Erlang, un vecchio amico da mandare in pensione

Dimensionare le risorse di un contact center è da sempre la sfida delle sfide, essenziale per trovare l’equilibrio tra costi, servizio e produttività, ma condizionata da un’infinità di variabili operative.

Per decenni, la risposta a questa sfida si è chiamata Erlang. Un modello nato per contesti telefonici lineari, dove i volumi erano prevedibili, gli operatori intercambiabili e le regole semplici.

Nel tempo sono nate diverse versioni, ognuna con qualche miglioramento rispetto alla precedente. Prima si è considerato che i clienti potessero attendere in coda (C), poi che potessero riattaccare se stanchi di attendere (A), o chiedere una richiamata (X), fino a gestire i casi in cui una chiamata viene dirottata su un’altra coda (O).

Parliamo di una evoluzione certamente interessante, ma sempre basata su formule matematiche statiche, nate in un’epoca in cui esisteva solo il telefono e ogni contatto era una semplice chiamata.

Oggi, il loro limite strutturale sta nel non riuscire a cogliere le dinamiche di un ambiente moderno perchè:

• Sono monocanale perchè nate per la voce e non supportano l'omnicanalità (chat, email, social).
• Prevedono un routing statico e non gestiscono le complesse logiche multiskill e di routing dinamico che caratterizzano le dinamiche odierne.
• Comportamenti utente semplificati: non considerano l'impazienza reale, né la sofisticazione delle attuali strategie di callback o deflection.

In pratica, per dimensionare un contact center multicanale con Erlang bisognerebbe creare un modello per ogni canale, senza alcun modo di capire come questi si influenzano tra loro.

Insomma, usare Erlang oggi è un po’ come guidare un’auto moderna con una mappa cartacea del secolo scorso, fornisce indicazioni sulla direzione, ma ignora traffico, deviazioni e imprevisti.
Il rischio è quello di ottenere un dimensionamento errato o un livello di servizio che esiste solo teorico.

Ma come affrontare la sfida del dimensionamento superando i limiti delle formule di Erlang?

I modelli simulativi non si basano su formule, ma ricreano digitalmente il comportamento reale di clienti e agenti, evento dopo evento.
Analizzano i flussi in base a dati storici, orari, canali, livelli di servizio, disponibilità e competenze degli operatori. Possono prevedere abbandoni, callback, passaggi da un canale all’altro e l’impatto dei picchi di volumi.

Questo approccio, potenziato dall’intelligenza artificiale, consente di simulare scenari complessi in poco tempo, provare strategie alternative, ottimizzare turni e risorse, e ottenere una visione realistica di ciò che accadrà.

Di fatto, non si tratta solo di calcolare “quante persone servono”, ma di capire come reagirà il sistema in condizioni reali.

Tutto diventa ancora più chiaro se pensiamo ad un classico esempio di contact center multicanale, che gestisce interazioni voce, chat e WhatsApp e con picchi di traffico durante la mattina e nel tardo pomeriggio. La necessità dei manager sarà, ovviamente, capire quanti operatori servono per garantire un buon livello di servizio, evitando tempi di attesa troppo lunghi ma anche sprechi di personale.

Con i modelli tradizionali (come Erlang), l’analisi si limita a stimare il numero di agenti per ogni canale separatamente, basandosi su medie storiche e ipotesi fisse. Ma il problema è che nella realtà i comportamenti non sono fissi, un cliente può scrivere in chat e, se non riceve risposta, chiamare dopo pochi minuti; altri clienti invece preferiscono attendere o richiedere un callback.
Così si finisce per moltiplicare calcoli, fogli Excel e approssimazioni, con settimane di lavoro per ottenere un risultato comunque approssimativo.

Una simulazione basata su intelligenza artificiale affronta il problema in modo completamente diverso. L’AI analizza i dati storici di traffico e di comportamento (volumi, tempi di attesa, tassi di abbandono, canali utilizzati, disponibilità degli agenti) e costruisce un modello dinamico del contact center.

A questo punto, è possibile eseguire una simulazione completa, che tiene conto di tutti gli elementi reali come:

• variazioni orarie della domanda
• comportamenti dei clienti (abbandoni, retry, cambio canale)
• competenze degli agenti e routing multiskill
• regole di priorità, callback e deflection automatica verso chatbot o altri canali

Il risultato è una rappresentazione fedele del sistema, che permette di testare scenari alternativi prima di applicarli nella realtà.

• spostando il 15% dei contatti voce verso la chat automatica, il tempo medio di attesa si riduce del 30%;
• con un diverso piano turni, si possono coprire i picchi con 3 agenti in meno;
• anticipando i callback nelle fasce meno congestionate, si migliora lo SLA complessivo senza aumentare il personale.

Tutto questo senza toccare l’operatività reale, ma sperimentando in un ambiente virtuale, come in un simulatore di volo.

In conclusione, possiamo certamente dire che le formule di Erlang hanno fatto la storia dei contact center, ma ormai appartengono al passato.
In un mondo multicanale, fluido e data-driven, l’efficienza non si ottiene con una formula, ma con una simulazione intelligente capace di apprendere, adattarsi e prevedere.

Insomma, è arrivato proprio il momento di lasciare che Erlang goda del suo meritato riposo,
il futuro del dimensionamento è già qui, ed è simulato, dinamico e guidato dai dati reali.

E voi, quali sfide di dimensionamento state affrontando nel vostro contesto operativo?

#daivalorealtempo
NA