PAGINA 2 — /wfm-forecasting/

WFM Forecasting: van data naar voorspelling

Forecasting is de eerste stap van de WFM-cyclus, en de stap die de toon zet voor alles wat volgt. Een slechte forecast is als een kompas dat verkeerd afgesteld is: elke stap daarna gaat de verkeerde kant op.

Goed forecasten is een vak. Geen rocket science, maar ook geen buikgevoel. Het is een methodische aanpak die je kunt leren en blijven verbeteren.

→ Terug naar de WFM-cyclus

De Drie Bouwstenen van een Goede Forecast

WFM forecasting is het voorspellen van het toekomstige werkaanbod: inkomende contacten per kanaal, verwachte verwerkingstijden, en aanbod per skill. Het doel: weten wat er op je afkomt voor het aankomt.

Historische data

Historische data is de sterkste voorspeller. Minimale datavereisten: minimaal 12 maanden data voor seizoenspatronen, altijd op kwartier-niveau (niet dag- of uur-niveau), per kanaal en skill gesplitst, en AHT apart bijgehouden.

→ Meer over AHT en andere WFM metrics

Bekende events

Events verstoren het historisch patroon. Bouw een event-kalender: marketingcampagnes en promoties, productlanceringen of wijzigingen, feestdagen en brugdagen, schoolvakanties. Elk event krijgt een geschatte impact op het volume – verfijn die schatting na elke event op basis van wat er werkelijk gebeurde.

Trend

Groeit of krimpt je volume structureel? Bereken de maand-op-maand groei over de laatste 6 maanden en pas dat toe op je historische basis. Her-evalueer de trend periodiek, want trends kunnen keren.

Forecastmethodes: van Simpel naar Geavanceerd

Voortschrijdend gemiddelde
De meest eenvoudige methode: het gemiddelde van de laatste X weken als forecast. Werkt redelijk bij stabiele volumes, maar reageert traag op veranderingen.

Exponential smoothing
Recentere data krijgt meer gewicht dan oudere data. Je kunt de smoothing-parameter afstellen op basis van hoe stabiel je volumes zijn.

Seizoensdecompositie
Je splitst je tijdreeks op in een trend-, seizoens- en restcomponent. Door deze apart te modelleren en te recombineren, krijg je betere forecasts bij duidelijke seizoenspatronen.

ML-gebaseerde forecasting
Moderne WFM-software gebruikt machine learning. Forecast-afwijkingen 30-70% lager dan handmatig schatten. Voor teams boven 200 medewerkers is dit de standaard.

→ Bekijk AIM Forecast Software

Forecast-nauwkeurigheid Meten

De meestgebruikte maatstaf is de MAPE: Mean Absolute Percentage Error. Een MAPE van 10% op kwartier-niveau is goed. Boven de 20% heb je een serieus forecastprobleem.

Meet MAPE structureel per kanaal, per dag van de week, en per uur van de dag. Waar is de afwijking het grootst? Daar zit ruimte voor verbetering.

→ MAPE en andere WFM KPIs