十種模型競逐，由你的資料選出贏家。
Soon 不會把你的排班押注在單一方法上。十種預測模型會針對你自己的歷史數據進行回測，而最能準確預測你過去的那一個，才有資格預測你的未來。
- 滾動起點回測是在你自己的歷史數據上執行，而非基準資料集
- 只有在樣本外表現勝過最佳單一模型時，才會採用混合模型
- 逐條線路的模型歸因：每一份預測都會告訴你是誰畫出來的
回測排行榜
滾動起點 · 你的歷史數據
WAPE，樣本外。數值越低越好 — 混合模型只有在勝出時才會上線。
對不確定性誠實以對
單一條線只是一個穿上西裝的猜測。Soon 會在它周圍畫出區間：以模型在你資料上的真實誤差所量測出的信賴區間，並且針對一天中的每個時段分別計算 — 因為週一早上九點的表現，不會和週日凌晨三點一樣。
當你在優化成本時，就以 p50 來規劃。當錯失服務水準才是代價高昂的失誤時，就以 p90 來配置人力。這個區間讓它成為一個決策，而不是一場意外。
各時段的量測誤差
從話務量到人力數
一條需求曲線並不等於一份計畫。Soon 運用精確的 Erlang C 與 Erlang A 排隊數學，將預測話務量換算成所需的客服人數，接著在不到一秒內模擬 2,000 週的話務量，對計畫進行壓力測試。
其產出正是每位規劃人員真正想問的問題：我每天達到服務水準的機率有多高 — 而多增加一位客服又能換來什麼？預算對服務水準曲線會清楚顯示下一塊錢在哪裡開始失去效用。
精確的 Erlang C/A
已與參考實作比對驗證至小數點後 14 位
2,000 週
在不到一秒內完成模擬
每日達成率
你逐日達到服務水準的機率
預算對服務水準
模擬 · 2,000 週
每一個點都是一份人力配置計畫。平坦的部分是花了卻買不到任何東西的錢。
抓住控制桿，感受隨之而來的後果。
如果下個月話務量暴增 10% 會怎樣？如果新的巨集上線後處理時間下降又會如何？拖動控制桿 — 話務量、處理時間、目標 — 並在滑桿仍在移動時看著風險同步更新。
企業級套裝軟體會把這些批次處理成模擬作業，讓你每個答案都要等上好幾分鐘。Soon 則在你提出問題的同一個動作中，就把後果呈現出來。
開啟情境工作室在匯入任何資料之前先試用看看
沙盒內建四組範例營運，並由真正的引擎進行預測 — 而非罐頭示範。從資料到預測、到人力配置、再到風險，走完整個循環，親自切換模型，看看排行榜如何反應。
聯絡中心
範例營運
支援櫃台
範例營運
後勤作業
範例營運
外勤作業
範例營運
- 資料
- 預測
- 人力配置
- 風險
與你的技術堆疊完美配合
實際數據會從你早已使用的平台流入，讓預測持續從真正發生過的事情中學習。
今日可用
規劃藍圖中
在真實客戶話務量的即時比較中，預測誤差最多可降低 46%，優於業界標準的 N 週平均法。
而且由單一產品掌握整個循環：預測 → 人力配置 → 排班。
