肖子京专栏：客户服务中心的数据信息化建设蓝图

其次，客户服务中心行业的管理维度众多，即所谓“麻雀虽小，五脏俱全”。企业内大部分的职能部门往往都只在一个领域内进行数据分析与研究，如市场部更多看客户数据、人事部更多看员工基础数据。可到了客户服务中心，客户数据、员工绩效数据、出勤班务数据、客户满意度与首解率、客群增长与客户挽留，我们有大量的数据分析是在做业务管理，数据维度众多往往分散了我们的精力，提升了数据治理的难度。

第三，客户服务中心数据基础相对薄弱。客户服务中心更多的还是成本中心，低成本运作的倾向性下有限的资源总是会优先投向业务系统建设，而能够用简易办法替代的数据管理工作其投入的资源相对较少，所以在客户服务中心里都建有话务系统、业务系统，但鲜见具有独立的数据系统。

第四，与系统投入相对应的人员能力依然薄弱。也许因为客户服务中心行业飞速发展，有很多的基础性指标在行业内都还没能形成统一的、标准的理解与计算方式，在企业内部就更可能存在认知不统一的情况，如人员流失率和首次来电解决率在行业内能够分别找出对其五种以上的定义和计算方式。

在这样的数据特点之下好在大家有一个共识，就是客户服务中心行业的数据分析非常重要，于是可以通过深入开展同业学习交流、充分利用EXCEL工具进行自助以及在企业内部培育数据驱动管理决策的文化与方法来加速行业的数据信息化建设过程。

一个完整的客户服务中心数据信息化建设蓝图应该有三个层次的工作内容（如图1）：

图1 客户服务中心数据信息化建设蓝图

如图1所示，第一层偏重于数据基础能力建设，它包含数据源建设、基础数据留存、数据知识体系、标准数据报告、数据人才培养五个方面；第二层偏重于数据应用能力建设，包括各类专题数据的分析处理能力，形成有利于数据应用的组织结构；第三层需要在客户服务中心内部形成以数据驱动业务发展的文化氛围才能持久高效地挖掘客户服务中心的数据宝藏以创造更多的数据价值。以下分别来看每个建设模块应该怎么做。

1、数据源建设

在数据源管理中要尽可能记录下每一次客户与信息系统发生交互的基础信息，记录下每一个员工的服务动作，记录下每一次管理动作的痕迹，因为数据源是一切数据分析的基础，数据采集或称之为数据埋点自然就是第一个重要的管理对象。

好在客户服务中心的信息化程度普遍较高，大家可以从各类信息系统中获取到大量的客户行为数据、员工行为数据。这里需要注意的是要尝试学习、理解各类信息系统的底层数据结构，从而为后续数据分析利用打下基础。

大家还有可能从很多的管理台账中获取到诸如人员组织结构信息、班务信息、离线业务或客户投诉信息等，在这一环节要尤为注意关键数据信息的采集，要完整、方便地采集所有可能用到的数据信息以备后续分析利用。

2、基础数据留存

基础数据留存一定都有在做，信息系统的数据留存工作不会有太多问题，只是提示大家注意状态类数据的变动流水就好。如订单的处理状态，如果状态变动没有单独记录流水信息，事后追查问题可能会遇到困难。

可是还有很多非信息化系统及记录在各种表格、台账中的数据，这些数据的留存需要关注五个方面：

结构化，是否按照数据的业务逻辑进行存储。

完整性，不能缺斤短两，缺少数据需要及时补充。

原生性，关注最基础的数据留存而不仅保存结果数据。

复核机制，要有数据抽检或完整复核的管理机制。

定期备份，在留存工作之外安排统一的数据备份机制或者上送至企业级科技部门留存。

3、数据知识体系

图2 搭建数据知识体系

搭建数据知识体系，推荐使用了解现状、下钻到底、创新拓展、重构输出的方式进行（如图2），最终需要形成四个层面的知识内容：

指标介绍材料，这是数据指标体系的业务解读，应当采用纯业务语言编制，面向运营部门、业务管理部门，没有必要涵盖所有技术细节，追求通俗易懂。

指标定义材料，这是运营部门与技术。部门的沟通桥梁，需要明确定义每一个指标的技术细节

中间过程设计，从最基础的源系统数据逐步加工至最终业务需求的数据处理逻辑，是各类运营数据追根溯源的依据，是指标体系创新升级的关键。

源系统数据字典，各家源系统厂商提供的数据库字段定义。

4、标准数据报告

客户服务中心行业是一个依据数据指标开展运营管理工作的行当，因此各层级都应该有自身专用的标准数据报告，   在建设初期或者资源有限的情况下应当优先关注全局数据指标报告和一线员工层数据指标报告。

