大數據分析在通信客戶營銷服務中作用初探

■王小康

（中國移動通信集團山東有限公司）

引 言

在數字經濟席卷而來的大潮中，大數據、人工智能、云計算等新興數字化信息技術已經逐漸從理論階段走向實用階段，并在人們的工作、生活學習等多方面發揮著越來越重要的作用。本文以作者親自主持參與的項目為例，分析了借助大數據和人工智能技術，以客戶需求為導向，深入挖掘客戶咨詢申訴的關鍵業務、關鍵時刻和關鍵觸點，前置營銷服務，用合適的產品服務合適的人，積極推進通信運營商“服務即營銷、營銷即服務”建設的過程，供移動通信、運營管理、數據挖掘、客戶服務等領域的同行參考。

1 通信運營商“營銷服務一體化”建設任重道遠

當前，移動通信運營市場已經進入極大飽和狀態，不論是移動、聯通還是電信，都已經很難找到全新的客戶來源拉動市場份額的快速、顯著增長。在這種情況下，通信運營商紛紛選擇了通過對現有存量客戶的“深耕細作”，來提升老客戶的收入貢獻。在存量運營的諸多手段中，外呼營銷因能在極短時間內與客戶達成交易一致，而備受青睞。

但相對應的，外呼營銷作為一個長流程管理鏈條，其間仍存在有待改善的地方。

（1）未形成規范的審核流程，營銷策劃部門和服務支撐部門之間只是通過郵件往來，導致腳本設計和落實的中間環節缺失。

（2）各項營銷政策的話術關鍵點未進行細致分類，導致腳本的審核標準不夠精細化。

（3）對審核過的腳本沒有系統性的留存，導致后期追溯難度系數大。

2 具體實施措施

2.1 系統化開展外呼營銷腳本審核等系列工作

外呼營銷腳本是推動外呼營銷工作順利開展的基礎，能夠規范話務員話術、提高營銷成功率、規避投訴風險點。因此，外呼營銷腳本審核的工作是一項極為重要的，長期性、持續性的工作。

一是“平臺化”。在制定了腳本審核的具體流程中，我們在“業務運營管理中心”系統（Business Operation Management Center，以下簡稱“BOMC系統”）中增加了外呼腳本審核的關鍵節點，固化了外呼營銷腳本審核的標準和流程。實現了大數據背景下，從非數據驅動的人工流程到數據導向驅動的自動化流程、從傳統客服軟件時代到新一代智能客服時代的轉變。

二是“可視化”。自2020年5月起，我們已經開始通過BOMC系統對外呼腳本進行審核，實現了從腳本制作到腳本審核再到腳本落實的各個環節的可控性操作。對審核過的腳本有了痕跡留存，實現了可視化統計。

三是“軟實力”。提升腳本審核人員的能力，是腳本審核流程的靈魂，是促進的生產的催化劑，更是客服滿意度的有力保障。為此，我們開展了對生產單位腳本審核的技能培訓，讓腳本審核人具備標準腳本撰寫的能力。實現在統一的標準下，外呼營銷人員形成屬于自身的個性化外呼話術，用更精準的服務去推動更精準的營銷。

2.2 搭建并強化營銷活動前置管理系統

精準服務需要流程再造和管理革新。在企業運營中，精準服務的成本消耗最低、營銷效果最明顯，無疑是最有效率的運營方式。一旦摸清了客戶的個性化需求，就可以針對性的提供有效的產品。精準服務并不只是局限在內部大數據上，還可以通過人工智能和社會資源進行更完備的整合，將精準營銷推向更高層次。從運營商的角度來說，通過客服熱線積累的大量與客戶之間的溝通數據，就是客戶潛在需求的數據化表達。在這個基礎上，我們開發了營銷案前置管理系統，并著重研發了以下的功能模塊，嘗試通過技術手段將海量、零散、非規范的客戶通過客服熱線交互的數據，通過一些列操作轉化成業務運營服務能快速借鑒、統一使用的有價值信息。

2.2.1 實現投訴語音文本的轉換

這個功能的核心是語音識別，將這些語音轉換為文本后，不僅減少了存儲空間，這些文本數據還可以用于后續的信息挖掘，用來會改進服務和發現商機。

通過大數據語音轉寫技術，將轉寫引擎分布式部署在AI平臺算力中，利用GPU組成的強大算力，可以實現全省投訴語音大批量并發實時轉寫；針對本省不同地區的方言差異，AI平臺的語音轉寫引擎因地制宜，將地區方言轉換處理，最大保留客戶信息表達，在精準捕捉客戶投訴事項、定位客戶不滿意度原因、挖掘客戶潛在消費需求點等提供數據保障。

2.2.2 實現通過轉換后的文本定位到用戶提及營銷案、涉及的具體業務和用戶在乎的關鍵點

客戶通過熱線通道表達或咨詢自己的業務訴求，其中多數電話訴求是與營銷案某一具體業務相關，在投訴文本與營銷案匹配過程中利用人工智能自然語言處理技術(Natural Language Processing，縮寫為NLP)。其中，主要處理有投訴文本與營銷案自動匹配、投訴文本與營銷案關鍵詞自動提取并不斷豐富關鍵詞庫、投訴文本與營銷案業務自動關聯等。

