數據分析雜談——巧用分析方法

　　作者：高威 來源：客戶世界

　　隨著客服中心的規范化、精細化管理成為行業發展方向，數據分析在運營管理及決策支撐中扮演了越來越重要的角色，很多客服中心認識到廣西數據分析的重要性并積極開始追求各種復雜數據分析技術的應用，但效果往往不佳。其實，筆者認為就國內客服中心運營管理的發展狀態而言，能夠熟練運用基礎的數據分析方法就能夠解決運營管理中的大部分問題。分析方法的優劣不在于數學復雜度或者理論高度，而應該注意的是能否科學有效地達到分析目的。

　　說到分析工具的選擇，筆者認為有兩點原則需要分析人員注意。第一條原則是選擇能夠達到分析效果的最簡單工具，第二條原則是選擇最能夠清晰展現分析結果的工具。在目前服務運營分析中出現最多的工具就是Excel，Excel的好處是操作簡單，不像SAS、MATLAB需要輸入代碼命令，對于沒有統計分析基礎的人來說使用Excel是再好不過的選擇。但這是有前提的，就是數據分析人員必須對業務有深刻的了解，因為數據是屬于業務的，一個不了解業務的分析人員分析出來的結果往往會偏離現實，不會對管理層的決策與執行層的實施起到任何幫助。下面就介紹一些利用Excel就可以實現的簡單有效的數據分析方法。

　　1、對比分析法

　　對比分析是客服中心運營分析中運用最多的基礎方法，對比分析適用于指標間的橫縱向比較、時間序列的比較分析、不同業務或不同人員的比較。

　　舉個例子，拿中國移動某省客服中心接通率數據來看，從時間的維度上分析，我們可以看到品牌A、品牌B與品牌C三個品牌之間接通率隨時間的變化趨勢，了解在此期間哪個品牌的接通率相對較高，趨勢比較穩定。再例如我們分析各品牌話務量情況，首先可以從單一品牌做分析(如圖1)，各年份話務量基本保持在一致的水平上，但2009年11月份與12月份相對于其他年份話務量明顯過高，這可能是由于某些突發事件導致。其次還可以從某一時間點上做分析(如圖2)，整體上來看，2011年的話務量相對于前兩個年份顯著降低了很多，這就需要進一步挖掘原因了，一方面可能是已經有一部分客戶流失，需要我們找出客戶流失的原因并馬上制定出客戶挽留計劃，防止客戶繼續流失;另一方面就是我們在日常運營時通過有效的方法對話務做分流處理，緩解了一線的話務壓力。

　　2、帕累托分析法

　　帕累托法則又稱20/80定律、最省力法則、不平衡原則，指的是原因和結果、投入和產出、努力和報酬之間本來存在著無法解釋的不平衡。一般來說，投入和努力可以分為兩種不同的類型：多數，它們只能造成少許的影響;少數，它們造成主要的、重大的影響。比如對一個公司來講，80%的利潤常常來自于20%最暢銷的產品;80%的利潤來自于最忠誠的20%客戶;80%的收獲往往來自于20%的時間或投入，而其他80%的投入只產生了20%的收益。所以經典的商業理論都是提醒大家找到那最有效的20%的熱銷產品、渠道或者銷售人員，在最有效的20%上投入更多努力，盡量減少浪費在80%低效的地方。

　　例如各項業務的投訴情況(如圖3)，前五項業務類型的投訴量占總體投訴的80%以上，我們只需要重點關注這前五項業務類型，及時有效地降低其投訴量，這樣就能夠在整體上降低整體投訴，提高日常運營水平。帕累托分析適用于找出數據中的主要影響量，可以用于研究哪些業務或哪些客戶群體創造了大部分的貢獻或者投訴等。

　　3、周期性分析

　　周期性分析是觀察某個變量隨著時間變化而呈現出某種周期變化趨勢，周期性趨勢相對較長的有年度周期性趨勢、季節性周期趨勢，相對較短的一般有月度周期性趨勢、周度周期性趨勢，甚至更短的天、小時周期性趨勢。

　　一般情況下客服中心話務量數據受到眾多因素影響，例如客戶群體增長、新科技影響、營銷活動或事件影響等，當然還有很重要的一個影響因素——周期因素。在此除去其他因素影響，單純對話務量數據進行周期性分析會有怎樣的結果?觀察一個月中每天話務量的整體趨勢，這樣我們就可以發現每天的話務規律(如圖4)，從零點開始到六點的這段時間里話務量是驟減的，在之后的時間一直到中午12點話務量持續增長，在12點至23點之間話務量保持在一定水平。這樣我們就知道了客戶一般都在什么時間撥打電話，從而掌握了客戶的撥打習慣。這對日常的話務預測起到不可忽視的參考價值(如圖5)，我們可以通過客戶以往的撥打數據預測出下一期的撥打情況，同時對后續的排班也有很大的幫助，做到人員的充分利用和成本的有效降低。

　　注意：話務量變化是一個多因素影響的過程，這里的例子是在排除其他因素的理想化狀態下分析周期性的影響，準確的話務量預測需要在此基礎上加入客戶群體增長、營銷活動甚至氣候等因素進行綜合考慮。

　　周期性分析除了用于話務預測也可以用于日常運營數據的分析，能夠從指標的周期性變化中發現管理上或人員服務質量上的問題。例如通過大量數據的周期性分析能夠發現，一般情況下溫度過高或過低都會對質檢人員的打分尺度產生影響。

　　4、相關性分析

　　相關性是指兩個指標或變量之間的聯動關系，典型的表現是一個變量會隨著另一個變量變化。相關又分成正相關和負相關兩種情況，一般我們用相關系數作為衡量兩個因素之間關聯程度的指標，相關系數的絕對值越大說明兩個因素之間關聯程度越高;反之，關聯程度越低。

　　在做相關性分析的時候，我們一般會用到散點圖(如圖6)，當所有的點都集中在某條趨勢線附近的時候我們就認為變量之間是相關的。集中程度越高則相關性就越高;如果是毫無規律，則認為其沒有相關性。相關性分析可以用于客服中心指標間的關聯分析，平衡質量指標與效率指標之間的變化關系，例如找出與客服人員服務質量關聯性較強的指標、研究客戶投訴與哪些服務質量指標有正相關的關系等。

　　其實在日常的工作中我們不僅僅會用到對比分析、帕累托分析、周期性分析、相關性分析，還會用到回歸分析、結構分析等方法，最重要的是我們應該選擇簡單有效的分析方法，能夠達到我們預期的分析目標、解決實際工作中遇到的問題，這就足夠了。再有還想重申一下，衡量一個優秀的數據分析人員不在于他會多少這樣那樣的分析方法、能夠用到多么高深的數學理論，而在于他是否能夠有最簡單的方法揭示出最深層次的問題。最后希望這篇文章能夠帶給讀者或多或少的幫助，隨時歡迎就某些相關問題與筆者進行討論。

　　本文刊載于《客戶世界》2012年6月刊;作者單位為北京鵜鶘信息咨詢有限公司。