客户服务大数据运营管理.docx

客户服务大数据运营管理
一、前言
​ 对于客户服务中心而言,客户服务涉及企业服务的众多客户，加之为其提供服务的企业组织内部众多部门，客户服务将产生大量的数据，如何能够对于这些数据采集、存储并加以深入分析利用将是进行及时、有效的客户服务的关键。对于供电企业客户服务所拥有的大数据,通过挖掘分析处理，充分发掘客户服务数据的价值，为供电企业提升客户服务、创新运营管理和电网投资规划建设提供数据支撑。
二、客户服务数据在整个企业层面上有什么价值
1、客户服务数据有什么数据
1）客户数据。
客户数据主要分为描述类数据、行为类数据和关联类数据三种类型。
（1）档案类数据。包括客户的基本属性的信息，如个人客户的联系信息、地理信息和人口统计信息,企业客户的社会经济统计信息等。
（2）客户的行为类数据。包括客户业扩报装的记录、用电记录、服务记录、联络记录以及客户的消费行为，客户偏好等。
（3)关联类数据。包括客户满意度、客户忠诚度、客户对用电与服务的偏好或态度等等.
2）运营管理数据.
（1）业务流程数据.包括业扩报装、用电检查、客户服务等处理过程数据。
（2）管理数据。包括考勤、绩效、培训等管理行为数据。
（3）员工行为数据。包括员工的操作记录、奖励/惩罚记录、音视频监控记录的数据等。
2、客户服务数据的价值
客户服务数据的分析与发掘分为两个方面，一方面是对运营数据的分析,一方面是对客户数据的分析与挖掘。以往我们都是割裂的分析这两个数据，运营仅仅为了解决效率，看员工行为及流程;而客户分析仅仅是运用营销学中对客户的分析方法进行分析，这在“客户服务数据运营总揽"中表现在只看左边绩效管理或者只看右边的服务与营销管理上。在运营与客户数据单独分析的基础上，更多的是交叉、综合性分析.只有充分了解了客户的行为，才会根据客户行为针对性调整各渠道的发展战略及运营；而只有了解到运营管理面临的挑战,才能有意识的去培养客户行为,对客户行为进行良性引导,既降低企业运营成本,又能提升客户体验。集客户管理、服务与营销管理、多渠道整合管理于一身的客户数据运营管理中心，才能真正实现企业的战略决策以客户为导向。
客户服务数据运营总揽
在供电企业,客户服务数据的价值主要体现在以下三个方面：
（1） 提升客户服务
我们能够总结出客户在企业各触点的行为规律及轨迹，不仅仅盯在消费规律上，这样使得我们对客户行为具有一定的预见性，形成洞察力。这种洞察力会加强我们对客户体验的管理，找到提升体验的关键环节；也有利于我们去全面挖掘客户价值；同时也可以谈到对客户行为的管理.因为我们对我们的客户了解的足够全面,了解的层面足够深入。
（2） 内部运营管理
各个接触点的管理是提升客户体验的重要环节;客户的行为规律让我们找到恰当的渠道为恰当的客户提供恰当的服务。运营管理已经不仅仅是提升单一渠道的效率和质量，而是对整体渠道进行有机规划,互动配合的运营管理,达到各渠道全面提升.运营配套的系统支撑、知识库支撑等，也会因为对客户行为的充分理解，充分的体现客户导向。以前我们不知道什么是客户语言，而现在我们知道我说什么话客户会满意，我这样描述产品客户会不舒服.这些变化不再仅仅是凭借感觉，而是在强大的客户行为分析的基础上形成的.也正是对客户行为的洞察,使得我们必须对渠道进行全盘操作,让客户体验到真正畅通无阻的与企业进行沟通,享受一致的承诺一致的品质。
(3）支撑电网建设。
电能和电网分别作为供电服务的产品和传输载体，其质量好坏或存在的问题直接影响客户对电网质量感知，并通过客户服务的渠道反馈回电力企业.监测分析客服中心的客户来电、受理内容、各省(市）公司所发布的停电信息等数据，洞察客户感知，可以有效发现突发性区域停电事件、长期频繁停电区域等电网质量问题，为平衡电网投资和规划，调整投资优先级和投资力度，和内部管理提升提供决策支持.
三、数据挖掘分析的过程
行业数据挖掘分析普遍采用CRISP—DM方法论.CRISP-DM将一个数据挖掘项目的生命周期定义为六个阶段：业务理解（也称为商业理解）、数据理解、数据准备、建立模型、模型评估、模型发布。
1.业务理解：从业务的角度理解项目目标和需求，然后将这种需求转换成一种数据挖掘的问题定义，并设计出达到目标的一个初步计划.
