如何挖掘数据背后的故事
客户世界|葛舜卿|2010-01-20
最近看了一个故事，与沃尔玛购物车的分析相关：
在一家超市里，有这样一个有趣的现象：尿布和啤酒是摆在一起出售的。这个奇怪的举措为超市带来的影响就是尿布和啤酒的销量相对于之前分开销售时的数目成倍增加。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并且一直为大家所津津乐道。
沃尔玛超市拥有世界上最强大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，通过数据分析知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现就是：“跟尿布一起购买最多的商品竟是啤酒！”
相关人员就这一现象进行了深入地挖掘，发现了隐藏在“尿布与啤酒”背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。”
这个是比较典型的购物车分析，就是通过购物车内的物品做相关分析来推测用户需求。
相似案例我在今年“金耳唛”评选过程中，在某家电视营销类呼叫中心现场与管理人员交流时，他们也提到过。他们通过数据分析和挖掘，发现购买微波炉的顾客往往也会买碗，所以在得到这个结论后，他们将信息反馈给了电视营销节目设计组，在今后的节目中，微波炉和碗就放在一起对外销售了，由此带来的成功销售量也得到了增长。
以上两个案例都告诉我们，数据中隐藏了很多真相，我们要善于从中挖掘出对我们企业有价值的信息。
但是我在不少呼叫中心见到的现象是大家都在收集数据，都在对数据进行汇总，出报告，但是真正对数据了解的，利用数据作分析的少之又少。不少管理人员会犯这样一个错误：他们在分析之前都没有想清楚自己到底希望利用哪些数据，希望从中得到什么信息，相应的需要做哪些分析，做这种分析需要利用那些工具或者图表。在一片茫然中，就开始动手做了，最后完成一份看上去比较正式的报告就算任务完成。
今天我们就来讨论一下呼叫中心日常管理中，到底该如何挖掘数据背后的故事。
首先、要确保我们希望拿到的数据都能拿到。
我们要对数据作分析，就必须拿到符合要求的数据。比如说我们文章后面会提到的相关分析，如果我想检验弃呼率和服务水平的相关性，如果系统无法支撑我拿到两者之中任何一个数据，这个分析就不能进行下去。同样道理，我们都知道顾客满意度会和很多因素相关，比如产品使用满意度、CSR的服务态度、CSR对知识的了解程度、IVR转接流程的满意度等，但是具体哪两个因素和顾客满意度最相关，只是通过不少呼叫中心目前的IVR满意度调查所得到的数据是不能帮助我们得出想要的结果的。
所以收集数据我们往往可以利用以下方法：
聘请第三方专业数据收集公司，例如最终用户满意度调查。
系统对实际运营过程的记录，例如每个电话都被实时跟踪，可以直接拿到拿起电话的时间，每个电话通话时长，每个电话挂断后的录入时长等。
现场收集，例如业务监控时(质量监控)，现场打分。
公司技术部门的记录，例如技术部门统计电话系统正常工作概率，人力资源部门统计人员流失率等。
通过其他KPI计算得到，例如工时利用率、平均处理时长等。
最后我们也不能忘记一个关键因素：就是我们所拿到的数字要具备代表性。还是以满意度调查为例，即使我们请了第三方公司做满意度调查，但是抽样数据很少的话，调查结果并不能代表呼叫中心的真实水平。
其次、了解呼叫中心的很多数据是有相互关联的。
例如：
在一定的话务量条件下，服务水平上升，弃呼率就会下降；
在一定的话务量条件下，座席代表数上升，平均响应时间就会下降；
在一定的话务量和座席代表人数条件下，平均通话时间下降，服务水平就会上升；
在一定的话务量条件下，座席代表人数上升，弃呼率就会下降。
所以当某一指标发生变化时，我们要能联想到是否相关指标出了问题。
我在某家企业做咨询的时候，现场管理人员问过我一个问题：他们发现了这样一个现象，就是呼叫中心人员的工时利用率不高，但同时弃呼率也不低。这是为什么呢？
这个现象告诉我们一个什么状况呢？我当时的回答是从两点考虑：第一、先保证我们的数据是正确的，如果数据错误，没有继续分析的必要。第二、我们的排班出了问题，也就是在话务量低的时候，我们也排了过多的员工上班。但是话务量高的时候，我们的人手明显不足。
你们的意见呢？这里也建议大家思考两个问题：
日常运营中，我们发现还有哪些数据是相互关联的？
为什么有时候真实数据显示出来的情况和我们刚才提到的关联法则有冲突?
再次、通过工具进行数据分析。
我们经常用到的有：
控制图——用于衡量流程管控质量的一种记录图形。图上有中心线和上下控制限，并有反应按时间顺序抽取的某个KPI的数值点。我们经常用控制图来显示不希望出现波动的流程和相应的KPI值。例如：平均处理时长，平均通话时长等。
帕累托图——用于表示有多少结果是由已确认类型或范畴的原因所造成。我们经常用它分析造成问题的主次因素，从主要因素入手解决问题。适用于质检和最终用户满意度分析等。
因果图——用于穷举出造成某一问题的相关因素，并根据因素之间的相关联系，做出一张关联图。我们经常在对某一问题造成原因还不明朗的情况下，先通过头脑风暴的方法，用因果图把相关因素都列举出来。随后借助帕累托图或者相关性分析，过滤出导致问题发生的主因，设计并采取行动解决它们。
散点图——用于直观地展现两个变量之间关系的图。我们往往可以通过散点图来判断两个现象之间的依存关系，并通过显示的公式和某一参数值，预测另一参数结果。在运用散点图的时候，我们往往可以得到两个现象之间的相关系数：r 值。
我们可以通过r值得出如下结论：
|r|>0.95 两个现象之间存在显著性相关
|r|≥0.8 两个现象之间是高度相关
0.5≤|r|<0.8 两个现象之间是中度相关
0.3≤|r|<0.5 两个现象之间是低度相关
|r|<0.3 两个现象之间关系极弱，可以认为不相关
r<0 两个现象之间负相关
r>0 两个现象之间正相关
回归分析图——用于研究一个随机变量Y与另一组随机变量X之间的依存关系。我们往往可以通过回归分析产生的数据判断分辨一个问题产生的主要原因和次要原因。适用于满意度调查后的数据挖掘。
最后、通过事实验证我们的数据分析是正确的。
我们所做的数据分析、数据挖掘不少都用到了统计学、概率论等理念。这就不能保证我们的分析是百分百准确的，其中也存在了出错的可能。所以我们在做完数据分析后，一定要把我们制定的对策真正贯彻下去。不但要判断它的有效性（对最终解决问题是否有效），还要判断它的可用性（能否实施）。如果改善成果并没有向好的方向发展，或者没有达到我们的期望值，我们需要对数据进行重新分析，换一个角度来挖掘数据背后的故事。
本文刊登于《客户世界》2009年12月刊，作者为CC＿CMM呼叫中心能力成熟度国际标准认证机构咨询研发总监。
责编：yangyining
转载请注明来源：如何挖掘数据背后的故事
客户世界
这家伙很懒，什么都没写！
噢！评论已关闭。