Piloter vos flux d’appels : tout savoir sur la qualité de prévision (QP)

Définition de la qualité de prévision

‍

‍

Le KPI doit être observé globalement et finement, par jour voire par créneau horaire. Cette granularité est précieuse pour constituer ses équipes et planifier leur répartition au cours de la journée et de la semaine.

L’objectif de la QP reste donc le contrôle des prévisions afin d’avoir le meilleur staffing du centre d’appels en fonction :

• Du volume de vente ou de commande 
• De la base clients 
• Des clients actifs 
• Des nombres de contacts
• Du taux de contacts
• Du nombre de résiliations
• …

Savoir calculer la qualité de prévision

La formule du calcul de la qualité de prévision est très simple :

‍

QP = nombre d’appels reçus / nombre d’appels prévus * 100

‍

Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 150 appels. La qualité de prévision s’élève donc à 75 % (150/200*100).

Une qualité de prévisions peut aussi être supérieure à 100 % si le volume d’appels réellement reçus est supérieur au volume d’appels entrants initialement prévus.

Exemple : le centre d’appels a prévu de recevoir 200 appels par jour. Au final, le nombre d’appels atteint un volume de 250 appels. La qualité de prévision s’élève donc à 125 % (250/200*100).

‍

‍

Écart entre l’hypothèse de QP et la réalité du terrain : les causes

Si le calcul est simple, tout l’art de piloter cet indicateur réside dans l’estimation du volume des appels entrants. Mais parfois, malgré les bonnes intentions, des écarts avec le terrain se perçoivent. Il est alors essentiel de savoir pourquoi.

‍

Les raisons d’une QP trop élevée

Après avoir fait patiemment vos calculs prévisionnels, votre QP est supérieur à 100 %. Pour rappel, cela se traduit par un volume d’appels plus important que celui prévu. Alors, pourquoi ? Plusieurs explications sont envisageables en fonction des différentes situations. 

Il peut s’agir d’un effet conjoncturel comme le lancement d’une campagne de promotion en cours qui attire de nouveaux clients. Ce flux multiplie les appels vers le call center et fausse les prévisions. 

Ces campagnes doivent être intégrées dans le calcul des prévisions en amont.

‍

‍

Ce sont malheureusement des situations difficiles, si ce n’est impossible, à prévoir. Il faut donc être très réactif et régler le problème avec les différents services concernés pour stopper cette vague. 

Si le problème est structurel et durable, le danger devient très sérieux avec le risque d’une hausse des appels perdus, des clients insatisfaits et d’un chiffre d’affaires qui se tasse voire s’effrite.

Il faut donc réagir très vite !

‍

Les raisons d’une QP trop basse

Une qualité de prévisions trop basse, qui avoisinerait par exemple la barre des 50 %, n’est pas non plus un signe très encourageant. Ici, la question est : « pourquoi les appels sont-ils moins nombreux que prévu ? ».

Là encore, les causes peuvent être passagères. Exemple : une vague de chaleur et de soleil incite les consommateurs à sortir se promener plutôt que de faire des achats comme ce que vous aviez prévu. Résultat : pas d’achat, donc pas d’appels vers le service client. Vos prévisions tombent à l’eau. 

Ce schéma se retrouve aussi dans la non-prise en compte des périodes de vacances scolaires dans votre prévisionnel. L’effet de saisonnalité est une donnée cruciale pour l’estimation du volume des appels entrants. 

D’autres motifs peuvent entraîner une QP trop basse comme un problème technique. Un serveur vocal interactif mal paramétré crée un mauvais routage des contacts ce qui les fait raccrocher avant même de parler au téléconseiller.

‍

Les différentes méthodes de prévision pour les centres d’appels

La taille du centre d'appels, la complexité des motifs d'appels, la disponibilité des données historiques et l'expertise interne en analyse de données conditionnent le choix de la méthode de prévision. 

