下麵主要對構建預測模型進行詳細介紹。
（一）曆史數據的收集及整理
曆史數據的處理是預測前最重要的一步，如果數據不處理幹淨，將直接影響預測的精準度。對於客服中心的話務情況而言，對原始話務來電量產生影響的情況主要歸納為以下幾點：
1、係統故障。如果某一天發生係統故障，需要按照發生故障的時間維度剔除當日發生係統故障的話務量，還原為原始呼入量。
2、由於某種敏感短信或輿情造成客戶的集中致電。
3、如果某一天發送了某種敏感短信或者發生輿情，導致客戶集中來電的情況，需要按照所影響時間維度剔除相應的話務量，還原為原始呼入量。
4、人力不足，接通率較低的情況。
如果不是由於以上情況，而是由於人力不足造成接通率較低，導致重複來電較多，當日呼入量數據不是原始客戶需求的真實呼入量。我們需要按照當日重複來電的水平，將呼入量還原為原始呼入量。
（二）模型的初步建立
不同的業務有不同的影響因素，需要我們挖掘曆史數據去發現較重要的影響因素。例如信用卡業務主要涉及還款日、賬單短信提醒日、延期還款期等影響因素。綜合類業務主要涉及貸款還款日、貸款還款短信提醒日等影響因素。找到影響呼入量的影響因素後，需要將不同的權重賦予不同的客戶群。例如兩個不同還款周期的客戶群，我們需要在20日和22日分別標注還款日，並將較大的權重賦予22日還款日的那部分客戶。
至此模型已初步構建完成，但是隨著業務、路由調整及客戶量等的不斷變化，需要不斷調整、完善我們的預測模型。預測模型是人工構建的，必有我們考慮不到的因素，所以模型不是完美的，需要我們根據經驗對模型值進行手工調整，經驗則需要預測師在不斷的學習中、工作中進行總結。
（三）模型之外的預測點
有很多時間段內的預測是無法利用模型進行預測的，需要我們根據曆史數據、經驗去手工進行預測。例如春節期間、黃金周及小長假等的預測。
（四）預測成果
2013年度光大客服中心人工呼入量預測偏差率為1.08%，月度平均預測偏差保持在正負2%以內，日預測偏差基本在正負3%以內。精準的預測為我們的節約了人力，降低了人員成本。
三、探索多媒體話務量預測
光大客服中心相繼推出了文字客服、視頻客服等一係列多媒體類客服服務。如何做好多媒體話務預測，是我們正在不斷探索的另一方向。在原有人工電話客服呼入量預測的經驗中我們也可以得到很多啟發，但是不能照貓畫虎拿來直接使用，需要根據多媒體客服的特點及重點業務來重新構建新的預測模型。