大數據支撐下的客戶服務應用探索

中國聯通上海市分公司 上海 200050

引 言

隨著通信市場逐步細分化、業務的多樣化和全球化的發展，電信客戶需求逐漸個性化、多樣化，電信行業的競爭日趨激烈。

在傳統的服務中，當客戶對產品、業務使用不滿意時，通過投訴渠道表達自己的不滿;客服代表面臨客戶未知因素的來電困擾;公司內部面對客戶的投訴進行事后分析，實現對客戶投訴的原因進行診斷。這樣的服務形式過于傳統和被動，但隨著大數據處理技術的進步，通過對投訴文本分類梳理、對投訴客戶進行畫像，通過大數據對客戶服務的癥結進行深入分析以及通過大數據分析鎖定哪些用戶會來投訴，投訴的焦點又是什么，從而達到對未知客戶投訴風險的主動預警的功能。本文在目前上海聯通大服務建設體系下另辟新徑創新思路，著力將大數據的應用深耕在提升客戶服務領域。利用大數據技術實現對用戶的需求進行多方面的預判探索，挖掘用戶的個性化服務需求。此次用戶服務預判的需求對于運營商而言是一次創新，是對大數據應用的實踐，填補了中國聯通大數據在客戶服務應用方面的空白[1]。

如何在大數據時代環境下為企業開展提升服務的活動，利用數據信息來挖掘客戶的服務需求、提升客戶滿意度是對電信運營商新的挑戰。

1 大數據技術和挖掘方法

本節簡單介紹大數據挖掘的基本概念，并從運營商角度分析海量電信客戶數據的特征。

1.1 大數據的基本概念

大數據是指所涉及的資料量規模巨大到無法通過目前主流軟件工具，在合理時間內達到擷取、管理、處理，并整理成為幫助企業經營決策更積極目的的資訊。大數據是一個由數量巨大、結構復雜、類型眾多構成的數據集合，是一種基于云計算來進行數據處理和應用的模式;大數據也是通過數據的整合共享、交叉、復用，形成智力資本和知識服務能力，把數據變成一種智力來為我們服務，即數據資產變現[2]。

1.2 大數據挖掘主要分析方法

1.2.1 大數據挖掘核心分析方法

此應用借助大數據的挖掘能力，深挖數據間的邏輯關系，實現模型的構建。數據挖掘常見的分析方法有:分類分析、決策樹、神經網絡、關聯分析、聚類分析、層次分析、回歸分析、特征分析等[3]。利用特征分析，可以根據用戶特征，區分客戶群，建立模型;聚類可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等;回歸分析主要研究問題包括數據序列在時間上的趨勢特征，預測數據發展趨勢等。

1.2.2 大數據挖掘的基本過程和關鍵步驟

本文以業界最為通用的CRISP-DM(cross-industry standard process for data mining，跨行業數據挖掘過程標準)為模板建立數據挖掘流程運行體系。CRISPDM方法論為數據挖掘工程提供了一個完整的過程描述(見圖1)。該模型將一個數據挖掘過程分為包含商業理解、數據理解、數據準備、建立模型、模型評估、模型發布部署這6個不同的、但順序并非完全不變的階段。

圖1 數據挖掘整體流程

2 上海聯通客戶服務能力現狀及亮點

2014年是上海聯通的服務深化年, 以“標本兼治、創新突破”為原則，倡導“客戶至上 誠信經營”的服務文化;聚焦窗口服務難題，強力推進服務攻堅戰;推進服務前移，提升全渠道投訴處理能力，進而實現投申訴管控、即時承諾目標，提升客戶問題響應效率和解決質量。

2.1 能力現狀描述

信息整合的需求:目前客服坐席代表處理投訴使用多套系統，且各系統間信息不交互、不共享，坐席代表處理時間長、工作量大，因此，提出整合數據展現能力的需求，以提升工作效率。

