呼叫中心运营管理的核心是对座席的规范并且人性化的管理，尤其座席规模大并且服务内容众多的客服中心。
智能排班系统ZWM，正是在ZingFramework®的一体化架构和统一数据的基础上，综合考虑了业务发展带来的话务量因素、领导层战略规划所带来的服务架构调整，以及各级别座席人员人性化要求等多方面的因素，为呼叫中心的现场运营和绩效考核提供高效的管理平台。 
         智能排班系统ZWM真正达到了“数据—座席—客户”之间的指标平衡：

         智能排班系统ZWM结合人力资源模块，对座席综合情况进行考虑，例如缺勤、假期、加班等，为薪资计算、劳动成本分配以及绩效考评提供准确依据。 
         智能排班系统ZWM流程运行的结果是在未来的某段时间内确定的员工工作日程，即最终班表的生成，在正式实施精确排班之前，首先需要确定排班的初始条件。初始条件用来描述排班工作的总体概况，是排班工作的立足点和出发地，贯穿整个排班工作流程，没有明确初始条件，将无法正常开展排班工作。 
         初始条件包括4项，第一是时间精度是管理者要求可控和可管理的最小时段，通常定义为0.5小时或1小时； 
         第二是资源精度是管理者要求可控和可管理的最小人力资源单位（通常是1 个班组或1 个人为单位），以及最小的座席单位（通常是1 组座席或1 个座席为单位）； 
         第三是排班的周期是指管理者期望的最小排班管理周期，通常定义为周或月； 
         第四是排班时段是呼叫中心正式提供服务的工作时间。

多种话务预测算法灵活运用

         英立讯智能排班系统ZWM第一个环节是进行话务预测时，必须掌握未来一段时间的话务量，才能安排相应的座席代表数量予以匹配，以达到期望的服务水平。话务预测的目的是根据历史的资料来预测未来的数据，在这里需要预测的数据包括两个量，人工请求次数和平均处理时长。这两个量对于将来的座席测算是至关重要的。例如某呼叫中心话务量变化情况，横坐标表示日期，纵坐标表示当日的人工请求次数，呼叫中心的话务指标是一个典型的时间序列，在一月之中，一天之内的变化都很大，可以应用预测理论中的时间序列预测方法来进行预测。不同的时间序列的预测模型适用的条件不同，英立讯采用的时间序列的预测模型归纳起来有如下几类。

上期值预测法

         上期值预测法忽略了除最后一个数据点外的时间序列上的所有的数据点，使用最后的一个值作为下一个数据点的预测值：预测值＝上期值。当有更多的相关数据可用时。仅选择单样本的做法是较为简单的；但是当条件迅速变化时，这不失为一个简单有效的方法。

平均值预测法

         平均值预测法使用了时间序列的全部数据点，而非一个，并简单的求了平均值。所以下一个数据点的预测值：预测值＝所有数据求平均值。平均值预测法在环境比较稳定的时间序列中使用得非常广泛，但是，在呼叫中心而言，话务随多方面的因素而波动（并且很多因素是不可控制的），因此平均值预测法在淡季使用效果要相对好一些。

移动平均预测法

         与使用无关的旧数据不同，移动平均预测方法仅对最近一段时间的数据求平均值。令：n＝被认为是与预测下一个时期相关的最近的时期数，于是下一个时期的预测值：预测值＝最后 n 个值的平均。移动平均法考虑了环境的变化，但对环境变化的响应有些慢。一个原因是时间序列过去的n 个值赋予相同的权重，尽管较老的数据在目前的情况下与新的观察值相比缺乏代表性。

指数平滑预测法

         指数平滑预测方法是对移动平均法的改进，将最重的权重赋予时间序列最近的值，将比较轻的权重赋予较老的值。指数平滑预测方法所示：预测值＝α（上期值）＋（1－α）（上次预测值）。这里的 α 是一个介于0 和1 之间的常数，成为平滑常数。平滑常数α 的选取对预测的影响非常大，小的α 值（如α＝0.1）适合于环境相对稳定的情况。较大的α 值（如α＝0.5）适合于环境变化相对较快的情况。但是由于呼叫中心的话务变化比较频繁，而且幅度比较大，呼叫中心建议选取了这种方法，并且选取了α＝0.5作为预测的基准。（大多数情况下，α 取值在0.1 至0.3 之间比较合适）。

趋势性指数平滑预测法

         趋势性指数平滑使用时间序列最近的数据来估计当前的向上或向下的趋势。趋势性指数平滑所示：预测值＝α（上期值）＋（1－α）（上次预测值）＋趋势估计。趋势性指数平滑方法常应用于趋势非常明显且经常出现的环境。

