各位從事呼叫中心的管理者們，大家是否都會有這樣的疑惑：XX指標我定多少比較合理？通關考試應多少分算通過？當指標達成到多少時我需要進行預警上級？
在面對以上問題時，我們通常是選取與此指標相關的其他歷史數據來進行計算，確定目標值或及格線等問題的答案。但在進行上述計算時，我們通常也會遇到以下兩個問題：
01相關數據不完整
因為我們無法判斷與此指標相關的數據中，誰的影響最大，誰的影響次之，所以一旦缺失一項我們認為會對其有影響的數據，且仍執意進行計算時，我們很容易對最終結果產生質疑，或者容易被其他人質疑；
02我們無法想到影響此指標的所有參數
在一個開放性的世界中，一件讓人意想不到的事件，往往是由非常多的因素所影響的最終結果，而不是由一個單一的原因所導致。盡管使用相關數據進行計算可以得到一個確定的、準確的答案，但由于我們無法想到所有相關的參數，這個答案可能會非常難以確定。
以上的兩個問題其實都可以歸類為數據不完整，這個時候，我們就需要改變一下思路，使用一個整體的歷史數據來進行計算，不再將它們區分成哪些原因，而是看成一個整體，計算一個概率或區間，使用回歸分析中的邏輯回歸方法，告訴我們一個概率的答案。
邏輯回歸
邏輯回歸是并不是回歸，而是分類與預測算法中的一種，也是入門機器學習時學習的第一個算法。它不僅可以來預測相關數據的影響程度，還可以尋找影響其指標的因素有哪些。例如銀行業使用邏輯回歸來判斷信譽達到多少時可以成為優質客戶；在醫學上用來判斷蛀牙與刷牙、飲食習慣、年齡等影響之間的關系；以及電影行業為了保證收入，會調研社會群體中的平均年齡和性別比例，來安排不同類型電影的拍攝與上映等等。在呼叫中心行業，我們也可以使用邏輯回歸來幫助我們進行以下工作：
01相關性與目標
在進行數據分析時，都需要一個前提：盡可能的獲取所有與此有關的數據。所以我們在進行數據分析之前，需要先進行判斷，此指標數據與我們要進行分析的指標數據之間，是否存在相關性。例如我們在分析氣候異常與汽車尾氣排放時，需要先判斷汽車尾氣排放與氣候異常存在相關性，然后再計算確定尾氣每排放多少會影響天氣多少度。同樣呼叫中心數據在分析時，也需要做這一步。
例如我們在分析服務水平如何能達標時（當然我們可以通過Erlang_C公式來計算，但大家應該都知道，Erlang_C公式是有缺陷的，公式無法考慮呼損，以及人力配備不足時計算結果會非常不準確），我們聯想到缺勤、人員配備、AHT等可能會影響服務水平的達成，那我們需要使用相關性分析來判斷以上數據是否與服務水平會有相關性，此時我們通常使用Excel中的CORREL函數來進行判斷，CORREL函數也叫皮爾遜相關系數，計算的結果是在【-1,1】區間中的一個值，正數為正相關，負數為負相關，結果的絕對值越趨向于1或-1，表示相關性越強。
在確定出有相關性的指標后，我們就需要使用邏輯回歸來判斷其影響幾率，較為限制的一點是，邏輯回歸只可以判斷其他數據“是、否”會影響本指標。
例如我們想看一下服務水平考核10秒80%這個指標是否合理。首先我們需要收集與服務水平相關的指標，這里使用大家普遍都認可的接通率作為與服務水平具有相關的指標，并設為X。收集的數據為日度維度，每天的接通率對應的服務水平不是具體數據，而是達標或未達標，達標用“1”表示，未達標用“0”表示（達標即為達成10秒80%服務水平），并設為Y。使用Excel的規劃求解功能可以計算出邏輯回歸方程中斜率和截距的最優解，之后我們將從1%~100%每級遞增1%的接通率X數據分別帶入方程式中，與規劃求解計算出的斜率和截距的最優解進行計算，將會得出1%~100%的100個接通率X數據所一一對應的100個概率數據點，將這100個數據節點做成折線圖：
折線圖橫軸代表接通率，豎軸代表服務水平達標的幾率，可以看到當接通率達成100%時，只有82.28%的概率服務水平可以達標（達標的意思是說達成10秒80%），這明顯不太合理，一個月內即使天天接通率100%也只有24天服務水平可以達標。所以我們需要調整服務水平考核的數據，既可以調整秒級也可以調整百分比，再使用邏輯回歸模型進行驗證目標值。
一般來說，較為正常的邏輯回歸圖形，會呈現S狀，例如：
02預警與管理
在可以熟練運營邏輯回歸計算概率后，我們可以將更多的指標相互關聯，通過管理其中一項來影響另一個無法管控的指標，例如流失。無論員工因為工作不合適、職業規劃還是家庭原因等何種原因離職，往往都會伴隨著在離職前7天或10天內的服務品質有所下降，針對這個點，我們可以分別收集離職員工在離職前10天、10天~20天、20天~30天內的品質數據的平均值記為X，其中離職前10天的X對應的Y值為1，即為會影響流失的數據；10天~20天、20天~30天的X對應的Y值為0，即為不會影響流失的數據。之后再使用邏輯回歸模型，統計出品質數據對于流失影響的概率。
我們可以在大腦中模擬一下形成的S型曲線的樣子，大致會在品質數據的某個節點員工流失的概率會大幅提升，作為管理人員我們應該在日常的管理中，對品質達成在此附近的員工多加關注，他們可能由于一些其他事情的影響，導致無心服務品質下降，且很可能會在10天內因為這些“其他事情”向管理者提出離職申請。
最后
作為呼叫中心行業的從業人員，會發現管理人員與一線員工之間的代溝越來越大，此時我們就需要有較好的管理工具與分析方法來進行協助，從數據入手找到員工的行為規律，才能在數據分析與運營管理中無往而不利。
