隨著互聯網、移動互聯網技術的迅猛發展，以及業務特性復雜程度的日趨加深，單一服務渠道很難及時解決客戶的問題，越來越多的客戶習慣于通過多個渠道獲取服務。

　　面對著客戶行為習慣發生的改變，整個客戶服務體系的建設導向、及建設內容也在發生改變。本文將從“服務、數據、產品”三個方面，詳細闡述新形勢下客戶服務體系建設的新思考。

　　三、 新思考：由“大服務”到“大數據”，深挖數據價值、實現數據變現

　　近幾年來“大數據”一詞的熱度有目共睹，各行各業也都在根據自身特點和需求不斷探索符合不同行業特性的大數據應用場景。

　　呼叫中心作為連接企業和企業用戶的溝通樞紐，其在日常運營中也會獲取、使用、或者是產生大量的數據。雖然從數據的“量級”來看，呼叫中心的運營數據規模相對有限，然而對于呼叫中心自身的運營管理，乃至于企業來講這部分數據的價值卻是“無可限量”的。

　　以下，將以“運營可視、管理可控、數據可用”作為主線條，對呼叫中心的大數據應用進行詳細闡述。

　　數據可用是指：整合多渠道服務生產數據，建設運營指標庫和用戶標簽庫，實現“數據變現”。按照數據變現后的作用方向不同，數據可用包括：

　　以下，將分別打開、詳細說明。

　　精準營銷是指：借助大數據分析技術，提升呼入/外呼營銷成功率，推動呼叫中心由成本中心向利潤中心轉型。

　　精準營銷解決方案整體視圖見下：

　　“精準營銷”大數據挖掘分析閉環實施“八步曲”如下：

　　以下，將通過：流量包營銷、手機套餐營銷、手機終端營銷三個明細應用場景，對“八步曲”進行詳細打開說明。

　�、� 核心內容

　　A. 營銷產品:4G飛享及組合套餐（中國移動）。

序號	套餐名稱
1	飛享38元
2	飛享48元
3	飛享58元
4	飛享88元
5	飛享138元
6	飛享158元
7	飛享238元
8	飛享268元
9	飛享338元
10	飛享588元
11	自選組合58
12	自選組合88
13	自選組合128
14	自選組合158
15	自選組合188
16	自選組合298
17	自選組合418
18	自選組合608

　　B.營銷方法：呼入營銷-是指利用呼叫中心服務團隊與用戶直接接觸溝通的過程，分析用戶需求、引導用戶心理，采用有效的營銷及溝通技巧向目標用戶進行產品推介，從而最終形成產品銷售的營銷模式。

　　C. 核心內容：通過現場調研，分析鎖定影響呼入營銷成功率的因素，將作為后期建模及開展其它優化措施的業務信息輸入。

　　經過現場調研，分析鎖定影響呼入營銷成功率的因素有：

　　A. 數據的精準性

　　須通過大數據分析模型的交付落地，實現目標用戶精準定位，包括：向誰營銷、營銷什么、何時營銷，在提升呼入營銷成功率的同時，確保用戶滿意度。數據挖掘分析方法詳見本小節以下內容。

　　B.平臺的易用性

　　須對系統平臺上呼入營銷功能模塊進行優化改造（包括：營銷前、營銷中、營銷后的核心功能優化），通過提高系統平臺的易用性，最終確保并不斷提升呼入營銷成功率。關于系統功能優化的具體內容，詳見本書第五章《呼叫中心系統平臺智能化應用》。

　　C.運營的導向性

　　通過運營的導向性作用，在提升呼入營銷成功率的同時確保用戶滿意度。關于運營管理的細節性內容，詳見本書第二章《呼叫中心精細化運營管理體系》。

　　建立”數據漏斗“并完成專業分析，鎖定影響呼入營銷成功率的因素，將作為后期建模及開展其它優化措施的數據信息輸入。

　　A.建立數據漏斗

　　B. 完成專業分析

　　模型分析導入的用戶數量理論上可以為全網全量用戶。

　　經過數據統計分析，XX省運營商全網共計XXXX萬用戶，其中大約有XXXX萬用戶月均流量在5M以下，這些用戶中有78%為神州行套餐，不適合推薦4G飛享及組合套餐。如下圖所示（示例）：

　　經過對XX省運營商所有資費套餐的業務規則進行分析，在剔除XXXX萬用戶后，剩余的XXXX萬用戶中大約有XXX萬仍不能作為4G飛享及組合套餐推薦的目標用戶。比如：IP資費、學生卡資費、兒童套餐、家園套餐等不作為目標推薦群，也即資費套餐表格中product_status<>1的用戶。如下圖所示（示例）：

