Ticketvolume voorspellen: de methode, met een rekenvoorbeeld

Om je ticketvolume te voorspellen neem je het gemiddelde aantal tickets per week over de afgelopen 12 tot 13 weken, per kanaal. Dat vermenigvuldig je met je groeifactor en daarna per week met een seizoens- of eventfactor. Voor je bezetting vermenigvuldig je het voorspelde volume met de gemiddelde afhandeltijd, deel je door één min shrinkage en deel je door het aantal uren dat één medewerker per week werkt.

Dat is de hele methode. Hieronder werken we hem stap voor stap uit, met een rekenvoorbeeld dat je zo in een spreadsheet kunt zetten. En we laten zien hoe supportsoftware het gespreksvolume voorspelt als een AI-agent een deel van het werk doet.

Wat is ticketvolume voorspellen?

Een volumeprognose voorspelt hoeveel gesprekken er in een komende periode binnenkomen, per kanaal en liefst per onderwerp. Het resultaat is een getal per week (of per dag) waar drie beslissingen van afhangen:

1. Hoeveel mensen je inroostert.
2. Hoeveel AI-capaciteit je begroot.
3. Wanneer je risicovol werk plant, zoals een migratie of prijswijziging, zodat het niet samenvalt met een week die de wachtrij niet aankan.

Je hebt geen data-team nodig. Wel één spreadsheet, de gewoonte om elke week je prognose naast de werkelijkheid te leggen, en eerlijkheid over de seizoenen die jouw bedrijf echt heeft.

De formule

De methode die voor de meeste kleine teams werkt, is één regel per week:

Prognose (week) = Basislijn × Groeifactor × Seizoens- of eventfactor

• Basislijn is het gemiddelde aantal tickets per week over een voortschrijdende periode. De forecastinggids van Supportbench raadt een basislijn over de laatste 13 weken per kanaal aan, vermenigvuldigd met je groei en bijgesteld voor bekende gebeurtenissen zoals lanceringen, verlengingen en seizoenspieken. In het voorbeeld hieronder gebruiken we 12 weken, omdat dat netjes een kwartaal is.
• Groeifactor komt uit de metric die je tickets aandrijft: bestellingen, actieve accounts of aanmeldingen. Groeien je bestellingen 4% per maand, dan is de factor voor volgende maand 1,04.
• Seizoens- of eventfactor is 1,0 voor een normale week. Een lanceringsweek is misschien 1,25. Een piekweek in retail kan 2,0 of meer zijn. Die factoren haal je uit je eigen historie, niet uit optimisme.

De formule is bewust simpel. Hij werkt omdat hij begint bij een patroon dat je al hebt, en alleen bijstelt voor dingen die je al weet.

Rekenvoorbeeld: van 12 weken historie naar een prognose

De getallen hieronder zijn illustratief, voor een klein webshopteam met chat en e-mail. Vervang ze door je eigen cijfers.

Stap 1: verzamel 12 weken historie

| Week | Tickets (chat + e-mail) | |---|---| | 1 | 410 | | 2 | 395 | | 3 | 430 | | 4 | 420 | | 5 | 445 | | 6 | 438 | | 7 | 452 | | 8 | 460 | | 9 | 441 | | 10 | 470 | | 11 | 465 | | 12 | 478 | | Totaal | 5.304 |

Stap 2: bereken de basislijn

Basislijn = 5.304 / 12 = 442 tickets per week.

Zat er in die weken een eenmalige piek, bijvoorbeeld door een storing? Haal die eruit voordat je middelt, anders blaast hij elke voorspelde week op.

Stap 3: pas groei- en eventfactoren toe

De bestellingen groeien zo'n 4% per maand, dus de groeifactor is 1,04. In week 14 staat een productlancering. De vorige lancering gaf een week van ongeveer 25% boven normaal en een kleinere naloop de week erna, dus we rekenen met 1,25 en 1,10.

| Week | Basislijn | Groei | Eventfactor | Prognose | |---|---|---|---|---| | 13 | 442 | 1,04 | 1,00 | 460 | | 14 (lancering) | 442 | 1,04 | 1,25 | 575 | | 15 (naloop) | 442 | 1,04 | 1,10 | 506 | | 16 | 442 | 1,04 | 1,00 | 460 | | Totaal | | | | 2.001 |

Dat is je volumeprognose voor de komende vier weken. Exact wordt hij niet. Wel veel beter dan roosteren op gevoel.