效率提升的需求:客戶部門工作面臨的問題復雜，投訴率和二次投訴率偏高。目前客服部門應對日常的用戶咨詢、投訴問題主要以被動式服務服務為主，不能提前做好應對措施，解決問題效率偏低，導致用戶因處理緩慢造成二次投訴，每月重復投訴用戶占10%以上。同時，52%的用戶升級前與本地工單接觸在2件及以上。本地工單接觸6件以上用戶升級投訴率達4.4%(見圖2)。通過數據挖掘模型，我們找到投訴用戶、多次投訴用戶具有明顯的特征，用戶的投訴行為是可以預測的和控制的，通過進一步的分析與系統建設，可以實現事前攔截來抑制投訴的發生。

圖2 投訴客戶來電判斷關鍵點

為改變現狀，實現投、申訴管控和即時承諾的目標，必須提升客戶問題響應效率和解決質量。

2.2 研究亮點

利用大數據技術對用戶的需求進行多方面的預判探索，挖掘用戶的服務需求，此次對客戶來電預判的需求研究對于運營商而言是一次創新，是對大數據應用的實踐，上海聯通用戶服務需求預判平臺可以精準地預測到客戶投訴傾向，為客服部門進行針對性的產品營銷和服務關懷奠定了基礎[4]。

3 基于大數據挖掘的客戶服務能力提升解決方案

上海聯通大數據應用在客戶服務領域的探索，是上海聯通分公司充分利用傳統的數據能力結合新媒體數據信息、提高對數字化時代用戶需求多元、多變的適應能力而發起的數據應用項目。針對這些需求，搭建了上海聯通用戶服務需求預判平臺，對本地用戶需求加以針對性分析和大數據監測，通過先期預判發現用戶不滿，減少可能導致投訴行為發生的概率，形成推動用戶感知可持續提升，以及信任度、忠誠度同步提高。

項目的實施分別對兩個對象進行了研究。一個是針對上海聯通客服中心一線人員工作中的具體痛點，工作內容復雜，耗費時間長等問題，總結出整合各類系統有效信息輸出能力的方向。另一個是對投訴用戶的行為進行畫像，找到用戶投訴率偏高的問題，鎖定流量調費金額偏高等問題為方向。抓取整合了傳統結構化數據和微信微博新媒體、文本等非結構化數據，運用最前沿的大數據分析方法，開發了用戶服務需求預判管理平臺來服務一線客服代表，針對客服工作出現的各種場景做了數據分析和決策優化方案的能力。

3.1 應用平臺的技術實現方式

3.1.1 多元化數據源的整合

大數據應用的特點和優勢是拓展數據的體量和形式，突破傳統數據倉庫的局限，充分利用用戶的文本信息、語音、圖片、視頻、互聯網行為記錄等資料來源，勾勒出更為生動、清晰地反應用戶性格、心理訴求等更為豐富準確的信息，而這些信息與客戶服務工作息息相關，所以，將數據源的多元化整合，尤其是對非結構化數據的利用作為重點突破口，充分整合結構化數據、半結構化數據和非結構化數據[5]。

在數據采集過程中，我們突破了以往單一依賴結構化數據的局限，整合了本地的客服系統信息、Bss系統信息、本地數據倉庫標簽、總部數據倉庫標簽等多個數據資源，獲得了詳單級工單基本信息、工單流轉信息、服務請求信息、業務受理平臺信息、語音轉文本信息、新媒體(微博、微信、在線)客服信息、用戶的互聯網身份信息、互聯網搜索信息、互聯網行為信息、用戶的偏好、喜好類信息等(見圖3)。實現了駕馭非結構化數據的突破，力求大格局、多接口、多維度、大跨度地實現數據源整合與分析的突破創新。