　　將通過調整”總費變化率“和”月租變化率“，控制模型分析給出的目標用戶數量。也即通過閾值篩選，選擇同時能夠兼顧公司營收和用戶滿意的用戶群進行推薦，其它則不推薦。比如：選擇總費變化率在60%到150%之間的用戶，同時選擇月租變化率在100%到200%之間的用戶作為最終的目標推薦用戶，如下圖所示（示例）。

　　預估模型分析給出的目標推薦用戶數量XXX萬，但真正呼入人工服務渠道的數量僅為XX萬，占比:15%。

　　為避免分析結果的”數據浪費“，可將模型分析給出的目標推薦用戶數據同步應用于其它服務渠道（IVR、網廳、APP、微博、微信、在線客服等）的精準營銷。

　　呼入人工服務渠道的用戶數量XX萬，但預估呼入營銷界面彈窗的數量僅為X萬，占比:27%，原因主要是彈窗規則限制導致。

　　為此，可采取如下策略：

　　--優化彈窗規則，適時調整資費套餐彈窗優先級。分析4G飛享及組合套餐的業務規則，可在每月20日之后將資費套餐推薦的彈窗優先級調整到最高，1日-20日之間則恢復原有等級。

　　--在系統后臺設置彈窗優先級調整操作功能，呼叫中心的管理人員可手動調整不同業務/產品的彈窗優先級（具體的功能模塊及功能說明，詳見本書第五章《呼叫中心系統平臺智能化應用》）。

　　目標用戶在精準營銷界面彈窗的數量X萬，但預估客服人員主動開展營銷的數量僅為XXXX個，占比:9%。

　　為此，須通過運營的導向性提升客服人員開展呼入營銷的積極性、技能性和規范性。同時，還須不斷提升系統平臺的易用性，逐步優化”呼入營銷彈窗“窗口界面，彈窗窗口界面須做到：一屏展示、簡潔有效、信息整合（具體的功能模塊及功能說明，詳見本書第五章《呼叫中心系統平臺智能化應用》）。

　　預估數據分析模型正式上線后，呼入人工服務渠道的客服人員主動開展營銷的數量XXXX個，營銷成功數量XXXX個，營銷成功率為XX%

　　數據準備

　�、� 核心內容

　　模型正式建立前的數據準備工作具體包括：

　�、� 方法策略

　　A. 鎖定候選用戶

　　候選用戶=全網用戶-月均流量5M以下的用戶-IP資費、學生卡資費、兒童套餐、家園套餐等不作為目標推薦群的用戶

　　B.基礎信息導入

　　收集整理候選用戶近三個月的基本信息，包括：

　　C. 構建套餐維表

　　構建4G飛享和組合資費套餐維表，示例見下：

　　序號 套餐名稱 套餐月租費用（元） 套餐內流量（M） 套餐內語音（M） 套餐外流量單價（元） 套餐外語音單價（元）

序號	套餐名稱	套餐月租費用（元）	套餐內流量（M）	套餐內語音（M）	套餐外流量單價（元）	套餐外語音單價（元）
1	飛享38元	38	300	50	0.29	0.25
2	飛享48元	48	500	50	0.29	0.25
3	飛享58元	58	500	100	0.29	0.19
4	飛享88元	88	700	220	0.29	0.19
5	飛享138元	138	1024	500	0.29	0.19
6	飛享158元	158	2048	500	0.29	0.19
7	飛享238元	238	2048	1000	0.29	0.19
8	飛享268元	268	3072	1000	0.29	0.19
9	飛享338元	338	3072	2000	0.29	0.19
10	飛享588元	588	6144	4000	0.29	0.19
11	自選組合58	58	150	150	0.29	0.19
12	自選組合88	88	300	350	0.29	0.19
13	自選組合128	128	600	650	0.29	0.19
14	自選組合158	158	600	900	0.29	0.19
15	自選組合188	188	3072	500	0.29	0.19
16	自選組合298	298	4096	1000	0.29	0.19
17	自選組合418	418	6144	2000	0.29	0.19
18	自選組合608	608	11264	3000	0.29	0.19

　　D. 數據清洗

　　高質量的數據是數據分析的前提和可靠分析結論的保障。將通過數據挖掘工具中的”數據審核“功能，對數據的取值異常程度以及缺失情況等進行綜合評價，并對其進行適當調整和填補，具體操作方法同”流量包營銷-數據清洗“環節。

　　E. 算法選取

　　根據業務理解和數據理解的綜合分析結果，選取笛卡爾積算法進行建模。

　　【未完待續】

　　王丹丹

　　2020年9月

　　13910330350

　　Dece1118@126.com