Het Erlang C-model voor capaciteitsplanning: onverwoestbaar of toe aan vervanging?
In de wereld van callcenters en klantcontact staat één wiskundig model al decennia centraal: Erlang C. Het model, honderd jaar geleden ontwikkeld voor telefoonnetwerken, speelt nog altijd een centrale rol in workforcemanagement. Maar volstaat Erlang C nog wel in een tijd van AI, real-time data en omnichannel klantgedrag? We vragen het hoogleraar wiskunde en Erlang C-specialist Ger Koole.
De passie voor praktische wiskunde
Voor Koole begon de fascinatie met klantcontact tijdens zijn studie in Leiden, waar hij kennismaakte met wachtrijtheorie. “Dat vond ik een fascinerend vak”, vertelt hij met zichtbaar plezier. Wat hem vooral drijft, is de praktische toepasbaarheid van wiskunde. “Ik wil wiskunde graag vertalen naar de praktijk”, zegt de hoogleraar aan de Vrije Universiteit Amsterdam.
Van model naar medewerkerstevredenheid
“Callcenters zijn fascinerend omdat dingen er zo snel gaan. Je moet binnen twintig seconden een inkomend telefoontje opnemen. Die dynamiek is uniek. En ik denk echt dat dit soort technologie niet alleen bijdraagt aan kostenbesparingen, maar dat ook de medewerkers in een callcenter er baat bij hebben. Door beter te plannen en roosteren, creëer je betere werkomstandigheden en kun je het hollen-en-stilstaan-karakter van callcenterwerk wat verminderen.”
Erlang A
Het oorspronkelijke Erlang C-model gaat uit van een eenvoudig scenario: calls komen binnen, worden in een wachtrij geplaatst en door beschikbare agenten afgehandeld. Maar de realiteit van moderne callcenters is complexer.
“Een van de belangrijkste ontwikkelingen na Erlang C is het fenomeen van de afhakers”, legt Koole uit. “Niet iedereen blijft in de wachtrij totdat hij wordt geholpen. Mensen haken af, en dat heeft gevolgen voor je berekeningen.” Door afhakers zijn de overblijvers sneller aan de beurt, wat effect heeft op je wachttijden. Daarvoor is Erlang A ontwikkeld.
“Veel callcenters werken nog met het klassieke Erlang C-model uit 1915. Die organisaties kijken naar de inzet van AI, vaak vanwege de hype. Maar Erlang C blijft altijd de basis.”
Erlang X
En dan zijn er nog de terugbellers. Die hebben weer een ander effect op de wachtrij. Om dat goed te vatten is een nieuw model ontwikkeld dat door sommigen Erlang X wordt genoemd. Koole: “Aan Erlang C zijn in de loop van de tijd allerlei toeters en bellen toegevoegd.”
“Stel je voor dat je vorige maand duizend calls had, waarvan twintig procent afhaakte en van hen honderd terugbelde. Dan lijkt het alsof je duizend unieke calls had, maar in werkelijkheid waren het er negenhonderd. Hierdoor kun je je volume voor de komende maand overschatten. Als dit niet in je model zit, mis je niet alleen de afhakers zelf, maar ook het effect daarvan op wachttijden.”
De uitdaging van omnichannel
Hoe zit dat met omnichannel? Klantservice gaat namelijk al lange tijd verder dan alleen telefonie. Klanten gebruiken ook e-mail, chat en social media, elk met hun eigen eigenschappen. Is Erlang C dan nog bruikbaar? Of zijn er al knappe koppen aan het nadenken over een nieuw model, waarin een organisatie zijn capaciteitsplanning voor alle kanalen in kan berekenen?
Volgens Koole vraagt capaciteitsplanning in een multichannelomgeving om slimme blending. “Niet elke agent hoeft alles te kunnen, maar als je een deel van het team inzetbaar maakt op meerdere kanalen, levert dat grote efficiëntiewinst op”, zegt hij. De kunst is om systemen zo in te richten dat de prioriteit bij inbound blijft, terwijl vrije capaciteit benut wordt voor e-mail of chat. Zo ontstaat een constantere workload, minder ad-hoc bijsturen en een prettiger werkritme voor agents.
De niet-lineaire effecten in een callcenter
Ziet Koole ook al denkrichtingen in zijn vakgebied die Erlang C helemaal overboord gooien? Koole: “Veel callcenters werken nog met het klassieke Erlang C-model uit 1915. Die organisaties kijken naar de inzet van AI, vaak vanwege de hype. Maar Erlang C blijft altijd de basis.”
Koole: “Stel je vervangt het model en pakt je planning aan als een voorspelvraag met historische data over het aantal agents, calls en je servicelevel. Dat is in theorie de ideale situatie voor voorspeltechnologie via machine learning; die op basis van historische data patronen zoekt en je kan vertellen hoe de komende weken eruit gaan zien.”
“Maar daar zitten wat haken en ogen aan. Een callcenter kent namelijk allerlei niet-lineaire effecten, zoals een forse stijging van de wachttijd als het volume iets groeit. Machinelearningmodellen hebben moeite om dat goed te snappen.”
De oplossing ligt volgens Koole in een hybride benadering. Daarbij blijft Erlang nodig om het unieke callcentergedrag te begrijpen en helpt AI bij het verfijnen van parameters en voorspellingen. Koole: “Het is een soort Erlang on steroids”.
AI kan Erlang C nog niet vervangen
Zorgt AI ervoor dat voorspellingen steeds beter worden? Koole is realistisch: “Technologie gaat langzaam vooruit. AI kende een stroomversnelling, maar dat vlakt weer af.” Voor de specifieke getalsmatige aspecten van capaciteitsplanning ziet hij de grote doorbraak nog niet bij Large Language Models. “LLMs zijn goed in tekst, maar het probleem van hallucinaties maakt ze ongeschikt voor exacte berekeningen.” Wel ziet hij mogelijkheden voor LLMs bij het verklaren van algoritmebesluiten en het automatiseren van roosteraanpassingen.
Het Erlang C-model verdwijnt dus voorlopig niet, aldus Koole. “Het blijft dé basis voor het begrijpen van callcentergedrag.”
