智能时代客服中心的数据运营

客户世界 | 2018年8月7日 | 2018年, 客世原创 | 评论已关闭 | 2743

刘剑锐：黄金钱包呼叫中心总监

呼叫中心行业从1995年发展至今，数据运营一直是呼叫中心管理者重视但又不易全面掌控的工作，因此出现了各种折中方案。例如质检，早期呼叫中心主要依赖于电话服务，且规模都偏中大型，没有办法进行全面的数据分析，所以就有5%的抽检率标准，以此来大体判断整个呼叫中心的服务情况。由于样本较少，会疏漏掉很多问题。智能时代的到来，很完美地解决了这个问题，通过智能质检功能，例如语音转文字并自动识别、智能分析上下文逻辑、关键字筛选等功能甚至可以做到100%全量质检，方便了管理者对员工服务质量做全面监控和分析，并且随着智能化发展，盲点会越来越小。完善立体的数据分析使得管理者对员工的指导更具针对性。

随着服务模式越来越多地从电话服务为主转变为在线服务为主，呼叫中心也从大而全逐渐转变为小而美，这就会出现一个问题，很多小而美的呼叫中心都是质培融合甚至班长一肩挑，由于工作繁杂，基础的数据分析软件所起到的作用极其有限，甚至无法从复杂的数据中甄选出自己想要的东西并发现问题，从而导致服务效率越来越低。随着智能机器人的出现，首先在管理方面从仅针对人的管理变成了人员管理和机器管理，机器人拥有自我学习能力，可以帮助管理者完善知识库词条，并对知识库词条进行整合分析精简来提高效率，同时还可以不断提高模糊问题匹配扩大回复范围，完善后的机器人甚至可以覆盖80-90%的用户问题。机器人本身具有回复准确率及回复效率等数据呈现，不仅方便管理者对机器人的完善度进行判断，也可以对整体服务质量进行更准确的分析。对于用户来说，好的服务除了良好的服务态度以外最重要的是以最快速度给出答案和解决问题，而机器人可以做到这一点。对员工来说，在线平均响应时长的关键指标一般是在15秒或30秒内，平均响应时长会更长，而机器人基本上是及时回复，对于用户体验的提高是非常有帮助的。

王厚东：独立咨询顾问、讲师

客服中心不缺数据，缺的是对数据充分、有效的应用。无论是接触处理数据，还是客户交互内容数据，大部分客服中心每天都会有几千、几万甚至几十万条。再加上企业数据平台的支撑，客服中心可以获取的数据其实是非常多的，也可以说是海量的。但与此形成鲜明对比的是，大多数客服中心对于数据的分析与应用仍然停留在比较低的层次上，基本以日常运营报表以及一些专项运营分析为主，缺乏系统性、全方位的数据化运营支撑与服务增值拓展。

客服数据的应用可以主要从三个层次上来展开。第一个层次是对精益化、智能化运营的支撑。利用每天积累的日常运营数据观察运营现状，发现运营差距，探索规律、模式、场景、细节瓶颈与问题根源，预测发展趋势，进而给出预防与矫正建议。第二个层次是对精准化营销以及客户增值经营的支撑。通过客户标签、画像与分群、客户需求探索、目标客户定位、关联及交叉营销设计、呼出与呼入营销监测与评估等，使营销更加精准、收益比更高、客户感知与粘性更好。第三个层次是对企业整体的决策支撑。每一次客户投诉与抱怨都是真实的VOC，每一通客户接触中也都含有VOC的成分。根据结构化的显性接触处理数据，把企业在品牌、产品、运营、营销、市场等各个方面的所暴露出的问题进行归纳和整理；根据录音、文本、视频、图片等非结构化联络数据，归纳和挖掘客户显性及隐性的问题、意见、建议、偏好、倾向、情感、意愿等信息；然后推动企业内部整体运营循环的持续改进与提升，赢得客户的持续认可与忠诚。

客服数据应用仍然存在不少障碍。第一是人才的匮乏。应用型数据人才是复合型人才，既要懂业务又要懂数据。由于客服行业的自身人才特点以及企业地位，往往会出现复合型数据人才培养难、吸引难、留不住的困境。第二是数据治理机制及数据质量的问题。现实中观察到很多客服中心的数据岗位员工要花费大量的时间来整理、清洗和转换不规范的数据，只有很少的时间可以真正用在数据背后的业务洞察上。第三是数据工具的使用问题。时至今日，仍然有少数客服中心的EXCEL版本停留在2003版。对于除了EXCEL之外的其它更加高效便捷的诸如SPSS、JMP、R、SAS、Tableau、Power BI等数据分析与挖掘工具了解很少。而即便在功能已经非常强大的EXCEL面前，大多数人也仍然只是会用最基本的几个功能而已。

