本次大会从如何建立新型呼叫中心的人才发展规划梯队；如何帮助呼叫中心从培训的角度出发，搭建梳理好全媒体时代下的人力资源培训体系；学会让不同时代下的员工协同工作、释放新生代力量；如何基于战略目标、业务、人才科学建构培训体系等方面做了精彩分享。年会秉承“引领培训管理最新理念，交流人才发展实战经验，促进呼叫中心培训市场健康发展”的宗旨，坚持“专业、实战、落地”的原则，为中国呼叫中心企业提供切实有效的人才管理与发展服务。

 

本次大会有幸邀请到易训咨询首席顾问：王厚东老师，为大家分享的主题是“呼叫中心人才发展下的----大数据分析”。

 

 

大家下午好，在接下来的几十分钟时间里我把对我们客服行业数据应用思考给大家做一个分享。有谁关注过美国大选，有谁预测准了大选结果，选前的普遍预测都是希拉里的胜面较大，没想到真正投票完全来了一个大逆转。有人讲大数据这次栽了一个大跟头，各种各样的分析解读都有，大家可以上网去查。但这件事警醒我们，数据应用是一件严谨、科学的事，数据、抽样、算法、模型等在任何一个地方的疏忽都会导致错误的结论。当然这里面还有民调本身的问题，有些受众受各种社会因素的影响可能说的并不是心中所想。

 

举一个例子，二战时期美国军方曾经邀请一帮统计学家帮他们做决策。美国军方统计战场上飞回来的飞机，看哪个地方弹孔最多，最后得出结论机翼和机腹最多，所以要进一步加厚装甲。这个结论被统计学家给推翻了，说你这个完全是南辕北辙，出了什么问题？为什么结论不对，这两个地方弹孔最多为什么结论不对？问题在于我们仅仅查看了从战场上成功飞回来的飞机，真正薄弱被打到的飞机都没有回来，都已经当场坠落，抽样已经取偏了，所以数据化思维非常缜密。

 

另外一个案例是有关基金回报率的。有一家金融市场研究机构，跟宗研究美国基金回报率，10年之后发了一个结论，说跟美国标普500企业相关的基金回报率比其他基金回报率高30%以上。而另外一家公司很快就跳出来推翻了这个结论，说其实跟标普500企业相关的基金回报率跟基金整体市场的平均回报率并没有明显差异。为什么同样的研究对象却得出了相反的结论，问题的根源就在于他们采取了不同的采样和计算方式。

 

这些东西给我们一个启示，真正做运营也好，做营销也好，做客服运营数据思维是非常非常重要的基础能力，是每个运营者应该具备的基础能力。问大家几个基础问题，是不是每次做决策都会寻找数据支撑；第二有没有怀疑数据质量、来源、算法、格式；另外数据的广度和深度够不够，维度细节是否足够。还有数据是一种普遍能力要求还是只数据专岗的特权，大家怎么认为？这个时代叫什么时代？大数据时代，将来我们职场里面必备能力之一就是数据解读能力，不是要求每个人做大数据专家，但是基本数据分析，一眼能够看出问题这是必备的职场素质，这是对每个人的要求。

 

数据应用有几个基本层次，第一个层次描述一下发生了什么，描述分析，昨天来了多少电话，描述一天的运营状况；第二个层次改进分析，昨天的服务水平或者接通率有没有达标，没有达标为什么，找到原因，昨天有一个话务量突发，突发是有规律可重复还是说完全随机不可重复，什么东西，第三个预测分析，原因找到了将来会发生什么，如何去做应对；第四是认知分析，找问题的根源、情境、影响因素。我们把数据应用也分为三个层次，一个是数据报表现状、对比、趋势；另外是统计分析，相关性、因果性和可靠性验证；最后一个层次数据挖掘，包括现在大数据，主要就是来寻找根据过去已经有的海量数据来寻找模式、规模、特征，这三个词意味着什么呢？比如质检成绩老是排在前几位的员工有什么共同特征，一个月多次来电的话痨有什么特殊的标志，为什么老打电话，老是一次解决不了；平均五次电话才能解决的问题根源是什么，为什么老大难解决不掉，这些我们从数据背后都可以去尝试去寻找答案，这就是最基础的数据挖掘，不一定非要上升到海量数据建模的层次。另外一个关联规则，买了A产品用户会不会买B产品，买了B产品的人多大可能性买我们的C产品，这样客户打电话找你的时候，无论是服务还是营销，我们屏幕上可以有提示，这个客户可以推荐C，这个客户可以推荐B，成功率就上来了。随着我们监管力度加强，我们外呼以后越来越不好做，不是说外呼不能做，而是要更精准化。

