客户服务中心员工画像

客户世界 | 2018年8月26日 | 2018年, 客世原创 | 评论已关闭 | 12142

上期客户服务中心精益数据分析系列连载介绍了一款应用简便、配置灵活、最小颗粒度管理的EXCEL版员工数据指标异动监控管理工具，在员工数据异动的基础上还应当结合多个数据指标的异常、结合人员管理的普适思路，以数据模型的方式判断员工所处的工作状态，进而实施针对性的管理动作，这种管理应用方式即客户服务中心员工画像。

在正式介绍员工画像的操作流程之前请先通过三个问题进一步了解员工画像技术。

1、为什么客户服务中心需要员工画像？

客户服务中心的业绩是依靠班组长与广大座席员日复一日的努力工作得来的，在高强度的情感劳作下员工们非常需要关心与帮助，然而客户服务中心的管理高度扁平化，管理者也普遍年轻，难以注意到每一个员工的心态和状态的起伏变化，所以非常需要借助员工画像技术来了解员工的情况，从而针对性地进行帮扶与管理。

2、客户服务中心开展员工画像的可能性？

客户服务中心是一个高度信息化的行业，员工普遍使用信息系统开展工作，具有海量的基础数据留存。员工的心态、情绪变化必然会影响数据指标的达成情况，因此才有可能通过数据指标的变化、借助科学合理的数据模型反向推导员工所处的发展阶段与工作状态。

3、客户服务中心员工画像的种类有哪些？

从客户服务中心管理实操的角度出发，在员工的成长期、成熟期、倦怠期有着不同的管理侧重点，那么围绕不同时期的管理侧重点，数据驱动力——客服中心精益数据分析项目创建了三种员工画像模型，分别是成长期的员工发展潜力评测模型、成熟期的员工敬业度评测模型、倦怠期的员工离职预警评测模型（如图1）。

图1员工画像的分类

首先，员工成长期的发展潜力评测模型是依据最近半年入职员工的等职龄员工成绩构建样本库，用评测员工成绩在样本库基础上进行正态评分，从而了解到该员工在最近半年所有新人中的成绩水平，依据最终评测得分可以把员工分为“好苗子”、“中坚层”、“不适岗”三类，并且针对性地执行管理动作。

其次，员工成熟期的敬业度评测模型是结合员工在绩效考核重点上的绩效成绩与绩效考核薄弱点上的敬业程度——绩效稳定性进行交叉分析。

图2员工敬业度评测模型

如图2所示，通过绩效成绩、敬业程度指标将员工区分为四个象限，即“储备干部”、“老油条”、“偷奸耍滑”、“没开窍”四类人群，然后针对性地开展管理帮扶。比如对于“老油条”类型的员工可以敲打提示，从他们身上挖掘投机取巧的办法，从而进一步堵住绩效考核的漏洞。对于“没开窍”的员工可以让班组长介入辅导，帮助他们快速成长。

最后，员工倦怠期的离职预警评测模型是以既往离职员工在离职前的数据表现为基准，用数学建模的方式预测哪些员工具有离职倾向，从而在员工正式提出离职前进行干预与管理以降低人员流失率。相反，若没有离职预警评测模型，管理者只能在员工正式提交离职申请后进行挽留，其管理效果相差很大。

发展潜力评测模型、敬业度评测模型、离职预警评测模型这三者共同构建了八类员工画像，即便客户服务中心员工众多，但从管理角度而言千人八面的员工画像已经可以满足日常管理需要。当然，数据模型只是根据管理需要筛选出特定类型的员工，最终还应当建立并完善针对每一类员工可以实操落地的管理帮扶办法，并且利用教练技术让基层班组长、主管熟练掌握并灵活应用，从而真正打通管理微循环，通过每一名员工的绩效成长来促使客户服务中心整体业绩快速提升。

在过往的管理咨询项目中笔者也积累了一些利用员工画像开展管理的经验技巧，不过数据驱动力——客服中心精益数据分析系列连载更多关注在数据领域，在本文接下来的篇幅里将为读者详细阐述离职预警评测模型的操作流程。

