コールセンターの入電予測、過去データから曜日別・時間帯別の件数を出す3つの手順

コールセンターの入電予測は、表計算でも3つの手順で組めます。過去の着信を30分単位で集めて特異日に印を付ける。週の件数を曜日の比率で日に割り、日の件数を時間帯の比率で30分ごとに割る。最後に実績と区間ごとに並べ、ずれた分を比率に戻します。
時系列モデルもAIの予測機能も、中でやっていることの骨格はこの3つと変わりません。
精度を一番左右するのは、どの計算方法を選ぶかより、手順1でどの件数を集めるかだと考えています。応答できた件数だけを集めると、混んでいた時間帯ほど少なく出て、その誤りが手順2の比率にそのまま写るからです。
手順1 過去の着信件数を30分単位で集め、特異日に印を付ける

集める件数は「かかってきた件数」です。応答した件数に、待ちきれずに切れた放棄呼を足したものを使います。
応答件数だけで組むと、人が足りなかった区間ほど実際の需要より少なく記録されます。少なく予測し、また人が足りなくなる。その繰り返し。
逆の注意もあります。放棄が多かった日は、かけ直しで同じ人の電話が何度も数えられ、件数が膨らみます。Call Centre Helperの表計算予測FAQは、放棄率が異常に高かった日を、通常の放棄率に引き直してから予測に入れるやり方を紹介しています。
表の列は5つで足りる
1行を「1日のうちの1区間」にして、日付・曜日・区間の開始時刻・着信件数・特異日の印の5列を並べます。窓口が複数あるなら、窓口の列を足して別々に集めます。
1日の合計だけを残していると、手順2の時間帯の比率が作れません。電話システムの区間レポートから、30分単位のまま書き出しておきます。
期間は直近の数か月と、季節を見るための1年分
曜日と時間帯の比率は、直近の数か月から作ります。年末や決算期のような季節の波を見るには、前年同じ時期の実績も要ります。
製品の要件も目安になります。Amazon Connectの予測のデータ要件は、予測グループに直近6か月で月1,000件以上の問い合わせがあることを推奨し、使う履歴は最大156週としています。
Genesys Cloudの短期予測の方式の説明には、過去の週を日単位で重み付けして平均する方式があります。この方式に外から取り込める履歴は最大8週です(同社の履歴取り込みの説明)。どちらも、直近の週の平均を土台にする考え方は同じです。
特異日は消さずに印を付ける
祝日と連休の前後、請求書の発送日や引き落とし日、キャンペーン、システム障害の日には、印の列に理由を書きます。手順2の比率はこの印の無い日だけで作り、印の付いた日は補正の材料として別に取っておきます。
特異日を理由別にどう記録し、どこまで予測に戻すかは、異常日の補正手順をまとめた記事で詳しく扱っています。
手順2 週の件数を曜日の比率で日に割り、時間帯の比率で30分に割る

計算は掛け算2回です。週の件数×曜日の比率で1日の件数を出し、1日の件数×時間帯の比率で30分ごとの件数を出します。
週の件数は直近の通常週の平均から置く
予測したい週の件数は、印の無い直近の週の平均を出発点にします。前年同時期に増減の波があったなら、その増減率を掛けて調整します。
仮に、月曜から土曜まで受け付ける窓口で、直近8週の通常週の平均が6,000件だったとします。以下はこの仮の条件での試算です。
曜日の比率を出す計算例
各週について、曜日ごとの件数を週の合計で割ります。8週分の比率を曜日ごとに平均したものが曜日の比率です。
曜日 | 曜日の比率(8週の平均) | 予測件数(6,000件×比率) |
|---|---|---|
月 | 22% | 1,320件 |
火 | 18% | 1,080件 |
水 | 17% | 1,020件 |
木 | 16% | 960件 |
金 | 17% | 1,020件 |
土 | 10% | 600件 |
合計 | 100% | 6,000件 |
※比率と件数は手順を示すための仮の数字で、編集部の試算です。
比率の合計が100%になっているかを最後に確かめます。ずれていれば、どこかの週に特異日が混じっているか、区間の書き出し漏れがあります。
時間帯の比率を出す計算例
時間帯の比率は、曜日ごとに別に作ります。月曜の朝の山と、土曜の昼の山は形が違うからです。
8回分の月曜について、30分ごとの件数をその日の合計で割り、区間ごとに平均します。仮に月曜の比率が次のようになったとすると、予測件数は1,320件×比率です。
月曜の区間 | 時間帯の比率(8回の平均) | 予測件数(1,320件×比率) |
|---|---|---|
9:00〜9:30 | 6.0% | 79件 |
10:00〜10:30 | 8.0% | 106件 |
12:00〜12:30 | 4.5% | 59件 |
17:30〜18:00 | 3.0% | 40件 |
※主な区間だけを抜き出した仮の数字です。小数点以下は四捨五入しています。
表計算なら、1列目に区間、2列目に比率、3列目に「日の予測件数のセル×比率」の式を入れて全区間にコピーするだけです。
特異日は掛け算の後で上乗せする
印の付いた日は、通常日の予測を出した後で倍率を掛けます。仮に請求日の翌営業日が月曜で、過去の同じ条件の日が通常の月曜の1.3倍だったなら、その月曜の予測は1,320件×1.3で1,716件という試算になります。
上乗せの分は、朝の区間に偏ることが多いはずです。倍率を日の件数に掛けるだけでなく、過去の同じ条件の日の時間帯の比率も見て、山の形を差し替えるかを決めます。
曜日・祝日・時期の属性を予測に組み込む効果は、研究でも示されています。人工知能学会2017年度全国大会の論文は、年・月・曜日・祝日の有無といった日の属性を組み合わせて予測に加える手法を、実在するコールセンターの5年分の着信量データで検証しています。
手順3 予測と実績を30分ごとに並べ、ずれを比率に戻して人員配置に渡す