Les petits centres avec des volumes d'appels stables peuvent se contenter de méthodes intuitives comme les moyennes mobiles ou le lissage exponentiel simple. Pour les centres d'appels plus importants ou confrontés à des variations saisonnières marquées, l'analyse des séries chronologiques ou la méthode ARIMA sont plus appropriées, pour peu qu’ils disposent d’un historique conséquent.

Il est généralement recommandé de tester plusieurs méthodes en parallèle et de comparer leurs performances sur des données historiques connues. 

1. La méthode des moyennes mobiles

La méthode des moyennes mobiles calcule la moyenne des données historiques sur une période définie pour prédire les valeurs futures. Dans un centre d'appels, elle consiste à prendre la moyenne du volume d'appels sur les dernières semaines ou mois. C’est une méthode simple, voire intuitive. Concrètement : 

• Choisissez une période, par exemple 4 semaines ;
• Calculez la moyenne des appels reçus pour ces 4 semaines ;
• Utilisez cette moyenne comme prévision pour la semaine suivante ;
• Le calcul est refait chaque semaine en prenant en compte les 4 semaines précédentes.

Cette technique lisse les fluctuations à court terme et met en évidence les tendances à long terme. Elle est particulièrement efficace pour les séries de données stables sans forte saisonnalité.

Ses avantages :

• Simple à comprendre et à mettre en œuvre ;
• Efficace pour les tendances à long terme ;
• Réduit l'impact des valeurs aberrantes.

Ses inconvénients :

• Ne prend pas en compte la saisonnalité ;
• Réagit lentement aux changements brusques ;
• Le choix de la période de calcul influence fortement les résultats.

Pour optimiser son utilisation, les centres d'appels doivent ajuster la période de calcul en fonction de leurs cycles d'activité. Une période trop courte rendra la prévision sensible aux fluctuations, tandis qu'une période trop longue la rendra moins réactive aux changements les plus récents.

La méthode des moyennes mobiles convient donc aux centres d'appels avec des volumes relativement stables et prévisibles. Elle est donc peu adaptée aux environnements très volatils ou fortement saisonniers.

2. Le lissage exponentiel simple

Cette méthode de prévision accorde davantage d'importance aux données récentes par rapport aux données plus anciennes. Elle utilise un coefficient de lissage (α) compris entre 0 et 1 pour pondérer les observations.

Elle consiste à choisir un coefficient α, généralement par essai-erreur. Il existe des outils qui permettent d’automatiser ce processus en testant rapidement différentes valeurs pour trouver le coefficient optimal en fonction de vos données. On appliquera par la suite la formule suivante : 

Nouvelle prévision = [α × (Valeur réelle actuelle)] + [(1 - α) × (Valeur réelle précédente)]

Ses avantages :

• S'adapte rapidement aux changements de tendance ;
• Nécessite peu de données historiques ;
• Facile à mettre à jour avec de nouvelles données.

Ses inconvénients :

• Peut surréagir aux fluctuations à court terme ;
• Le choix du coefficient α est critique et peut être complexe ;
• Ne gère pas naturellement la saisonnalité.

Cette méthode est particulièrement utile pour les centres d'appels confrontés à des tendances changeantes ou à des évolutions progressives de leur activité. Elle permet de s'adapter plus rapidement que les moyennes mobiles aux changements de comportement des clients ou aux effets des campagnes marketing.

3. Analyse des séries chronologiques

L'analyse des séries chronologiques examine les tendances et les motifs dans les données historiques pour prédire les valeurs futures. Cette méthode décompose les données en plusieurs éléments : tendance, saisonnalité, cycles et résidus.

Dans un centre d'appels, cette approche permet d’identifier les tendances à long terme (croissance ou déclin), de repérer les variations saisonnières (mois, jours de la semaine, heures), de détecter les cycles récurrents (annuels, trimestriels) et d’isoler les fluctuations aléatoires.