离职预警评测模型对于基础数据留存以及数据加工处理的速度、深度要求较高，需要具备一定的EXCEL工具开发经验。如图3所示，其操作流程共分为六个环节：

1、按照周维度整理全量数据指标

任何数据模型都需要结构清晰、保存完整的基础数据，在准备离职预警评测模型所需要的数据时要注意把离职人员的历史数据一并纳入，这是该数据模型的重要参考。在指标选择上不能仅包含客户服务中心的绩效考核指标，而是应当把所有能够采集到的数据指标均纳入表格。如果有些数据指标是经过聚合的复合型指标，还需要将聚合前的基础指标一并纳入。只有广泛采集数据，才可能最大化地发现并利用在员工离职前会出现衰减、变化的数据。

2、为离职人员数据打“周标签”

离职预警评测模型需要在周维度上进行数据加工，在整理好的周数据上需要为离职人员离职前的数据打上“周标签”，打标签时根据员工的离职日期倒推，在数据表格里标示这是在离职前多少周发生的数据指标。比如员工若是在8月10日离职，那么8月2日至8月9日的数据就是离职前一周的数据指标，以此类推，为所有数据打上离职职龄的“周标签”。

3、剔除数据指标波动

一般情况下在员工离职前很多需要付出巨大努力的服务型指标会出现下滑，如客户满意度、接听量；而更多依靠职业习惯的技能型指标不会出现下滑，如回答准确率、首次来电解决率。然而服务型指标往往会受到外部因素影响从而严重影响离职预警的质量，比如若因产品或流程异常导致客户满意度集体下滑，同时总体来电量减少导致人均接听量下降，这并不意味着很多员工都要离职，所以还需要剔除外部因素导致的数据指标波动才能找到真正出现数据指标下滑的员工。

在剔除数据指标波动的过程中不能依靠人为经验判断，因为外部因素对海量数据指标的影响是无处不在的，人为判断极易判断失误或者遗漏，需要使用科学的数据算法加以评判，比如使用正态分布评分法将数据指标的原始值调整为依据员工个人数值与全员分布形态共同决定的正态评分（即累计正态分布率），从而用个人在全员中的正态评分来过滤掉外部因素的影响。

4、检查哪些指标会在离职前出现下滑

在使用正态评分剔除数据指标波动后就可以汇总全体离职员工在离职之前的工作表现了。

图4离职员工离职前工作表现

如图4所示，本例罗列了某客户服务中心员工离职前8周及其他时期各项数据指标的表现，并且用红色标示了离职前出现下滑的数据指标。需要说明一下，这里的分数是经过正态评分转化的，并非各项数据指标的原始数值。

可以看到多项数据指标在离职前出现了变化，但发生数据变化的起点并不一样，这和员工在离职前的心态渐变有直接关系。在本案中员工在离职前五周话后处理时长就会出现下滑，这可以看做是最早期的离职预警指标，另外员工在离职前三周质检成绩出现下滑，在离职前两周值机率、不满意率会出现下滑，而用餐时长、接听量指标的变化并不明显。

5、假设检验，确认指标的预测价值

在了解哪些数据指标可能在员工离职前出现变化之后还应该进一步检验该指标异常后的离职率，规避某些数据指标的不稳定现象，最大限度地提升离职预警评测的准确率。比如在离职前员工请假的次数必然会有所上升，但若在请假管理比较严格的客户服务中心中短期密集病假的员工相比于短期密集事假的员工其离职风险肯定要小一些，因为人吃五谷杂粮总会有头疼脑热，所以病假之后离职的概率并不会很高，然而短期密集事假很可能是已经在找工作了，其离职风险相对较大，所以说短期密集事假的预测价值就会更高一些。

6、构建数据模型

经过前面五个环节，在充分了解员工离职前的数据变化之后就可以构建离职预警评测的数据模型了。