总之，客服中心的数据运营前景光明，但仍需打好基础，紧扣运营，次第提升。

徐生海：佰聆数据股份有限公司产品与解决方案中心高级经理

数据运营包含了两个层面，一是指数据化的运营，是企业从“业务驱动”转向“数据驱动”过程中的一种运营方式，主要是将数据分析融入到企业运营流程和决策之中；另一种是运营数据，将数据作为运营的对象，通过对数据的分析挖掘，把隐藏在海量数据中的信息作为商品供数据的消费者使用，并围绕数据建立起对应的业务模式。围绕这两种形式，企业在进行数据运营的时候需要关注以下几点：

第一、数据运营首先是一种思维方式，传统的运营是基于业务确定性和因果关系这个前提下制定的，按照既有的标准和流程去运营，但在大数据时代，这种局限性也越来越大，最主要的体现是不确定性无处不在，我们需要用不确定性的眼光来看待业务，再用数据来消除不确定的问题。

第二、数据运营的工作重点是要建立一套适用于自身的运营数据的分析框架，在这个框架中以目标为导向，按照企业的发展阶段和工作重点分别建立适用的分析场景和运营分析主题应以支撑运营管理决策、带动业务拓展、提升服务水平。

第三、数据运营需要关注前沿技术的发展，为运营体系创新发展注入新的驱动力，例如在客服中心最有价值的数据是客户的会话内容数据，如何从这些内容中提炼价值，来驱动企业各个部门的运营改善，就需要充分的了解和运用NLP相关技术。

第四、数据运营需要从数据中形成决策，而真正的决策往往是在某些条件的限制下同时对多个选项进行确定，这就不仅是一个数据应用的问题，还是一个运筹学或是规划的问题。

刘海生：环信大学负责人

随着移动互联网时代的到来，大数据技术、人工智能技术广泛应用到客户服务领域，企业应对客服请求渠道杂、效率低等痛点已经得到了相应的改善。企业的客服也从过去的一对一、实时沟通模式，升级成为一对多、异步沟通的服务形式，不仅可以一个平台接待全渠道客户（网页、APP、微信、微博、H5、呼叫中心、邮件、工单等等）发起的客服请求，通过客服智能机器人的接入更是成倍的提高了工作效率，节约大量的客服成本。

智能客户服务中心的运营管理主要从以下三个方面着手：

其一，客服团队管理方面：客服流动率（行业25%）、客户咨询率（行业5%）、咨询接通率（行业98%）、客服实际工作率（行业92%）这几个是核心数字化指标，首先保证客服可以在岗位上开心、持久的工作，并且不断提高自己的技能获得更好的发展空间。然后是整体业务的健康发展，保证客户的咨询数量，客户发起的咨询请求能够及时有效的被客服接起。总之，客服经理需要密切关注以上几个核心指标，以便打造一支稳定、高效、优质的智能客服团队。

其二，客服业务管理方面：客服平均日接待量（行业200次/天）、平均会话时间（行业8.5分钟）、平均会话消息条数（行业17-25条）、客服最大接待量设置（行业10个）、会话消息比（行业7：7：1）、咨询转接率（行业3%）、客户排队时间（行业150秒）、时候处理时间（行业60秒）是关键指标。其中主要以工作量、消息数量、同时接待的会话数量以及客户排队数据为主。

其三，客服质量管理方面：客服首次响应时间（行业20秒）、平均响应时间（行业30秒）、咨询好评率（行业97%）、质检合理率（行业95%）、满意度评价参评率（行业50%）、质检率（行业30%）、一次性问题解决率（行业85%）这几个核心数据。恰当控制客服首响、平响时间非常重要。

总体来说，新一代智能客户中心的运营需要我们共同努力，不断摸索最佳实践，共享运营管理方面的经验，我们抛砖引玉希望能有更科学更有效的管理方法总结出来，分享给所有新一代智能客服先驱者。

本文刊载于《客户世界》2018年7月刊。