Le processus typique est le suivant : 

1. Collecte des données historiques (volume d'appels sur une période significative, au moins deux ans) ;
2. Décomposition de la série : tendance, saisonnalité, cycles, variations inexpliquées) ;
3. Analyse de chaque composante séparément ;
4. Projection des composantes dans le futur ;
5. Recombinaison (addition) des différentes projections pour obtenir la prévision finale.

Voici un exemple simplifié : 

• Tendance : +5 % sur les appels entrants par an
• Saisonnalité : +20 % en décembre, -10 % en août
• Moyenne actuelle : 1 000 appels/jour.

Prévision pour décembre prochain :  1000 x 1.05 x 1.20 = 1 260 appels/jour

Cette méthode prend en compte la saisonnalité et les cycles, permet de comprendre les facteurs qui influencent le volume des appels et donne des prévision à court et moyen terme. Elle nécessite toutefois une quantité importante de données historiques.

Cette méthode convient particulièrement aux centres d'appels ayant des variations saisonnières marquées ou des cycles d'activité prévisibles. Elle permet d'anticiper les pics et creux d'activité avec une certaine précision.

4. ARIMA (AutoRegressive Integrated Moving Average)

ARIMA est une méthode de prévision statistique avancée qui combine plusieurs techniques pour analyser et prédire les séries temporelles. Elle est particulièrement efficace pour les centres d'appels qui ont des données complexes ou des tendances difficiles à modéliser avec des méthodes plus simples. Elle compte trois composantes : 

1. AutoRegressive (AR) : utilise les valeurs passées pour prédire les futures ;
2. Integrated (I) : différencie les données pour les rendre stationnaires ;
3. Moving Average (MA) : prend en compte les erreurs de prévision passées dans le modèle.

Sa mise en œuvre se fait généralement sur un outil de Workforce Management (WFM), sur des packages statistiques (R ou Python) voire sur Excel.

Ses avantages :

• Haute précision pour des séries temporelles complexes ;
• Capable de capturer des tendances et des saisonnalités subtiles ;
• S'adapte bien aux changements dans les données.

Ses inconvénients :

• Complexe à mettre en place et à interpréter ;
• Nécessite une expertise ou, à minima, des connaissances poussées en statistique ;
• Demande une grande quantité de données historiques pour être efficace.

ARIMA est particulièrement utile pour les grands centres d'appels qui ont des volumes d'appels variables et des tendances complexes. Elle peut prendre en compte de multiples facteurs qui influencent le volume d'appels comme les campagnes marketing, les événements saisonniers et même les tendances économiques.

Les limites intrinsèques aux prévisions dans les centres d’appels

L'imprévisibilité du comportement humain reste la principale source d'incertitudes. Les clients peuvent réagir de manière inattendue à de nouveaux produits, services ou campagnes marketing. Les événements externes, comme les conditions météo extrêmes, les pannes techniques ou les crises économiques peuvent également perturber les modèles de prévision. Ces facteurs sont par définition difficiles, voire impossibles à anticiper, et peuvent entraîner des pics ou des creux d'appels soudains.

La qualité des données historiques utilisées pour les prévisions est également décisive. Des données incomplètes, erronées ou biaisées conduiront à des prévisions inexactes, quel que soit le degré de « sophistication » de la méthode employée.

Les changements rapides dans le secteur d’activité ou dans l'entreprise elle-même (lancement de nouveaux canaux de communication, changement dans le processus du service client) peuvent rendre les modèles de prévision utilisés inadaptés ou obsolètes. Et l'adaptation à ces changements nécessite un temps de latence pendant lequel les prévisions peuvent être peu fiables.

Citons enfin la complexité des interactions client avec l'intégration de nombreux canaux de communication qui rend plus difficile la prévision précise des volumes d'appels. Les interdépendances entre le téléphone et la messagerie instantanée, pour ne prendre que cet exemple, sont difficiles à modéliser.