Van prognose naar bezetting

Volume alleen vertelt je niet hoeveel mensen je moet inroosteren. Je hebt nog twee dingen nodig: de gemiddelde afhandeltijd (AHT) en shrinkage, het deel van de betaalde tijd waarin medewerkers niet aan tickets werken (pauzes, overleg, training, verlof).

Werkuren = Voorspeld volume × AHT (in uren)

Te roosteren uren = Werkuren / (1 − shrinkage)

Benodigde fte = Te roosteren uren / uren per medewerker per week

In het illustratieve voorbeeld, met een AHT van 9 minuten (0,15 uur), 30% shrinkage en een werkweek van 40 uur:

| Week | Prognose | Werkuren | Te roosteren uren | Fte | |---|---|---|---|---| | 13 | 460 | 69,0 | 98,6 | 2,5 | | 14 (lancering) | 575 | 86,3 | 123,2 | 3,1 | | 15 (naloop) | 506 | 75,9 | 108,4 | 2,7 | | 16 | 460 | 69,0 | 98,6 | 2,5 |

De lanceringsweek vraagt ongeveer 0,6 fte meer dan een normale week. Dat besluit je een maand van tevoren: een training verschuiven, een collega tijdelijk in de inbox zetten, of de AI-lijn (hieronder) de piek laten opvangen.

Meet je eigen shrinkage uit echte roosters in plaats van een getal te lenen. In onze gids over supportbezetting berekenen gaan we daar dieper op in.

Een opmerking over wachtrijen. Voor live chat, waar klanten realtime wachten, is Erlang C het klassieke model. Verints overzicht van callcenter-forecasting voert Erlang C en Erlang A terug op A.K. Erlang in 1917. Ze rekenen contactvolume, afhandeltijd en een servicelevel om naar het benodigde aantal medewerkers. Voor een klein team op e-mail en chat volstaat de lineaire rekensom hierboven voor de weekplanning. Erlang wordt pas belangrijk als je strakke wachttijden op live chat belooft.

Hoe vind je je seizoensfactoren?

Elk bedrijf heeft een seizoensvorm. E-commerce piekt in Q4. B2B-SaaS piekt vaak als in Q1 de nieuwe budgetten vrijkomen, en in september. Reizen piekt rond boekingsmomenten, niet rond reisdata.

Cobbai's gids over forecasting in klantenservice beschrijft seizoensdecompositie: je tickethistorie opgesplitst in drie lagen, namelijk trend, seizoen en restruis. Daar heb je geen statistiekpakket voor nodig. Een draaitabel met tickets per weeknummer over twee jaar geeft je de seizoensvorm. Ligt een week structureel 30% boven het jaargemiddelde, dan is de factor 1,3.

De lengte van je historie telt. Supportbench adviseert twee tot drie jaar historie voor betrouwbare seizoenspatronen, en om elke handmatige bijstelling vast te leggen. Heb je minder, gebruik dan je onderliggende metric (bestellingen, actieve accounts) als benadering en houd een ruimere marge aan.

Hoe groot worden pieken?

De meest gemaakte fout: plannen op het gemiddelde van het afgelopen kwartaal en dan verrast worden door een piek die elk jaar terugkomt. Een paar onderbouwde ijkpunten:

• Cobbai stelt dat seizoenspieken rond feestdagen en productlanceringen het volume 2 tot 5 keer kunnen vermenigvuldigen.
• De holiday-supportgids van LiveAgent zet de week van Black Friday en Cyber Monday voor veel winkels op 80% tot 200% boven een normale week.
• Salesforce' cijfers over de feestdagen van 2024 lieten zien dat shoppers 42% vaker AI- en agent-chat voor klantenservice gebruikten dan in de feestdagen van 2023. Ook AI-capaciteit moet je dus plannen, niet alleen mensen.

Gebruik deze bandbreedtes om je eigen factoren te toetsen, niet om over te nemen. Jouw historie wint van ieders gemiddelde. Voor de piekperiode zelf, zie piekseizoen zonder extra personeel.

Leg je prognose elke week naast de werkelijkheid

Een prognose die niemand controleert, wordt steeds slechter. Noteer elke maandag de prognose en het werkelijke volume van vorige week per kanaal, plus de afwijking in procenten.

