Die Frage klingt banal, entscheidet im Kundenservice aber über Kosten, Erreichbarkeit und Nerven: Wie viele Mitarbeitende brauche ich, damit Anrufer nicht zu lange warten? Genau an dieser Stelle beginnt die praktische Relevanz von Erlang-C. Nicht als akademische Fingerübung, sondern als Antwort auf ein sehr operatives Problem: schwankende Nachfrage trifft auf begrenzte Kapazität.
Darum hält sich das Modell seit Jahrzehnten so hartnäckig. Wer Inbound-Kapazitäten plant, stößt früher oder später auf Erlang-C, weil es einen der zentralen Zielkonflikte im Workforce Management erstaunlich nüchtern beschreibt: Es reicht nicht, nur die Arbeitsmenge zu kennen. Entscheidend ist, wie viel Unsicherheit in dieser Arbeitsmenge steckt und wie viel Wartezeit man sich leisten will.
Was Erlang-C tatsächlich berechnet
Im Kern ist Erlang-C ein Warteschlangenmodell. Genauer gesagt beschreibt es den Fall, dass Kontakte eintreffen, mehrere Mitarbeitende parallel arbeiten und Kontakte warten, wenn gerade alle belegt sind. Die eigentliche Ausgangsgröße ist dabei nicht sofort das Servicelevel, sondern die Wahrscheinlichkeit, dass ein Kontakt überhaupt warten muss.
Das ist wichtig, weil sich daraus erst weitere Kennzahlen ableiten: durchschnittliche Wartezeit, Erreichbarkeit oder ein Servicelevel wie 80/20. In der Praxis wird Erlang-C deshalb oft als Staffing-Formel wahrgenommen. Fachlich ist es zunächst aber ein Modell für Verzögerung in einer Queue.
Ohne Mathematik gesagt: Erlang-C verbindet drei Dinge miteinander – Nachfrage, Bearbeitungszeit und gewünschte Antwortgeschwindigkeit – und übersetzt sie in eine Personalentscheidung.
Wo Erlang-C im Workforce Management sitzt
Im operativen Alltag ist Erlang-C selten die ganze Logik, aber oft ihr Rechenkern. Der übliche Ablauf lautet: Forecast erstellen, Volumen und AHT je Intervall schätzen, daraus den Rohbedarf berechnen und diesen Bedarf anschließend in Schichten, Pausen und reale Dienstpläne übersetzen.
Genau hier entstehen in Unternehmen regelmäßig Missverständnisse. Denn der mit Erlang-C berechnete Bedarf ist noch kein fertiger Dienstplan. Zwischen Staffing-Anforderung und tatsächlicher Schichtplanung liegt ein eigenes Optimierungsproblem. Und noch etwas wird oft verwechselt: Shrinkage gehört nicht in die nackte Erlang-C-Logik, sondern in die reale Verfügbarkeit. Urlaub, Krankheit, Meetings, Coaching oder Pausen verändern nicht die Queueing-Last, wohl aber die Zahl der tatsächlich verfügbaren Köpfe.
Wer das nicht sauber trennt, plant rechnerisch korrekt und steht operativ trotzdem unterbesetzt da.
Ein Modell aus der Telefonie, nicht aus dem Callcenter
Der Name geht auf den dänischen Mathematiker und Ingenieur Agner Krarup Erlang zurück. Er arbeitete zu Beginn des 20. Jahrhunderts an Problemen der Telefonie – in einer Welt, in der Leitungen knapp, Verbindungen teuer und Überlast sehr konkret war. Die Leitfrage lautete damals im Grunde dieselbe wie heute: Wie viel Kapazität braucht ein System, damit Nachfrage bewältigt wird, ohne dass Wartezeiten aus dem Ruder laufen?
