客户中心的数据分析

    |     2018年8月26日   |   2018年, 客世原创   |     评论已关闭   |    85

现代的客户中心以数字化的系统作为支撑手段,在日常运作中产生着海量的数据,应用好这些数据,一方面可以促进中心的日常管理更有成效,另一方面可以深入挖掘客户的需求来创造价值。

首先要确保数据是有效的。

一、客户中心的数据

如何衡量客户中心的数据是有效的呢?在COPC(Customer Operations Performance Center是客户中心的行业标准之一)中有一个被称为CUIKA的工具用于对数据进行管理。

CUIKA

(1)数据得到收集(Collected)。

(2)数据是可用(Useable)的:具体而言,目标的定义必须明确,有足够的数据来辨别趋势,在适当情况下必须参照高绩效基准来设定目标以保证数据是可用的。

(3)具备完整性(Integrity)。所有的数据必须是:

a)相关的:符合测量规范的要求;

b)准确的:数据正确,不误导;

c)有代表性:反映整个母本;

d)客观的:用于收集数据的方法不带偏见。

(4)为适当的要求所了解(Known)。此要求包括使恰当的人员了解通过抽样所得到的指标统计的有效性(例如严重错误准确性、客户和最终用户满意度等),该理解必须包括对于绩效抽样结果的精确度(置信区间)的认识。

(5)如结果未达标则要采取行动(Actions),顾客服务提供商必须能够证明他们所采取的行动带来了绩效的改善。

——COPC顾客服务提供商注册协调员培训教材

在CUIKA中前三个字母CUI是对数据有效性的要求,即可收集、可用性和完整性。

可收集。尽管今天大部分客户中心都在使用数字化系统,有海量的数据,但在日常的分析、管理中找不到数据是常事,这就要求一方面针对选定的每个指标中的数据要有明确口径和取数途径;另一方面分析人员对系统的底层数据结构和含义要有足够的了解,可以自行通过各种手段或通过提出具体的需求来收集到相关的数据。对常用的数据一定要通过报表提取,对分析中偶然应用的数据才可以通过临时手段获取。

可用性。可用性包括两个方面。第一是与数据的定义相一致。有时数据的定义是模糊的,对同一数据的理解大相径庭,如首次问题解决率,是在多长时间之内回拨的客户计入没有解决问题的话务?是一小时内?两小时内?还是一天?如果这些具体的定义不明确,尽管大家都在说着同一个指标,但其实是“风马牛不相及”,没有实际意义。第二是要有足够的数据量。一般来说要有6个月以上的数据才能看出趋势,才有分析的价值。

完整性。首先是要真实。这个说起来容易,做起来是有难度的。大部分客户中心都有KPI考核体系,其中必然有一些数据是由中心自行报送的,或者是在一定程度上可以控制的。当指标没能达标尤其是差一点儿就达标时管理人员会有修改数据的冲动或者直接造假,或者采取一些隐蔽的策略使数据达标,这些手段就像吃春药、吸毒品一样会上瘾,导致分析变成“假数据、真分析”,严重阻碍客户中心的运营管理。这种风气还会扩散到中心内部的考核体系中,甚至造成无法挽回的严重后果。其次是要有代表性。有些数据由于成本、系统或自身的原因而不能全量采集,只能通过部分样本来评估整体,这时要注意样本的抽取方式和置信区间是否符合要求并在可能的情况下进行多样本的比较来评估以确认是否有偏差以及偏差的大小,但由于有些调研本身是主观评价,也就是采样数据本身不客观,那么这类主观评价类的调研和客观数据的置信区间应该是不一样的,而这在调研中经常被有意或无意的忽视了,例如客户满意度是主观的,那么它与身高等客观数据的置信区间就不应该一样。第三是客观性。要尽量通过系统的方式使数据客观化,对无法客观的数据要有复核或稽核流程,如对CSR的质检成绩一般是质检员对照评分标准的主观判断,质检员之间就要常态化地进行对标(包括对同一条录音的分别打分和不同质检员之间同一时期的质检平均分)来减少主观因素,同时要建立申诉流程,给CSR就质检成绩进行申诉的途径。当明确数据有效之后,就要对数据进行分析以评估现状并确

二、数据分析的要点

结合客户中心的管理实践,通常在分析中要关注以下几个要点(如图1)。

图1:数据分析的几个要点

(1)数据的分布比数据的均值重要。由于个体对整体的代表性较弱,客户中心的很多数据用均值表述,如接通率是一个时段内接通的数量比上整体需求的数量,一个班组的质检成绩是班组内所有成员的平均值,均值可以代表整体,但忽视了其中个体的独特性。以接通率为例,全天的接通率是85%,看起来很高,但这个85%很可能是由每个时段的90%、80%、95%、50%甚至包括0平均而来的,如果再细分到不同技能和更小时段(如5分钟、15分钟)则差异更大,这就像我和“首富”能够平均出来一个没有任何意义的财富均值一样,所以必须要经常对数据进行分布状态分析,关注偏离均值较大的数据,因为如果在客户中心的运营管理中如果某些偏离较大的数据得到了改善,整体均值也会相应地提高,这也是改善绩效的一个重要方法。