全局业务报告可以用“月”或“旬”作为最小单位，这样方便进行数据加工处理，避免“四周不等于一个月”的尴尬。在全客服中心内通报各类关键运营指标，这种监控、展示本身就能起到很好的督促、管理效果。

在一线员工层数据指标报告上要为每一个员工建立自己依照时间维度展开的数据报告，员工职业生涯的完整展示、各关键指标的排行榜、个人能力蜘蛛图与全局对比等，因为一线员工是客户服务中心的生产核心，自然也应该是标准数据报告所关注的关键对象，后续会有专门的篇章分享这方面的经验。

5、数据人才培养

执行数据筛选、编制各类报告的数据处理专员各家均有，但我们更需要能够不断学习“上游源数据”、掌握先进的数据加工处理方法、能够有效应用各类数据模型、将数据驱动与运营实践相结合的数据管理人员。

在数据人才培养上的确应该再多下一些功夫了，不过拜同质化、非竞争性所赐，稍加留意行业先进做法，适当参与同业学习交流，领导给予一定的关心、指正，对于那些勤奋、自学的小伙伴们来说并不需要太久的成长时间。

完成了客户服务中心数据信息化建设的第一层——数据基础能力建设，接下来还需要继续搭建数据信息化建设的第二层——数据应用能力、第三层——数据驱动决策的文化氛围。

二、数据应用能力

1、各类专题数据分析能力

客户服务中心行业的数据分析范围广泛，如果一定要用几句话来概括，那必然是从我们服务的客户、我们服务的产品与我们的服务资源三方面入手。

我们服务的客户相关的数据分析按照是否具有明确的客户行为可以划分为两类，一类是具备明确的客户行为，那么我们应该对此类规模化客户的每一个群体行为有所了解并有针对性的管理与改善；另一类是客户画像，客户并没有明确表态，但我们希望知道客户在想什么、将要做什么，是否能够进一步为我们贡献利润。

我们服务的产品大多由客户服务中心背后的企业提供，企业的产品经由客户服务中心与客户的沟通联络得以更好地使用，所以客户服务中心总是积累了很多的产品相关数据，在口碑影响力日盛的今天这部分数据分析尤为重要。

我们的服务资源大致由信息系统与人工座席组成，各类资源的使用效率、服务结果，如何优化资源配置更好地为客户服务，都是客户服务中心专题数据分析的重要领域。

2、有利于数据应用的组织结构

客户服务中心发展前期或者百人左右的客户服务中心其数据的管理与应用更多是从属于运营团队、生产力管理团队，因为这些团队的数据需求最多，顺便就一并把其他工作处理了。

但是当数据团队从属于某个职能团队时其视野必然受限，所以在200人以上的客户服务中心建议独立数据团队，直接由最高负责人领导数据应用团队。

三、数据驱动决策的文化氛围

这是客户服务中心数据信息化建设的最后一环，是形成数据驱动决策的文化氛围，是最容易也最困难的一环。说容易，是因为只要前面的基础建设、应用建设做好了，最后一环水到渠成；说困难，是因为要破除一些固有的经验决策、拍脑门决策的陋习。

不过笔者以为各家客户服务中心的管理者们其实是非常愿意看到数据驱动 + 理性决策的管理模式的，只是我们需要一些时间与努力来建设客户服务中心行业各领域内的数据应用模型，先从管理细节入手，让数据驱动力帮忙打通业务运转的微循环。

所以，从《数据驱动力》系列连载的第三篇就开始为大家分享、奉献一些具体的实践案例，并从实践案例中提炼背后的思维脉络，加快客户服务中心的数据信息化建设步伐。

下期预告：

客户服务中心行业的数据分析，当然要从客户行为开始。《数据驱动力》系列连载第三期，我们将为大家介绍如何用数据算法准确地找到每一个客户来电异动时段，进而微调客户服务的时间需求，以提升客户服务效率。

肖子京简介：

毕业于合肥工业大学信息与计算科学专业；曾任职于北京银行信用卡中心科技部、北京银行信用卡客服中心；目前就职于知名互联网公司客户服务部，担任运营管理副总监。

开设数据驱动力系列公开课程：

《数据驱动力——客服中心绩效管理与运营提升》

《数据驱动力——客服中心数据信息化建设实务》

本文刊载于《客户世界》2017年10月刊；本文作者肖子京.