#1 La variabilité statistique inhérente au métier

Votre centre reçoit en moyenne 1 000 appels par jour. Aujourd'hui, vous en avez traité 1 050. Votre QP affiche 105 %. Faut-il s'alarmer ? Évidemment que non. Comme dans toute distribution aléatoire, vos volumes oscillent naturellement autour de leur moyenne. Sur 1 000 appels quotidiens, un écart-type de 50 appels représente une variation parfaitement normale. Vous tournerez donc régulièrement entre 950 et 1 050 appels (95 % à 105 % de QP) sans qu'aucun facteur externe n'explique ces variations.

Cette variabilité naturelle sera d’autant plus élevée sur les petits volumes. Un centre qui traite 100 appels par jour verra sa QP osciller entre 80 % et 120 % bien plus souvent qu'un centre à 5 000 appels. En effet, l'écart-type relatif diminue quand le volume augmente. Dix appels de plus sur 100 font bondir votre QP à 110 %. Dix appels de plus sur 1 000 se traduisent par une QP à 101 % à peine.

Il ne faut pas toujours chercher une explication opérationnelle à chaque variation. Car à la question « Pourquoi avons-nous eu 15% d'appels en plus mardi ? », la réponse est souvent « pour aucune raison particulière ». C'est mardi. Les clients ont appelé un peu plus, comme ils auraient pu appeler un peu moins. Vouloir traquer la cause de chaque fluctuation vous fera perdre du temps et de l'énergie.

L'analyse ne devient pertinente que lorsque l'écart sort des bornes statistiques habituelles. Si votre historique montre une variation maximale de ± 10% sur 95 % de vos journées, un écart de 25 % mériterait votre attention. Mais tant que vous restez dans votre tunnel de variation habituel, l'écart fait partie du bruit de fond. Le reconnaître, c’est éviter de surinterpréter et de stresser vos équipes pour rien.

#2 Les événements externes imprévisibles à l'horizon de planification

Parfois, des événements « impactants » surviennent entre la construction de vos plannings et leur exécution. Vos effectifs se figent 2 à 6 semaines, selon vos contraintes RH. Forcément, tout événement majeur qui surgit dans cette fenêtre créera mécaniquement un écart de QP sans que votre modèle prévisionnel ne soit en cause.

Ces événements partagent trois caractéristiques : 

• Ils sont externes à votre entreprise (vous ne les contrôlez pas) ; 
• Ils ont un impact massif sur le comportement d'appel (±20 % de volume minimum) ; 
• Ils surviennent trop tard pour ajuster les plannings. Du moins, pour les ajuster sans coût prohibitif.

Les événements météo sont l’exemple le plus courant. Une canicule annoncée 72h à l'avance fait exploser les commandes de ventilateurs et climatiseurs. Les centres d’appels qui gèrent cette activité verront un écart de QP de 130% ou plus. À l'inverse, un centre d'appels dans l’assurance auto verrait son volume chuter : moins de déplacements, moins d'accidents, moins de déclarations… Dans les deux cas, l'écart est normal et inévitable.

Autre exemple : votre concurrent subit un bad buzz sur les réseaux sociaux. Ses clients mécontents se reportent massivement vers vous. Impossible à prévoir deux semaines avant, impact immédiat sur vos volumes. L'écart fait partie des aléas du métier. 

Ou encore : l'équipe de France se qualifie pour la finale de Coupe du Monde. Votre prévisionnel, bouclé 3 semaines plus tôt, n'avait pas anticipé cette éventualité. Le dimanche de la finale, votre QP s'effondre à 60 % pendant le match.

Ces événements ne remettent pas en cause la qualité du prévisionnel, mais ils doivent être documentés pour deux raisons : 

• Exclure ces journées atypiques de vos moyennes historiques pour ne pas fausser les prévisions futures ; 
• Constituer une base de patterns sur les événements imprévisibles ou récurrents : combien d'appels en plus lors d'une journée à 35°C ? Quel impact d'une grève SNCF sur vos volumes ? 