Binnen een maand zie je meestal twee patronen:

• De basislijn verschuift. Groei, churn en productwijzigingen verplaatsen het onderliggende getal. Een voortschrijdend venster corrigeert zichzelf, maar alleen als je het ververst.
• Eventfactoren zijn te klein op weg omhoog. We ankeren op het gemiddelde, dus pieken worden onderschat en rustige weken overschat. Leg de echte vorm van elke lancering of campagne vast, zodat de volgende factor op bewijs rust.

Hoe supportsoftware het volume voorspelt met AI erbij

De meeste helpdesktools voorspellen op dezelfde manier als deze spreadsheet: een historische basislijn, een trend en seizoen, soms met een statistisch model dat de decompositie doet. Wat verandert als een AI-agent een deel van het volume beantwoordt: één prognose wordt er twee.

• De AI-lijn schaalt met het totale inkomende volume. Het is een kostenlijn: met prijzen per antwoord kost een week met 3x volume 3x zoveel AI-capaciteit, maar geen 3x zoveel mensen.
• De menselijke lijn schaalt met wat de AI niet kan of niet moet doen: uitzonderingen, geschillen, alles waar oordeelsvermogen voor nodig is.

Stel dat in het rekenvoorbeeld een AI-agent 45% van het volume in de lanceringsweek volledig oplost. De menselijke lijn zakt dan van 575 naar zo'n 316 tickets. Maar de tickets die overblijven zijn de lastige, dus de AHT stijgt. Bij 12 minuten (0,2 uur): 316 × 0,2 / 0,7 / 40 = 2,3 fte in plaats van 3,1. Reken met de hogere AHT, anders is je menselijke lijn te optimistisch.

Hoe Keloa met capaciteitsplanning omgaat

Keloa voor klantenservice is gebouwd rond dit model met twee lijnen. De AI-agent vangt routinevolume op tegen een prijs per antwoord waar je op kunt plannen, zodat een piekweek geen haastige aanname wordt. De unified inbox laat zien waar de AI overdroeg en waarom, en dat is precies waar je menselijke capaciteit heen gaat.

Onze prijzen zijn per AI-antwoord, dus je prognose en je factuur bewegen in dezelfde eenheid. Voor teams die last hadden van de valkuil van prijzen per oplossing is dat precies het punt: geen verrassingen als het volume piekt.

Veelgestelde vragen

Wat is de simpelste manier om ticketvolume te voorspellen? Neem het gemiddelde aantal tickets per week over de laatste 12 tot 13 weken per kanaal, vermenigvuldig met je groei en pas een factor toe voor bekende events of seizoenen. Het past op één tabblad en is goed genoeg voor de meeste teams tot 20 medewerkers.

Hoeveel historie heb ik nodig? Twaalf weken geeft een bruikbare basislijn. Supportbench noemt twee tot drie jaar voor betrouwbare seizoenspatronen. Heb je minder, voorspel dan op basis van bestellingen of actieve accounts en houd een ruimere marge aan terwijl je data verzamelt.

Hoe nauwkeurig moet een prognose van een klein team zijn? Er is geen betrouwbare publieke benchmark voor kleine teams. Onze vuistregel: mik op ongeveer 10% afwijking per maand en accepteer grotere missers op losse piekweken. Houd de afwijking wekelijks bij en stel je eventfactoren bij zodra je een patroon ziet.

Voorspel ik in tickets of in uren? Allebei. Voorspel tickets per kanaal en reken ze met AHT en shrinkage om naar uren voor je rooster. Volume vertelt wat eraan komt. Uren vertellen hoeveel mensen je nodig hebt.

Hoe neem ik een lancering of campagne mee? Als eventfactor bovenop de basislijn, gebaseerd op de vorm van het laatste vergelijkbare event. Leg daarna de echte vorm vast, zodat de volgende factor beter klopt.

Heeft AI-capaciteit een eigen prognose nodig? Ja. AI vangt volume lineair en goedkoop op, mensen vangen complexiteit op. Maak een AI-lijn op basis van het totale volume en een menselijke lijn op basis van wat overblijft, met een hogere AHT.

Bronnen

• Supportbench: How to Forecast Support Ticket Volume and Staffing Needs
• Verint: Call Center Forecasting: Methods, Techniques & Best Practices
• Cobbai: Forecasting in Customer Support: Volume, AHT, and Seasonality Models
• Supportbench: Forecast ticket volume and staffing without fancy tools
• LiveAgent: Ecommerce Holiday Support Guide
• Salesforce: 2024 Holiday Shopping Data