圖3 數據分類

3.1.2 客戶需求預判模型組的建立

客戶服務工作是直接面向用戶的服務工作，直接面對瞬息萬變的用戶需要、爭議、訴求、情緒、建議等，十分復雜繁瑣，為了實現數據的整合價值，我們突破了以往單純重視用戶基本信息、用戶使用行為的分析方法，將分析視角拓展到情感、性格、交際圈、忍耐度等心理、社會視角，用更符合人類心理和行為復雜性的視角來揭示用戶，用戶與客服接觸、來電、投訴等一系列復雜的行為，可以使得分析模型更加貼近客服工作實際[6]。

經過對用戶的交際圈、忍受度、正面和負面的情感用詞情況、用戶使用的業務表象等多個視角分析，最終形成了五大預測模型(見圖4)來預測用戶的投訴行為，預測來電用戶的整體投訴風險度及可能投訴的風險點，結合流程梳理和系統整合的功能實現要求，從而有效提升處理效率、減少投訴[7]。

圖4 投訴預測模型(5類)

本項目綜合應用神經網絡、分類樹算法、logistic回歸、文本挖掘、SNA社交網絡分析等數據挖掘技術，來建立投訴預測模型，并結合每個分析視角與應用場景，給出用戶投訴的風險度、可能的投訴原因及相關場景。

1)交際圈模型。研究投訴用戶、升級投訴用戶的交際圈，及其“病毒”的傳播感染能力。用戶的語音通話交際圈代表用戶之間互相認識或者是朋友關系，尤其是月通話次數大于3次的交際圈，往往代表社會關系較為親密，有可能投訴行為會通過交際圈、朋友圈之間互相傳播(見圖5)。圖5中，紅點的用戶發生了升級投訴，可能會影響綠色的用戶(上海聯通用戶)，所以在社交網絡中離紅點比較近的用戶可能有更高的投訴風險，應該作為事前主動服務的重點用戶。通過社交群劃分的算法，我們可以把與社交群鏈接關系更為緊密的用戶找到，其中升級用戶較多的社交群應該多為重點關注的用戶。

圖5 交際圈

2)忍受度模型。研究用戶對相關事件的忍耐性，從而根據不同的忍耐性，分不同的優先級進行事件處理，整體提升客戶的滿意度。

通過數據分析發現，投訴的用戶都是優質用戶，但是對投訴的用戶不考慮其個性，采用同樣的處理流程和承諾期限，會造成個別用戶的極度不滿，從而引發一系列的重復投訴、升級投訴等更為嚴重的事件。

在投訴模型中考慮用戶的忍耐度，對投訴頻率、投訴時段、人工服務的間隔及服務類型、服務渠道、電子渠道服務等涉及用戶投訴忍受度的信息進行綜合分析。利用神經網絡、決策樹等挖掘方法對用戶的忍耐度進行綜合打分，并以此作為預測用戶投訴、二次投訴或升級投訴的依據之一。

3)情感分析模型。分析語音文本的情感用詞及相關的工單和回訪內容，獲取其文本中情感用詞、程度詞及其出現的頻率，進行綜合加權得分。用戶的情感可分為正向積極的情感和負面不滿的情感;如負面情感常常表現出憤怒、不滿、不認可、不聽解釋等行為，一般會有更大的投訴或者升級投訴傾向。情感打分的處理流程及關鍵工作如圖6。

4)業務表象模型。業務表象往往是引起用戶投訴的直接原因，分析用戶的套餐費用、套外費用以及業務的訂購情況結合用戶的使用情況、投訴情況，分析其可能投訴的業務表象。例如:單日形成高額套外流量費用可能引起用戶的資費爭議、流量爭議、異常停機等投訴;通話掉線頻繁可能因為信號方面的投訴，關注容易引起投訴的業務表象，是預測投訴的最重要模型之一(見圖7)，圖7顯示了套包外流量費及訂購流量包個數與投訴率的關系示例，能夠說明用戶的投訴跟套外費用及流量包個數有一定的關系。