#3 Les périodes de transition où l'historique devient caduc

Le modèle prévisionnel extrapole le futur à partir du passé. Cette mécanique fonctionne tant que les fondamentaux restent stables. Mais quand votre activité connaît une rupture (nouveau produit, nouvelle cible, nouveau process…) l'historique perd une partie de sa valeur prédictive. Le modèle navigue alors à vue le temps d'accumuler de nouvelles données représentatives, ce qui génère mécaniquement des écarts de QP. 

Prenons le lancement d'une nouvelle gamme. Votre modèle connaît parfaitement le comportement d'appel de vos produits actuels : pics le lundi matin, creux le vendredi… 

La nouvelle gamme attire peut-être une clientèle plus jeune qui appelle moins mais qui envoie plus de mails. Ou elle génère des questions techniques complexes qui doublent le temps de traitement et créent des rappels… ou peut-être que le produit est tellement bien conçu qu’il ne génère quasiment pas d’appels post-achat !

Le prévisionniste ne peut pas modéliser ce qu'il ne connaît pas encore. Les écarts reflètent simplement la découverte progressive des nouveaux patterns. Semaine après semaine, les données s'accumulent et le modèle s'affine. La QP converge naturellement vers des valeurs plus stables une fois que l'historique redevient représentatif.

‍

Les limites intrinsèques aux prévisions dans les centres d’appels

L'imprévisibilité du comportement humain reste la principale source d'incertitudes. Les clients peuvent réagir de manière inattendue à de nouveaux produits, services ou campagnes marketing. Les événements externes, comme les conditions météo extrêmes, les pannes techniques ou les crises économiques peuvent également perturber les modèles de prévision. Ces facteurs sont par définition difficiles, voire impossibles à anticiper, et peuvent entraîner des pics ou des creux d'appels soudains.

La qualité des données historiques utilisées pour les prévisions est également décisive. Des données incomplètes, erronées ou biaisées conduiront à des prévisions inexactes, quel que soit le degré de « sophistication » de la méthode employée.

Les changements rapides dans le secteur d’activité ou dans l'entreprise elle-même (lancement de nouveaux canaux de communication, changement dans le processus du service client) peuvent rendre les modèles de prévision utilisés inadaptés ou obsolètes. Et l'adaptation à ces changements nécessite un temps de latence pendant lequel les prévisions peuvent être peu fiables.

Citons enfin la complexité des interactions client avec l'intégration de nombreux canaux de communication qui rend plus difficile la prévision précise des volumes d'appels. Les interdépendances entre le téléphone et la messagerie instantanée, pour ne prendre que cet exemple, sont difficiles à modéliser.

À qui incombe la responsabilité du prévisionnel dans les centres de contact ?

#1 Quand le prévisionnel est géré par le WFM

Dans les centres de contact internalisés de grandes enseignes (banques, assurances, opérateurs télécom, énergie) et chez les géants du BPO, la prévision est généralement portée par une cellule WFM dédiée. 

L’équipe récupère l’historique, calibre les tendances, intègre les événements à venir puis alimente le cycle de staffing avec des hypothèses documentées. Ces structures gèrent plusieurs flux sur plusieurs sites et modifient leurs projections chaque semaine, parfois chaque jour.

Le prévisionniste écarte les jours atypiques, applique des coefficients liés à la saisonnalité, incorpore les campagnes marketing et les effets d’un changement tarifaire, etc. Chaque version du modèle est associée à un commentaire sur les hypothèses retenues : période de référence, exclusions, effets estimés d’une action commerciale, impact d’un incident technique… Le document circule auprès des planificateurs et des responsables d’activité. Il sert de base pour déclencher les ajustements à J+1, J+2 ou J+7 selon le niveau de risque.

Dès qu’un écart dépasse les bornes fixées, le modèle est recalé. L’écart est qualifié, chiffré, puis injecté dans le cycle suivant. Si une promo déclenche 30 % d’appels en plus sur une ligne produit, le modèle du mois suivant intègre ce coefficient de correction dans une boucle continue. La cellule WFM travaille, par définition, sur une base mouvante.