予測を出したら、週に1回、区間ごとに予測件数と実績件数を並べます。日の合計が当たっていても、午前の不足と午後の余りが打ち消し合っているだけのことがあります。
日合計では見えない時間帯の予実差の評価のしかたは、時間帯ごとの予実差を扱った記事にまとめています。ここでは、ずれを比率に戻す手順に絞ります。
同じ向きのずれが続く区間の比率を直す計算例
1回だけのずれは偶然のことが多く、直す必要はありません。直すのは、同じ区間で同じ向きのずれが何週も続いたときです。
仮に、月曜10:00〜10:30の実績が4週続けて予測を上回ったとします。
週 | 予測件数 | 実績件数 | 差(実績−予測) |
|---|---|---|---|
1週目 | 106件 | 121件 | +15件 |
2週目 | 106件 | 118件 | +12件 |
3週目 | 106件 | 124件 | +18件 |
4週目 | 106件 | 120件 | +14件 |
※比率の直し方を示すための仮の数字で、編集部の試算です。
差の平均は14.75件で、予測の約14%にあたるという試算になります。この区間の比率を8.0%から約9.1%に上げ、他の区間の比率を少しずつ下げて、合計を100%に戻します。
ずれの向きが週によって上下するなら、比率は動かしません。直しすぎると、来週は逆の向きに外れます。
曜日の比率がずれたら、作る期間を見直す
日の合計が特定の曜日だけ続けて外れるなら、曜日の比率を作った8週に、もう古くなった週が入っているかもしれません。キャンペーンの曜日が変わった、受付時間を変えた、といった運用の変化がないかを先に確かめます。
予測の件数を人員配置に渡す
予測が出すのは30分ごとの件数までです。必要な人数は、この件数に平均処理時間(AHT、通話・保留・後処理を合わせた1件あたりの時間)と応答目標を組み合わせて決まります。
件数と平均処理時間から必要人数を出す計算は、アーランC式で必要人数を出す手順の記事で例題つきで解説しています。平均処理時間も、件数と同じく曜日と時間帯で分けて持っておくと、人数の計算がずれにくくなります。
シフトを確定する前に予測を直す日を、週の決まった曜日に置いておきます。予測と実績の突き合わせが、次の週のシフトに間に合う順番です。
まとめ
集める件数は応答件数ではなく、放棄を含めた着信件数。区間は30分単位のまま残す
予測は「週の件数×曜日の比率×時間帯の比率」の掛け算2回で出し、特異日は後から倍率で上乗せする
比率を直すのは、同じ区間で同じ向きのずれが何週も続いたときだけ
あなたのセンターの予測の元データは、かかってきた件数でしょうか。それとも、つながった件数でしょうか。
よくある質問
過去データが数週間分しかない場合はどうすればよいですか。
曜日と時間帯の比率は数週間分でも作れます。季節の波は読めないので、前年の実績が貯まるまでは手順3の突き合わせの頻度を上げて補います。
時間帯の区間は30分と15分のどちらがよいですか。
迷ったら長いほうから始めます。朝の立ち上がりの山が急な窓口や、昼休みの重なりを細かく見たい場合は短いほうにします。区間を細かくするほど1区間の件数が少なくなり、比率の振れは大きくなります。
チャットやメールの予測にも同じ手順が使えますか。
件数を集めて比率で割る流れは同じです。メールはすぐに返す必要がないため、30分ごとではなく1日や半日の単位で件数を出し、処理の締め切りから逆算して人を置くほうが実態に合います。
注記: 本稿の事実情報は2026年11月16日時点で確認したものです(確認日: 2026年11月16日)。表と計算例の数字は、記事内の仮の条件に基づく編集部の試算で、特定のセンターの実績ではありません。製品のドキュメントは仕組みの例として引いたもので、要件は変わることがあります。予測の精度を一番左右するのは集める件数だという主張は筆者の個人的見解です。本稿はAI著者によるデスクリサーチで、特定製品の推奨ではありません。
出典
Amazon Web Services「Data requirements for forecasting in Amazon Connect」
Genesys Cloud Resource Center「What method should I choose when I create a short-term forecast?」
この記事はCC AI LabのAI著者(相馬 迅/相原 ことは)が執筆し、編集部が内容を確認・承認のうえ公開しています。誤りを見つけた場合はお問い合わせフォームからご連絡ください。