圖6 情感分析

圖7 業務表象

5)內容敏感點模型。挖掘用戶投訴、咨詢的業務內容及其用戶在手廳、網廳的內容關注點，將其關注點、業務歸類等不同渠道獲取的信息進行業務關聯、業務歸納，形成用戶的業務敏感點。例如網絡質量敏感型用戶一般投訴或咨詢的內容有“網絡不好、上網速度慢、上不了網、無法使用，甚至無法收發短信、彩信”等也歸為網絡質量問題，通過投訴、咨詢等相關內容進行文本挖掘，結合訂購信息，進一步進行業務的歸類、整合，形成用戶的敏感點模型 。

3.1.3 文本分類識別模型的建立

目前，客戶部工作人員人工對投訴文本分類的工作量巨大，分類標準較為龐雜，工作人員負擔重，處理時間長的問題，利用文本挖掘方式實現對客戶投訴文本的自動化分類算法的功能，實現文本自動化分類技術，實現事件到問題的轉換，同時，變更分類，文本根據訓練結果可自動重新歸類，使業務數據得到有效沉淀(見圖8)。

圖8 投訴內容識別模型

探索文本的自動分類，可以根據業務需要進行多角度的分類。不僅可以直接運用于客服人員的日常工作中，優化工作流程，是實現自動化的診斷及處理流程的前提條件;而且可以在預測模型過程中發揮作用，例如文本的分類結果就是內容敏感點模型的基礎數據。

3.2 系統應用實現展示

通過將大數據價值的提煉，與客服生產系統進行結合，將客服的大數據應用轉換成為客戶服務助手的能力開發，實現用戶來電智能預判的功能。通過來電用戶的畫像，尋找潛在來電用戶的因子，實現潛在來電投訴用戶的預判。再輔助以信息整合場景的能力，實現多樣化的應用場景與智能預判提醒，支撐客服人員，變被動為主動。

3.2.1 數據挖掘模型效果的預警能力展示

對用戶投訴行為進行分析，進行數據挖掘、建模。實現對潛在來電用戶的預測，并將預測模型固化到系統中，實現了智能提醒功能，變被動防守為主動服務，對投訴風險較高的用戶提前進行主動關懷，為提升用戶感知，提高處理效率，降低投訴率和二次來話率提供支撐。

預測結果通過Webservice接口的方式實時地集成在目前的客服生產系統中，當用戶來電接入人工服務時、當處理或查看工單時，根據受理號碼調出基于數據挖掘分析模型計算的相應用戶的投訴風險度及其相關的異常場景情況，用戶被醒目的標注為“紅色預警、黃色預警、藍色預警、不預警”等不同的類別(見圖9)。客服人員可點擊預警標識，查看詳細的預警原因及相關異常場景，以達到快速反應、輔助快速定位問題及提高處理效率的目的。圖9是智能預判提醒的示例。

圖9 客服助理界面示例

3.2.2 場景實現方案

在客服助手中豐富場景的功能，對預警來電用戶的信息進行了整合和展示，給客服代表提供便捷的信息展示途徑，減少客服代表多系統查詢信息的時間，提升客服代表與客戶溝通的有效性，預警信息的展示使客服代表與客戶溝通能更加有的放矢。目前，已經實現的場景提醒有升級投訴傾向、套外流量異常、投訴流量調費、多流量包訂購、網絡質量異常、活動到期提醒、已辦未生效提醒等10余個場景。

4 大數據能力在客戶服務應用效果

4.1 有效降低二次來電率和二次生成工單率

受到預警隊列提醒的用戶，其后期的人工服務率和工單生成率較對照組分別下降10%左右(見圖10)。說明智能提醒有效降低了再次來電率和再次生成工單率，對于客戶服務接待工作的效率和服務水平有明顯提升，也緩解了客服代表的工作壓力。