Dass die spätere Verkehrseinheit offiziell Erlang genannt wurde, ist kein Zufall, sondern eine späte Würdigung dieser Arbeiten. Auch die berühmte Busy Hour stammt aus dieser Denkwelt: Nicht der Tagesdurchschnitt entscheidet, sondern die belastetste Stunde. Übersetzt ins Contact Center heißt das bis heute: Kapazität wird nicht für den ruhigen Nachmittag dimensioniert, sondern für die Intervalle, in denen Nachfrage kippen kann.
Gerade dieser historische Ursprung erklärt, warum Erlang-C so stark auf Verkehr, Last und Warteverhalten fokussiert ist. Das Modell denkt in Kapazität unter Unsicherheit – und genau deshalb ist es so langlebig.
Die Logik hinter der Formel
Die Mathematik wirkt auf den ersten Blick einschüchternd. Die Idee dahinter ist es nicht. Kontakte kommen nicht im Gleichschritt, sondern unregelmäßig. Bearbeitungszeiten sind ebenfalls nicht identisch. Wenn zufällig mehrere Kontakte kurz hintereinander eintreffen und gleichzeitig längere Gespräche laufen, entsteht Warten.
Erlang-C beschreibt diese Wartesituation probabilistisch. Es unterstellt dafür eine idealisierte Welt: Ankünfte schwanken zufällig, innerhalb eines Planungsintervalls sind sie näherungsweise stabil, und die Kontakte gehen in eine Queue, statt sofort verloren zu gehen. Diese Annahmen sind in vielen Inbound-Settings nützlich, aber eben nicht sakrosankt. Schon Kampagnen, Störungen oder Produktlaunches können die saubere Intervalllogik aushebeln.
Ähnlich bei den Bearbeitungszeiten: Das Modell bevorzugt analytisch bequeme Annahmen. Die Praxis ist oft unordentlicher. Servicezeiten sind nicht immer so verteilt, wie es das einfache Modell gerne hätte. Das macht Erlang-C nicht wertlos, erklärt aber, warum operative Realität die Formel regelmäßig korrigiert.
Die wichtigsten Größen – intuitiver als ihr Ruf
Für die Anwendung braucht es nur wenige Kernwerte: Kontaktvolumen, durchschnittliche Bearbeitungszeit, Planungsintervall, verfügbare Mitarbeitende und das gewünschte Servicelevel. Daraus entsteht zunächst die angebotene Last, oft in Erlangs gemessen. Vereinfacht gesagt ist das die Arbeitsmenge, die im Intervall gleichzeitig „in der Luft hängt“.
Wichtig ist dabei ein oft übersehener Punkt: Diese offered load ist nur die Untergrenze. Wenn ein Intervall rechnerisch 13 Erlangs Last enthält, reichen 13 Personen nicht automatisch aus. Ein System muss oberhalb dieser Rohlast besetzt sein, sonst wird es instabil. Gute Staffing-Logik plant immer Sicherheitskapazität ein, weil Nachfrage zufällig schwankt. Gerade darin liegt die praktische Stärke von Erlang-C: Das Modell zeigt, warum Arbeitsmenge nicht eins zu eins in Köpfe übersetzt werden kann.
Ein kleines Beispiel mit großer Wirkung
Nehmen wir 100 Kontakte in 30 Minuten bei einer durchschnittlichen Bearbeitungszeit von 240 Sekunden. Das entspricht einer Rohlast von rund 13,3 Erlangs. Steigt die AHT auf 270 Sekunden, liegen wir bereits bei 15,0 Erlangs. Das sind nur 30 Sekunden mehr pro Kontakt, aber schon 12,5 Prozent mehr Last – noch bevor Serviceziel, Sicherheitspuffer oder Shrinkage berücksichtigt sind.
Genau deshalb wirken kleine Forecast- oder AHT-Fehler in der Praxis oft überproportional. Hohe Auslastung kippt nicht linear, sondern irgendwann abrupt. Ein Center kann lange effizient aussehen und dann plötzlich bei Erreichbarkeit und ASA einbrechen. Wer nur auf Durchschnittswerte schaut, übersieht diese Nichtlinearität regelmäßig.