 

 

讲了那么多数据，上午贵阳领导也在，贵阳被称为“大数据之都”，国家也非常重视大数据建设，已经讲了几年大数据应用，但现在除了以BAT三巨头为首的互联网企业以及传统金融行业外，真正大数据应用落地开发的数据企业并不是很多，主要难点问题在哪里？第一个人才，大数据人才是什么样的人才，最基础构成大数据人才到了行业应用，是复合型人才，两个东西。一个东西必须是懂业务，这个意义上来讲，大数据应用人才（非基础架构数据处理人才）是有行业性的，比如说电商大数据人才，可能分析不了生产家电的企业，家电企业的大数据人才分析不了汽车制造行业，这里面第一个就是行业业务知识，好的数据人才一定对业务运营了如指掌，另外要懂数据要懂工具，数据、工具加上对业务的理解，这个时候出来结论才能更帖进业务，而不是做一个方案不是我们想要的，最后IT急你也急。另外一个就是工具，什么样的工具可以让一般人不要经过漫长的特殊的培训就能够上手？普及化，应用型的工具有没有？几乎人认可及的最简单的数据分析工具是什么？Excel！能熟练使用40函数以上请举手，不能靠百度。所以基本的工具应用我们现在都还有很大的提升空间，更不要提专业化的高端数据工具，现在来讲离我们普通人太远，少数人的专利。 最后一个点就是数据，我曾经在某家汽车制造厂商那里做一个辅导，客户挽留辅导，目的是要搭建一个客户维系及再购的客户筛选及维系模型。最后数据跑出来一看没法用，不是缺少这个就是缺那，很多基本维度的数据都没有，只好再等一段时间完成后续工作。 很多客服中心的数据也是不全的。比如说我们有客户联络数据，这是最全的，但是客户持有产品的数据、交易数据、市场活动参与数据等，都没有。下面来看一下统一联络建设渠道，单一渠道和简单的多渠道这个都不算数，最终的渠道形态是客户无论穿越多少渠道，客户识别与跟踪始终是一致的，客户信息流和整个数据流也是丢不掉的，现在的情况是支离破碎，只是从单一到多，没有到最终统一融合渠道，这是个难点。

 

接下来看数据分析思路五步曲，分析思路一定是来自于业务，上课的时候有学员老问我，老师没有思路怎么办？怎么下手？弄一堆数据怎么分析？我这出来好几十张报表怎么分析？首先你要明确你要解决什么问题，你都不知道要解决什么问题，那朝着哪个方向分析呢？所以说，我们分析的出发点、思路一定是来自于业务，业务遇到问题，由业务问题来开始定义，定义数据范围。比如提升和改善接通率这是个业务问题，这个指标大家都熟悉，那么接下来的问题就是什么东西会对接通率有影响？ 两个东西，一个是外部客户给我们的工作量，一个是内部员工的业务处理能力。什么东西构成外部客户给我们工作量，就是联络量和处理时长；什么东西构成内部的处理能力，就是上线员工的人数和每个人的有效工时利用率。这个架构列出来，你的分析思路和数据指标就都有了，数据目标也有了；第二步就把相关数据拿到；第三如何分析这些数据，提升接通率，看这一天什么时间接通率下降的厉害，人手缺多少，我现有排班是不是还可以再优化？到底是局部优化问题还是从根本上你的人就不够？比如根据我们的业务量测算需要180人完成，HR就给了我150人，那句话叫什么巧妇难为无米之炊，你再怎么做优化都会是顾此失彼的结果。再就是如何促进业务决策，最终看业务回报，我们真正有所提升和改进。

 

下面我来考一下大家，看大家的运营数据意识如何？客户来电前三大原因是什么，分别占比是多少？客户投诉前三大原因是什么？分别占比是多少？人工及自助渠道占比分别是多少？趋势如何？员工产能及工时利用效率如何？是否还有优化空间？各主要话务类型首解率分别是多少？趋势如何？客户满意度当前水平及最近趋势如何？员工满意度及流失率水平及趋势如何？我相信在座各位很多人是在不断收集和分析汇总这些数据的，只不过不记得或者不归你管。

 

大数据应用大到可以去探索宇宙空间，治理地球，还可以进行国家治理，智慧城市建设，以及传统行业的改造升级以及助力工业4.0，但今天我们把焦点集中在客服里面，联络中心里面。对于当前的客服运营来说，我认为数据可以力所能及地起到两个作用，一个是精益化服务，一个是精准化营销。

 

 