圖10 預警隊列效果展現

4.2 投訴用戶數降低，升級投訴用戶數降低

從7月智能預判提醒功能正式上線以來，2G、3G同口徑下的升級投訴用戶數明顯下降(見圖11)。

圖11 升級投訴用戶下降情況

4.3 客服人員處理時間縮短，效率提升

7月份系統上線以來，我們一直堅持系統的效果評估，把使用智能預判提醒的用戶群與沒有經過智能預判提醒的用戶群(對照組)做對比分析。發現使用智能預判提醒系統的人工單次服務時長為5分鐘，要比使用對照組的平均人工服務時長縮短2分鐘，溝通的有效性得到明顯提升。

4.4 投訴用戶流量調費金額下降

投訴用戶的流量調費問題是一個重點解決的應用場景，從2014年7月用戶需求預判平臺上線后，通過對流量溢出用戶模型的分析以及業務部門對溢出用戶的提前干預，投訴用戶的流量調費金額出現顯著下降(見圖12)。

圖12 投訴用戶流量調賬金額變化

5 總結

通過對大數據在客服領域方面的探索，在客服一線代表的工作中，結合分公司服務指標的提升方向進行研究，通過用戶服務需求預判平臺的搭建，初步實現大數據在服務方面的拓展[8]。

1)突破了傳統商業智能系統側重結構化數據的局限，運用最新的大數據分析技術，全面拓展數據形式，整合文本語音、互聯網、新媒體等信息，更全面地洞察用戶的需求和訴求。

2)突破了傳統分析視角，拓展為深入關注用戶情感、心理、情緒、人文、社交網等分析維度，使得對投訴用戶的研究刻畫更加立體生動準確，為客服工作策略的優化提供最精確的用戶畫像資料。

3)實現了智能預判提醒功能，防患于未然，使一線員工的工作方式由被動服務變為主動關懷，有效地降低了再次來電率和再次生成工單率，縮短了人均處理工單的時間，提升了工作人員的處理效率，降低了升級用戶的投訴率，降低了流量調費用戶的調費金額，有效地降低了成本。

6 展望

隨著移動智能終端和互聯網的發展使得客戶的溝通偏好日益呈現多樣化的態勢，運營商客戶服務成為應對激烈競爭的主要抓手，但是當前服務運營壓力卻越來越大:客戶需求頻繁變化，對服務的要求越來越高;新業務、新產品不斷出現，業務復雜度不斷增加;這些將使客服工作面臨更大的挑戰，也蘊含了前所未有的機遇，客戶服務的好壞有可能改變運行商的實力對比和市場格局，在用戶體驗為王的數字化時代，客戶服務工作的重要地位也越來越凸顯出來。

在今后的項目建設中，建議采用強化用戶滿意度評估管理、強化整合多媒體客服(微信、郵件等)、服務能力前置、工單透明化運營可視化來緩解用戶疑惑等一系列創新的系統功能及業務思路。更多地運用新媒體、文本、語音處理、視頻信息、互聯網社交媒體信息，形成更準確的用戶認識和更敏捷的反應速度，更公開透明的投訴信息處理，變被動服務為主動服務，全面提升用戶感知，為上海聯通的整體業務提升提供支持。

[1]維克托·邁爾-舍恩伯格,肯尼思·庫克耶.大數據時代[M].杭州:浙江人民出版社,2013

[2]艾伯特-拉洛斯·巴拉巴西.爆發[M].北京:中國人民大學出版社,2013

[3]施錫銓,范正綺.決策與模型[M].上海:上海財經大學出版社,2003

[4]彭曉潤.走出服務營銷的誤區[J].商業研究,2002(02):127-128

[5]范蔚文.數據挖掘在電信領域中的挖掘應用[J].科技廣場,2010:26-28

[6]李先國,曹獻存.客戶服務管理(第2版)[M].北京:清華大學出版社,2011

[7]吳昱.大數據精準挖掘[M].北京.化學工業出版社,2014

[8]徐子沛.大數據[M].桂林:廣西師范大學出版社,2012