         综上所述，时间序列的预测模型的结果都是未来1 个月内的，每个半小时之内的话务量的预测值及平均处理时长的预测值。在话务预测结果出来以后，进入精确排班流程的第二个环节，即动态评估环节。呼叫中心的排班管理员将根据其丰富的经验对话务预测的结果进行评估，并进行调整。通常情况下，调整的方法包括两种，系数调整和绝对量调整。其中，系数调整是指以话务预测的结果作为基础，乘以某个调整系数，用来成比例放大或缩小相关的数据。绝对量调整是指以话务预测的结果作为基础，加减某个调整值，用来增大或减小相关的数据。

优化的座席预测算法

         话务预测和动态评估之后，进入精确排班的第三个环节，即座席预测环节。座席预测环节的职能是将前一环节的话务预测调整值转换为人力资源（即座席）的预测值。座席预测环节是精确排班过程中的一个非常关键的环节，话务预测值，以及管理者期望的服务水平在这个环节中输入，最终转换为该时段内的座席预测值，即该时段要需要配置的座席数，这也是精确排班第四环节的输入条件。在进行座席预测时，有两种方法可供选择：爱尔兰公式法和黑匣子预测法。 
         呼叫中心是一个典型的排队系统。电话一个接着一个到来，接受各种服务。如果一个到达的客户不能立即接受服务，这个客户就加入到一个队列中进行等待，图示是一个单队列的排队模型，如果呼叫中心拥有多个队列，则需要构造多个上述的排队模型。

         爱尔兰公式法是基于排队模型的算法，爱尔兰公式法作为一个精确的座席预测算法。在直接使用的时候也存在局限性，即爱尔兰公式有两个使用前提：客户愿意无限期的等待、没有重复拨打情况发生。然而在呼叫中心，这两个前提条件是不能满足的。首先，每个客户有不同的耐心程度，在等待一段时间后会主动放弃；同时，在大多数呼叫中心在客户等待60秒左右，自动语音导航系统将会提示座席代表繁忙而主动挂断客户的电话。其次，客户在放弃之后，往往会再次至电呼叫中心，希望能够接通人工获得服务，于是就会形成重复拨打。重复拨打率与接通率呈明显的负相关关系， 智能排班系统ZWM座席预测模式。

         在erlang模型基础上进行了修改呼叫中心管理模式：
1、固定服务率：人员拟合相对稳定较erlang模型准确度有非常大的提高;
2、可变服务率：人员拟合较固定服务率更加稳定，但是需要现场管理根据电话情况对座席服务率进行要求。 
         智能排班系统ZWM在erlang模型基础上，结合传统启发式算法如(免疫遗传算法,模拟退火算法,蚁群算法)来进行求解的基础上，开发了自适应多目标神经网络优化求解方法。

人性化的班次规则生成

         座席预测环节之后，进入精确排班的环节，即班次设计和资源规划环节，获得了未来1 个月内每半小时所需要的座席数量，班次设计和资源规划环节的职能在于解决这一问题：如何安排员工上班，使每半小时实际安排的座席数量不少于需要的座席数量；如果实际安排的座席数量不足要求的座席数量，那么服务水平将达不到管理者所期望的服务水平。 
         要满足每半小时实际安排的座席数量不少于需要的座席数量的要求，首先就需要进行班次的设计，这是为第五环节资源规划而准备的。“班次设计”是指设计出一系列的班次，比如早班，中班，晚班，等等。而将来只要告诉员工，你下个月每天各上什么样的班次即可。在班次设计时，需要充分考虑前面提到的一些影响因素。 
         在班次设计上，呼叫中心必须注意，班次的数量要适中。如果班次数量较少，则可能会导致话务的拟合效果偏差；如果班次数量较多，座席代表会由于难于记忆而开始反感。

灵活的排班现场管理

         智能排班系统ZWM实现灵活的排班管理，其中参数生成功能是指生成一系列的用于评价排班优劣的参数。评价参数的选取和对未来风险的评估，是在班表出来之后的一个重要的工作。既是对前期精确排班工作的小结，也是对可能出现的问题的一次分析，通过该环节可以很好的实现对全局的掌控。 
         对于呼叫中心运行情况的考核必须做到及时、全面并按周期连续地进行，以便促进其服务不断提升。从管理经验来看，在考核指标上主要考虑呼叫中心的接通能力、业务处理技能、服务亲和力三大类指标。 
         而对于呼叫中心排班工作优劣的考核，建议通过下列评价参数来衡量。评价参数的生成是帮助排班师和上级领导来快速查询和总体上把握排班情况的，通常包括：1、管理者设置的期望服务水平；2、在排班中引用的话务利用率指标数值；3、每天各时段安排的班组个数以及全天的总数；4、每天休息的班组数量；5、每天各班次的出现次数；6、每天各班组上班的工时数量以及月总工时数量；7、每月各班组上的各种班次数量统计和休息天数统计。