Forecasting of inbound volumes of a call center in financial services : Case study in financial services

Abstract

This study addresses the need for forecasting models in the financial sector to predict call center volumes, an essential aspect for optimizing service levels and resource allocation. The absence of a structured forecasting method in the case company's operations has created a research gap, finding out what that process should look like. With the rising significance of service level optimization, this study aimed to identify suitable forecasting models and evaluate their effectiveness, also focusing on the effect of incorporating new financing or credit application volumes into the forecasting process.

The research questions guided the investigation, emphasizing the exploration of appropriate forecasting models, determination of the best-performing model for the company, and assessment of the impact of new financing or credit application volumes on forecast accuracy. The literature review provides insights into call center operations, the importance of forecasting, and prevalent quantitative forecasting models, supplemented by prior research on workload and call volume forecasting. A quantitative methodology was adopted, utilizing data collected from the case company's SQL database tables. Based on the literarure, four time series analysis models, were chosen for comparison, tailored to the characteristics of the data and the requirement for weekly-level forecasting.

The results of the model comparison revealed that the inclusion of financing or credit application volumes did not significantly enhance forecast accuracy. Among the tested models, an autoregressive integrated moving average model emerged as the most accurate, subsequently used for constructing the forecast. This study contributes valuable insights into the application of time series forecasting models in optimizing resource allocation and enhancing service quality within call centers, particularly within the financial services industry. By addressing the identified research gap and providing practical recommendations, this research offers an addition to further advancements in call center forecasting methodologies, facilitating more efficient and effective operations within financial organizations.

Tämän tutkielman tavoitteena oli löytää ennustemalli rahoitusalan toimijan puhelinpalvelukeskuksen volyymien ennustamiseen, sillä yritys kerää dataa palvelukeskuksensa toiminnasta mutta sitä ei tähän asti oltu käytetty tulevien volyymien ennustamiseen. Palvelutasojen optimoinnin ja resurssien kohdentamisen kasvavan merkityksen myötä tarkkojen puhelumäärien ja palvelun kysynnän ennustaminen on tullut entistä tärkeämmäksi.

Tutkimuskysymyksinä on 1. mitä ennustemalleja tulisi testata organisaatiossa, jossa puhelinpalvelun volyymien ennustamiseen ei vielä ole prosessia, 2. mikä on paras ennustemalli juuri tutkittavassa yhtiössä, sekä 3. parantaako uusien rahoitusten volyymin tai luottohakemusvolyymien huomiooon ottaminen ennusteen tarkkuutta? Kirjallisuuskatsauksessa keskityttiin puhelinpalvelukeskuksen toimintaan ja ennustamisen tärkeyteen, yleisimpiin kvantitatiivisiin ennustemalleihin, sekä aiempaan kirjallisuuteen työmäärien sekä puhelinpalvelukeskusten volyymin ennustamisesta.

Metodologia oli kvantitatiivinen ja data kerättiin yhtiön SQL tietokantatauluista ja vertailuun valikoitui neljä aikasarja-analyysimallia niiden sopiessa parhaiten käytettyyn dataan sekä viikkotason ennustamiseen. Aikasarjamallien vertailun tulosten perusteella rahoitus- tai luottohakemusvolyymien vaikutus ei ollut merkitsevä ja vertailun tarkin oli ARIMA malli, jolla ennuste rakennettiin. Yhteenvetona tämä tutkimus tarjoaa näkökulmia aikasarjaennustemallien soveltamiseen resurssien kohdentamisen optimoimiseksi ja palvelun laadun parantamiseksi puhelinpalvelukeskuksessa, erityisesti rahoitusalalla.