在投入文本與營銷案匹配過程中，需要實現將投訴文本的內容特征與眾多營銷案的特征進行比對，從中找到匹配度較高的營銷案，目前全省營銷案每年多達1400余份，每個營銷案特征都需要充分準確提??；針對現有情況，利用多項技術，從關鍵詞、特征抽取、文本摘要、主旨分析等多個維度綜合處理，在分析現有業務特點后建立深度學習模型，利用人工智能神經網絡等技術充分學習業務專家在同類問題判斷方法：

（1）模型首先對接營銷案庫獲取營銷案文件，因營銷案會先與投訴文本發布（業務關系）。會對營銷案做處理，提取營銷案關鍵詞，生成營銷案關鍵詞庫以及營銷案關鍵詞向量庫(詞向量可以有效提取詞特征)，為后續與投訴文本關鍵詞做特征值對比，相似度比較做鋪墊；對不同營銷案提取文本主旨、文本摘要等信息要素，將營銷案中不同營銷案方案的主要特征提取出來，并對不同的文本特征建立不同的特征權重值，確保提取的特征的準確性。

（2）營銷案運行一段時間后，客戶經投訴產生語音轉寫投訴文本，輸入投訴文本后，模型對投訴文本進行預處理，預處理包括：

①投訴文本關鍵詞提取，其中對需要對與投訴內容無法信息進行過濾，如停用詞、助詞等。②日常用語處理；如，語音:每月消費一二百元—〉轉寫： 100到200百元。③業務語料處理，建立運營商業務語料庫：如“機頂盒”、“融合寬帶”、“手機流量”等詞匯。

2.2.3 客戶信息深度挖掘

在互聯網時代，除了用戶數、營業額等，數據已經被認為是未來的核心資源。相對于交易記錄等傳統數據而言，在網頁瀏覽、APP應用、電話交互、現場業務辦理中，所產生的形式各異、規模龐大的網頁、文本、語音、視頻等數據中，更多的包含傳統交易數據中不那么容易獲得的偏好、情感、期望等信息。而客服部門作為企業前端的客戶直接接觸窗口，每天都可以從客戶身上獲取大量的信息，甚至可以在客戶比較滿意的實際，主動獲取一些愛好、職業等信息。同時隨著定位技術成為了手機的標配，個人位置信息已經成了客戶服務領域待被開采的金礦，以上這些信息可能是非標準化的，需要進行初步的處理才更方便使用。

基于用戶多種行為屬性，在客戶信息挖掘方面從多種維度入手，主要包括：客戶來電情感分析、客戶來電潛在消費需求挖掘、客戶主要關注信息等方面。

（1）情感分析方面：根據投訴文本提取客戶情感程度信息，建立情感分析模型提取客戶正向、負向等情感表達，根據模型分析客戶情感值建立情感分類用戶，對不同情感表達客戶關聯業務內容，及其近期歷史使用記錄，定位客戶不滿意關鍵因素。

（2）客戶潛在消費需求挖掘：在客戶投訴文本中，在伴隨投訴內容中往往存在其他方面業務咨詢及自身通信需求說明，如“每月98元套餐很多流量用不完”，利用信息抽取、文本摘要等技術將此類信息提取，結合客戶網絡數據實現客戶主要消費特點，根據此類用戶消費需求智能化推薦符合業務，定向滿足客戶需求提升客戶滿意度。

（3）客戶關注信息挖掘：根據客戶投訴文本初步意向表達，利用NLP技術抽取其中的關鍵信息，如“每次在動車或酒店信號極差”等，可以提取其中關鍵信息并建立個人信息圖譜，對客戶主要關注信息強化，針對此類客戶自動匹配符合業務或智能化分析此類人員消費特點為新的營銷案建立提供輔助建議。

3 項目使用的成效

3.1 用大數據分析結果反向助力營銷活動設計

2020年上半年，我們在脫敏狀態下，通過系統分析了58000余客戶交互信息，獲取較集中的關鍵詞2000余個，并基本形成了對應的營銷活動腳本設計關鍵線索。在此基礎上，客服部門針對160余項營銷活動提供了方案優化支撐建議，營銷策劃部門采納率達到了100%，并實現了經客服部門審核的營銷活動“零重大投訴”的管控目標。

3.2 經優化外呼營銷效能明顯提升

實施本性項目以來，根據在線公司運營統計數據來看，經過客服參與優化的外呼營銷腳本，整個外呼均長縮短57.97秒/通話（約16%），辦理成功率提升0.5個百分點。

3.3 營銷服務一體化確?？蛻魸M意度領先

根據上級集團公司下發的滿意度通報，本省“資費套餐”、“資費規則清晰度”、“套餐適配度”、“業務宣傳”、“賬單服務”等多項滿意度商業過程指標的表現值，均在全國前五名。

4 結 語

通過整合分布在不同的網絡業務的用戶級別的數據、根據不同業務的投訴分類客戶、相關客戶在經分領域數據等，通過機器學習的方法分析影響用戶網絡使用體驗的權重指標，結合用戶投訴文本中主要訴求表達，綜合構建評估用戶網絡體驗的指標體系，并以此體系持續監控用戶的網絡使用體驗情況，結合客戶經分及消費類數據形成個性化客戶畫像，網絡使用體驗的指標進行精準的優化和改善，消費套餐進行精準定位推薦，從而達到持續提升用戶使用滿意度及個性化定制的業務目標。