2。数据理解:收集初始数据，识别数据的质量问题，找到对数据的基本观察、或假设隐含的信息来监测出感兴趣的数据子集.
3。数据准备：对可用的原始数据进行一系列的组织以及清洗,使之达到建模需求。
4。建立模型：选择各种建模技术，并将其参数校正到优化值.常常要退回到数据准备阶段。
5。模型评估：对建立的模型进行评估，重点具体考虑得出的结果是否符合第一步的商业目的。
6。模型发布：将发现的结果进行总结与应用。
四、数据分析处理的主要工作
首先,是数据仓库或数据集市的建立，对数据进行预处理。数据分析处理以企业经营管理需求为基础，根据不同分析主题，从企业许多来自不同的运作系统的数据中提取出有用的数据,以保证数据的正确性，然后经过抽取、转换和装载，即ETL过程，合并到一个企业级的数据仓库里,得到企业数据的一个全局视图。
其次，是联机分析处理和数据挖掘,进而将数据转化为信息和知识。联机分析处理是在数据仓库的基础上，对商业问题进行建模和数据进行多维分析。而数据挖掘通过分析每个数据，从大量数据中寻找其规律的技术.即使用诸如神经网络、规则归纳等技术，用来发现数据间的联系，做出基于数据的推断.通过联机分析处理和数据挖掘,决策人员和高层管理能从多维角度准确掌控企业的经营状况和了解不同数据之间的相关关系，以便制定正确的决策。
最后，是知识结论的可视化展示，实现知识向智慧转变。通过借助信息化系统，以简单、丰富和直观的形式，将查询报表、统计分析、多维联机分析和数据发掘的结论展现企业管理者和决策者的面前.而随着管理者对知识的不断积累和更新，会进一步将知识转化为企业管理者的智慧。
五、数据分析团队组织和管理
数据分析团队负责开展数据采集、数据处理、数据管理和数据综合分析等工作。分析专家做的是预测建模、数据挖掘以及其他一些高级分析工作，而不是像定制报表和电子表格这样程序化的工作。他们解决问题的环境，使用的方法，甚至需要参加的各类培训都有很大的不同.因此在数据分析团队建设和组织管理上有其非常特殊的要求。
1、数据分析团队建设
（一)合理组建数据分析团队。整合客服中心人才资源,组建数据分析团队，负责开展数据采集、数据处理、数据管理和数据综合分析等工作。
（二）强调共同价值体现.数据分析团队成员在目标、达到这些目标的路径和所需的合作上要努力达成一致，这样可以增强团队的认同感。强调数据分析团队的整体利益,确定共同的目标,鼓励分析团队共享信息和思想，互相帮助实现共同目标.
(三)引入过程分析会议。过程分析会议是数据分析团队内部充分讨论的平台,通过过程分析会议，增强彼此的沟通，要求每个数据分析人员都提出实现共同目标的方法、思路.
（四)鼓励和促进团队内部相互交流。提供数据分析团队的定期交流机会，鼓励每个数据分析人员在完成某个大数据挖掘分析课题后,进行充分的交流与总结,增强数据分析团队能力与水平，提炼数据分析经验。
（五）公开数据挖掘分析成果形成激励。及时将数据分析分析团队的应用情况向办内发布,使数据分析分析团队成员增强使感.
2、团队组织建设
（一)为分析团队树立榜样。要让数据分析团队发挥作用，首先是要在团队中突出一个或多个优秀的团队成员,成为数据分析团队成员的表率,将优良的工作作风带入团队中，影响团队中的每一位成员。
（二)传授经验培养团队精英。要在数据分析团队中做好培训、培养工作,把数据分析思路的形成方法传授给团队成员，团队组织要培养团队精英，发挥团队精英的作用，成为团队的主力。
（三)灵活授权。随着数据分析团队的逐渐形成与发展，团队组织要通过合理授权让团队成员分担责任，使团队成员更多的参与团队工作中，允许团队成员灵活的开展工作，给予团队成员信任，让他们更积极的为开展挖掘数据价值服务，也给予团队成员学习与成长空间，实现团队成员自我价值的体现。
（四)发挥团队凝聚力.数据分析团队的凝聚力是团队精神的体现，高凝聚力会带来高绩效。团队组织要让团队成员形成共同目标,并且增强团队的融合度,形成高昂的团队士气，提高团队绩效.
（五）形成有效的团队指挥。数据分析团队的成员在工作不可避免的会出现各种无法应付的问题，团队组织的管理者，最重要的职责就是做好指挥工作，要和团队成员形成良好的沟通，及时了解团队成员面临的问题，团队管理者通过个人的工作经验、阅历，以及与相关部门或上级的沟通给出良好的解决方案，处理好团队工作问题。