Ce fonctionnement évite les décalages progressifs qui plombent la QP. Il bloque aussi les ajustements de dernière minute bricolés à la main par les superviseurs sous tension. Ce travail demande des données propres, un historique structuré, des outils adaptés (scripts R ou Python, moteurs intégrés dans les solutions WFM) et une connaissance fine des flux. 

#2 Quand le prévisionnel est porté par un manager opérationnel

Dans les centres qui n’ont pas de cellule WFM (mid-market, prestataires spécialisés, structures internalisées avec un seul site), le prévisionnel est souvent pris en charge par un manager de production. Il s’agit le plus souvent du responsable d’activité ou, selon l’organisation, d’un superviseur expérimenté.

Certains s’appuient sur un modèle simple sous Excel, d’autres se basent sur les volumes des mois précédents en tenant compte des jours de la semaine. La méthode varie selon le temps disponible, l’outillage et, surtout, la culture data de l’équipe.

Le document est rarement formalisé comme un livrable à part entière. Il est intégré au cycle de planification, parfois partagé avec le client, mais reste à l’initiative de celui qui en a la charge. Dans ce type de configuration, le prévisionnel est une compétence intégrée à la fonction managériale.

#3 Quand le prévisionnel est imposé par le client donneur d’ordre

Certains prestataires sont relégués (volontairement ou non) à une sous-traitance d’exécution pure, avec un prévisionnel fourni clé en main par le client. Ce dernier envoie un fichier avec les volumes attendus, parfois même les hypothèses retenues. Le centre de contact n’a pas de marge sur l’ajustement des données : il doit s’aligner sur cette projection, quitte à signaler les incohérences ou les écarts constatés.

Cette configuration est fréquente dans les contrats low-cost où la logique du client repose sur la maîtrise totale du dimensionnement. Le prestataire devient alors un simple exécutant. Il planifie à partir des volumes donnés sans accès à l’amont. 

Ce mode de fonctionnement transfère la responsabilité du prévisionnel hors du centre de contact tout en le rendant comptable des résultats… d’où une certaine frustration : l’écart de prévisionnel donne lieu à un sous-dimensionnement (et donc à des pénalités) ou à un surdimensionnement (et donc à des coûts inutiles).

Connaître les leviers d’optimisation de la qualité de prévisions

1. S’appuyer sur un historique fiable (ce qui est compliqué dans le cadre d’une création d’activité)
2. Fixer des normes sémantiques communes à tous les acteurs
3. Recueillir et analyser les données historiques de différents outils (ACD, CRM, SVI, etc.)
4. Documenter des événements imprévus pour tenir compte de leur effet ponctuel dans les analyses futures et sur les comportements des clients
5. Appliquer le principe de décomposition, c’est-à-dire juxtaposer les séries chronologiques (tendance, saisonnalité, événements atypiques, aléatoires, prévisibles ou non)
6. Faire l’analyse de l’impact de la saisonnalité et des jours atypiques sur les appels
7. Opter pour une méthode de prévision (économétrique, extrapolative)
8. Effectuer la modélisation de l’activité du centre d’appels pour isoler les sources de dispersion (approche statistique et explicative)
9. Intégrer l’effet retour du taux d’efficacité et du taux de résolution au premier contact (FCR) pour ne pas se faire berner par le mécanisme classique : « plus le volume est élevé, plus le taux d’efficacité baisse, plus le taux de rappels augmente »
10. Avoir recours à des outils statistiques adaptés
11. Bien analyser les écarts de QP pour :

• Emmagasiner de l’expérience pour le prévisionniste 
• Identifier les éventuelles failles ou dérives du modèle 
• Mettre à jour des corrélations

Notre conseil

Faire de la prévision permet l’optimisation des ressources dans un call center aussi bien sur le plan humain que budgétaire. Toutefois, l’estimation initiale réclame de l’expérience et surtout de la volonté.    

‍

‍
Vous aimeriez en savoir plus sur la manière d’exploiter la qualité de prévisions pour établir la stratégie à employer dans votre centre de contact ? Prenons rendez-vous pour échanger sur ce sujet !