen und Social-Media-Trends können das Kontaktvolumen beeinflussen. KI-Modelle können diese Signale als zusätzliche Features einbeziehen.
Forecast Volume vs. Ticket Volume vs. Forecast Accuracy
| Metrik | Was sie misst | Zeitperspektive | Typischer Benchmark |
|---|---|---|---|
| Forecast Volume | Prognostiziertes Kontaktvolumen | Zukunft (Prognose) | MAPE unter 5 % |
| Ticket Volume | Tatsächlich eingegangene Kontakte | Vergangenheit (Messung) | Kontextabhängig |
| Forecast Accuracy | Abweichung Forecast vs. Actuals | Retrospektiv (Bewertung) | über 95 % |
Das Forecast Volume ist die Prognose, das Ticket Volume die Realität. Die Forecast Accuracy bewertet rückwirkend, wie gut die Prognose war. Alle drei Metriken bilden einen geschlossenen Regelkreis: Forecast → Messung → Bewertung → verbesserter Forecast.
Pro und Kontra
Pro
- +Grundlage aller nachgelagerten Planungsentscheidungen (Staffing, Schichten, Budget)
- +Ermöglicht proaktive statt reaktive Personalsteuerung
- +Durch KI-Methoden kontinuierlich verbesserbar
- +Skaliert auf beliebig viele Kanäle und Standorte
Kontra
- –Qualität hängt von der Verfügbarkeit und Sauberkeit historischer Daten ab
- –Unvorhersehbare Ereignisse (Krisen, virale Social-Media-Posts) sind nicht prognostizierbar
- –Höhere Granularität (Intervall vs. Tag) erfordert exponentiell mehr Datenpunkte
- –Multichannel-Forecasting ist deutlich komplexer als reine Telefon-Prognose
Einfluss von KI auf Forecast Volume
KI verändert die Volumenprognose fundamental. Machine-Learning-Modelle erreichen eine 15–30 % höhere Genauigkeit als traditionelle Zeitreihenanalysen, weil sie nichtlineare Zusammenhänge zwischen Hunderten von Einflussfaktoren erkennen (ContactPoint360).
Gleichzeitig verändert KI das Volumen selbst. KI-Chatbots und Self-Service-Portale fangen einfache Anfragen ab, bevor sie das Contact Center erreichen. Das reduziert das prognostizierte Volumen für menschliche Agenten, erhöht aber die Komplexität pro Kontakt. Forecast-Modelle müssen diese Verschiebung berücksichtigen, indem sie nicht nur das Gesamtvolumen, sondern auch die Verteilung nach Kontakttyp und Komplexität prognostizieren.