1917年的电话公式，让2024年客服中心每天亏掉47%人力

1917年，丹麦数学家A.K. Erlang发表了一个排队公式，帮哥本哈根电话公司计算需要多少条电路。107年后，呼叫中心经理们仍在往一个看起来像2003年建的网站里输入三个数字，把输出的结果当作 staffing（人员配置）真理。然后他们困惑：为什么周一早上9点客户要等12分钟，周四下午2点却有6个客服闲着。

Erlang C公式是真实的数学，是正确的数学，它只是回答了错误的问题。

它假设：来电随机到达（泊松分布），所有客服完全相同且可互换，没人会挂断电话，客服接完一个立刻接下一个，来电速率恒定，通话之间没有整理时间，没人休息、生病或吃午饭。现实中这七条假设，一条都不成立。

但Erlang C仍是起点，因为它给出数学下限——在一切完美的宇宙里，你至少需要多少人。然后你根据现实调整，而95%的人在这里停得太早。

那个被忽略的47%缺口

在跑了几十个运营点的 staffing 模型后，Erlang C预测值与实际需求之间的差距出奇稳定：

这个缺口不是噪音，是Erlang C完全无视的四个因素的累积重量。

收缩率（Shrinkage）是客服在付费时间内无法接电话的百分比。休息（每天30分钟）、午餐（30-60分钟）、培训和会议（每周2-4小时）、辅导、系统故障（电脑死机、VPN掉线、软电话崩溃）、非计划缺勤、迟到早退。

行业平均：现场中心30-35%，远程客服35-40%（家庭干扰、网络问题、更长的休息）。多数运营方发现自己的实际收缩率比假设的高。

调整公式很简单：调整后人数 = Erlang C人数 / (1 - 收缩率)。如果Erlang C说需要19人，你的收缩率是32%：19 / 0.68 = 28人。比原始数字已经涨了47%。

84%效率背后的 burnout（倦怠）陷阱

占用率（Occupancy）是客服花在电话上 versus 等待的时间占比。84%占用率意味着每小时50分钟在通话。听起来高效，也是 burnout 的快车道。

可持续占用率取决于工作类型：

如果你的 staffing 模型产出90%+占用率，60天内 expect（预期） turnover（流失率）问题。客服开始请病假、延长休息、辞职。替换一个客服成本3000-8000美元，含招聘、培训和上手时间。为了省人力把客服跑到90%占用率，是呼叫中心能犯的最贵错误之一。

25%的人在30秒内挂断，Erlang C假装没看见

Erlang C假设来电者会永远等下去。他们不会。25%在30秒内挂断，50%在60秒内，70%在120秒内。这制造了一个恶性循环： understaffing（人手不足）导致 abandonments（弃呼），弃呼降低表面来电量，Erlang C于是告诉你需要的人更少，你进一步 understaff，更多人来电，更多人弃呼。

原文作者见过一个中心，Erlang C建议23人，实际用了31人，周一早晨仍有15%弃呼率。调整 abandon rate（弃呼率）假设后，模型显示需要34人——比原始预测高48%。

那用什么替代？

不是扔掉Erlang C，是把它当作地板而非天花板。现代 workforce management（劳动力管理）工具的做法：

1. 用 Erlang C 算出理论最小值

2. 应用收缩率调整（用实际数据，不是行业平均）

3. 设定占用率上限（复杂技术支持≤75%，简单查询≤85%）

4. 建模 abandon rate 对来电量的真实影响

5. 用模拟（simulation）而非闭式公式，测试不同场景

最后一步是关键。Erlang C给你一个点估计，模拟给你分布——"在80%的情况下，35-40人足够；在最忙的10%日子里，你需要47人。" 这让你做 trade-off（权衡）：是要为峰值多雇12人，还是接受偶尔的服务降级？

一个电商客服中心在黑色星期五前做了这件事。Erlang C说需要89人，收缩率调整后131人，加上占用率上限和弃呼建模，最终 staffing 方案是156人——比原始数字高75%。他们当天服务 level（服务水平）达标，没有 burnout 导致的节后离职潮。隔壁竞品按Erlang C原始数字执行，当天弃呼率34%，节后三个月 turnover 41%。

1917年的公式没做错任何事，它只是为1917年的电话网络设计。当你的客服在 Zoom 上被客户骂、系统崩溃、孩子在家哭闹时，你需要的不只是数学正确，而是问对问题。

你的呼叫中心还在用2003年风格的计算器，还是已经开始为"客服也是人"这个事实付费了？