Wo Erlang-C besonders nützlich ist
Seine Stärke spielt Erlang-C dort aus, wo unmittelbare Nachfrage auf begrenzte Bearbeitungskapazität trifft und Wartezeit eine zentrale Steuerungsgröße ist: im Inbound-Callcenter, in Service-Hotlines, Helpdesks, Shared Service Centern oder internen Supporteinheiten. Auch für grobe Szenarioplanung, Budgetierung und Kapazitätsdiskussionen ist das Modell ausgesprochen nützlich.
Besonders gut funktioniert es im einfachen, aber häufigen Fall eines relativ homogenen Inbound-Pools: ähnliche Kontaktarten, vergleichbare Bearbeitung, klare Queue-Logik, überschaubare Planungsintervalle. Dort ist Erlang-C kein nostalgischer Klassiker, sondern ein robustes Werkzeug.
Die Grenzen, die in der Praxis zählen
Problematisch wird es, wenn Unternehmen aus einem starken Modell ein Universalmodell machen. Der größte blinde Fleck von Erlang-C sind Abbrecher: Das klassische Modell tut so, als würden wartende Kontakte geduldig in der Queue bleiben. Reale Kunden tun das bekanntlich nur begrenzt. Wo Geduld relevant ist, liegt Erlang-A oft näher an der Praxis.
Hinzu kommen skill-basierte Organisationen. Sobald nicht mehr jeder Agent jede Anfrage bearbeiten kann, bricht die Annahme homogener Kapazität auf. Spezialisten lassen sich nicht beliebig zwischen Queues verschieben, Occupancy verhält sich anders, Überkapazitäten entstehen an unerwarteten Stellen. Noch schwieriger wird es in Multichannel-Umgebungen mit Voice, Chat, E-Mail und Backoffice-Aufgaben. Eine synchrone Telefon-Queue ist dort nur noch ein Teil der Wahrheit.
Das heißt nicht, dass Erlang-C falsch wäre. Es heißt nur: Die Realität ist oft komplexer als der Single-Pool-Inbound-Fall, für den das Modell gebaut wurde.
Typische Missverständnisse in Unternehmen
Das häufigste Missverständnis lautet: Erlang-C berechnet die Wahrheit. Das tut es nicht. Es berechnet ein plausibles Ergebnis unter bestimmten Annahmen.
Das zweite Missverständnis: Wenn die Formel passt, passt automatisch die Planung. Auch das ist zu kurz. Schlechte Forecasts, ignorierte Shrinkage, Kampagnen, Feiertage, Routing-Regeln oder lokale Wissenseffekte machen jede schöne Berechnung zunichte.
Und das dritte Missverständnis ist besonders verbreitet: Ein Durchschnittswert reicht. Tut er nicht. Workforce Management scheitert selten an fehlender Formel, aber erstaunlich oft an Datengüte und Kontextblindheit.
Veraltet? Nein. Allein ausreichend? Ebenfalls nein.
Moderne Serviceorganisationen arbeiten heute mit Erlang-A, Simulation, datengetriebenem Forecasting, Multiskill-Planung und szenariofähigen Kapazitätsmodellen. Das ist kein Gegenbeweis gegen Erlang-C, sondern seine zeitgemäße Einordnung. Der Klassiker bleibt häufig der Ausgangspunkt, auf dem weiterführende Modelle aufbauen.
Gerade darin liegt seine heutige Bedeutung: Wer Erlang-C versteht, versteht nicht nur eine Formel, sondern die Grundlogik von Last, Wartewahrscheinlichkeit und Sicherheitskapazität. Und wer diese Logik verstanden hat, erkennt auch schneller, wann sie noch trägt – und wann ein moderneres Modell nötig ist.
Für Praktiker im Workforce Management ist Erlang-C deshalb kein Dogma, sondern Pflichtwissen. Nicht weil es jedes Planungsproblem löst, sondern weil es das Kernproblem glasklar macht: Service entsteht dort, wo Arbeitsmenge, Zufall und verfügbare Kapazität sauber zusammen gedacht werden.