比如关于服务水平指标的衡量问题，你的服务水平取的什么指标，看的是什么，是日均值、加权均值、时段达标率还是控制达标率，再极端一点你知道你的繁忙时段控制达标率是多少吗，这个才真正考验你的精益化运营能力。另外我们做外呼，呼出10000通电话，找到正确的人8500，答应考虑考虑产品的人3500，最后成交3000个，3000个过了一年该续费了，结果只有30个续费，你觉得这个营销项目做的怎么样？你考虑过成本收益吗？你考虑过已经把这些客户给毁了吗？所以很多时候要算长远的帐，不能说突击每天要去呼多少电话，每天要成交多少单，你是不是真正在为客户贡献价值，是不是真正能把客户留的住，你是一锤子买卖，还是可以长远把客户黏住。

 

质检分数90以上算不算优秀呢？我们把员工质检成绩和客户满意率数据放在一起，分析一下两者的关联度。这叫做相关性分析。正常情况下，这两个指标应该是正相关的。那么当数据为我们展示了另外的或者相反的情况时，你知道哪里出了问题了吗？什么才是真实的首解率？客户首次电话或联络结束的时候，客户的问题得到圆满解决，不需要后续等待、回呼或联系其它部门。我们现在看到好多首解率都是掺水的。然后再来看精准化营销，假设撒网式营销外呼1000个电话，成本5000，成交率10%，成交一单能赚200块钱，减去5000成本，应该能赚15000；但是如果把这1000客户放到我们建的模型里面，跑出来结果做一个排序，这1000个单子不需要全部外呼，呼到前300个，成本收益达到最高点，再往后收益可能会下降。这个可以通过数据建模，利用客户的多维度数据进行训练，精度达到一定程度都可以做。

 

另外一个常见的业务类型就是交叉或升级销售。我们来看一个超市的购物篮分析案例。客户结账的时候，什么东西跟什么东西经常出现在一起，我们就可以通过数据模型和算法把它们找出来。大型超市促销，很多超市不是盲目促销，什么东西跟什么东西摆在一起，什么东西摆在入口，包括货品摆在货架的第几层，这些都是基于数据分析出来的。我曾经在上课的时候带领学员挖过双色球的彩票数据，经常一起出现的球之间的连线会粗，反之则很细甚至没有连线。当然，不要期望说这个东西真能够找到中奖窍门，否则我也不会站在这里给大家做分享了。我们还可以通过一系列逻辑规则来判断一件事情的发生概率，这个客户属于A还是属于B、C，一系列决策规则，我们去银行申请信用卡，银行征信系统判定要不要给你发卡，额度有多高，其实就是在利用数据模型来对你的资信状况做评估，你现在什么职业，年收入多时，这个职业是稳定职业，还是外企，还是自由职业。或者像我们这种整天飞来飞去讲课的人，自由职业，在很多银行被归入风险客户一类。人工智能都是算法，要想产生结果要做什么？训练，要把这些模型训练越来越准的识别你的业务模式，你的业务规律和业务术语，这样才能越用越是好。

 

另外一个比较时髦的词就是客户画像，客户画像怎么画呢？怎么说的也有，你说这么画，他说那么画。其实客户画像始于在不同维度上为客户贴标签，客户属于高价值客户、中价值客户、低价值客户，是男性、还是女性，是属于中层收入者还是低收入，职业属于哪一类，各个不同的维度上为客户贴标签，贴完之后把不同维度的标签汇总到一个客户身上，把标签集类似的客户汇总成一类，就是最简单的客户画像。还有机器、软件、系统、模型帮我们来算。

 

最后讲一讲，大数据应用其实最火的一个案例就是Netflix，它有一部剧叫《纸牌屋》，非常火。为什么？就在于Netflix使用大数据，尤其是客户收视习惯方面的大数据，来分析客户最喜欢的演员、题材、故事情节、影片类型等，勾勒出一个可以被很多人所喜爱的剧集蓝本。我们去麦当劳点餐，可以配薯条、口乐，一个是交叉一个是升级模式，交叉和升级营销我们就要用大数据相关性关联规则的算法，可以帮我们去做；还有推荐，我们去亚马逊买书，这是我某一天登录亚马逊的截图，我买了一本书然后推荐了这些东西，这个东西根据什么来的？推荐算法，我们往高大上里讲是推荐算法，但也有一些网站不那么高大上，昨天晚上天冷了搜了袜子，第二天满屏飘到袜子，没有真正分析客户真正偏好什么东西，还闹出好多笑话。

 

好啦，希望基于数据的精益化服务和精准化营销，能把大家的客服业务推向更高的层次，谢谢大家！