(2)自身的进步比和他人的比较重要。经常有同行找笔者要某些数据借以了解自己的运营水平,这在客户中心初始运营阶段或者新开辟一个领域时是必要的,可以帮助自己建立一个明确的参考体系,但对于一个已经运营多年的中心来说这些数据的意义不大。不要说不同行业的客户中心数据千差万别,就是同一个行业也差异巨大,甚至同一个中心由于自身的运营策略原因,其数据也会剧烈波动,这样的单点数据值和自己比较起来没有任何意义,经常是徒增烦恼。例如对客户满意度来说不同行业通常是不同的,即使同一个行业,广东和山东的客户满意度也会差异巨大,汕头和广州的客户满意度也同样有差异。不同客户中心的运营管理方法和策略值得相互学习和借鉴,但运营的具体数据的借鉴意义相对较小,在运营中重要的是不断和自己的过去进行比较,可以进行环比和同比,甚至把过去几年的同类型数据放在一起比较,同时对数据的偏差要有明确的解释。

(3)数据的波动和趋势比数据本身重要。客户中心的运营管理中一般有两个方向,即平稳和持续改进。从数据上反映这两个要求,就是一条持续向上的平滑曲线,波动要尽量小,同时趋势要向好。对于一些有目标值的数据,要尽量保持在目标值之上的平滑曲线。事实上尽管偶然的小偏差并不重要,但要关注这些偏离是否经常出现以及偏差范围是否在可接受范围之内,即使是一个没有经验值的运营指标,只要保持数据是持续向上的平滑曲线,那么最终也可以达到一个非常优秀的运营水准。

(4)次品率比成品率重要。在生产领域大都关注成品率,成品率的计算方法是1减去废品率,看起来两个指标是一样的,只是表示方式不同,但当一个指标涉及到人的因素时这种计算方法就不再适用了。以接通率为例,很多客户中心都很困惑为什么我们每天的接通率都很高,但客户老是说我们很难接通呢?这有两个方面的原因。首先是计算方式问题,一个是系统的数据,一个是客户感知的数据。例如某天接通率是85%,也就是100次呼叫有15次没有接通,假设15个没有接通的客户中有10个再次呼叫(这些再次呼叫量已经计入总呼叫量),结果接通了,那么系统统计的接通率是85%,但按照单个客户来计算就不一样了,不重复的客户数是90个而不是100个(假设所有接通客户都没有重复拨打),那10个再次呼叫才接通的客户会认为热线的接通率有问题,调查时会认为热线“很难接通”,如果全量调查当天所有客户的接通率就不会是85%,而是(90-15)/90=83%;其次是人的一个特性,即对负面信息更敏感、记得更牢,相比正面的接通经历,负面的未接通经历衰减更慢、更加难忘,一次未接通需要多次的接通来修正,当问客户接通感知时负面的记忆被唤起,正面的记忆被弱化。

(5)价值比收入重要。谈到价值,人们通常想到的衡量标准往往是钱,是收入,但价值不应该仅仅用钱来衡量,这就像评价一个孩子是不是好孩子时不能光看成绩一样,应该从多个角度更全面地进行评价,如果只用学习成绩来评价一个以钢琴或者绘画为特长的孩子那么不公平是显而易见的。对于大部分客户中心尤其是呼入型的中心来说收入绝非所长,客户中心真正的价值主要应该体现在对客户的维系上,这也是组织建立客户中心的目的,要通过与客户的每一次接触来提高客户的忠诚度,挖掘客户的可能需求,在服务中进行营销的目的也应该是维系客户,当客户中心的管理者认为可以通过收入来展现自己的价值时是踏上了一条“不归路”,是在用自己最不擅长的能力去与市场部门、营销部门、营业厅的强项PK,结果就是员工越来越苦,中心的运营开始不稳定、业绩越来越差。可见,数据本身没有意义,数据通过分析后对运营进行指导才有意义,而运营是要围绕着目标来开展的。

本文刊载于《客户世界》2018年8月刊;作者为石泉,作者为国家二级心理咨询师、国家二级企业培训师;曾担任广东移动(东莞)客服中心总经理。

转载请注明来源:客户中心的数据分析

相关文章

噢!评论已关闭。