使用BI系统挖掘服务中的痛点

    |     2021年1月26日   |   客世原创   |     评论已关闭   |    1708

最近在和客服中心的同学们沟通时,谈到在线客服的服务体验问题。运营同学们做了很多工作希望改善服务体验,期望在服务好评率这个指标上有所提升。基于这个需求,我们尝试在团队新搭建的BI系统上帮运营同学做一次关于在线客服满意度的数据分析。

BI即商业智能分析系统,目前我们使用的是FineBI,一款比较普遍的大数据商业智能分析平台。

我们找到了过去一个月在线客服会话的明细数据和评价明细数据,从数据库查询并导入到BI系统。对导入的数据表进行必要的整理和清洗后,我们得到一张包含在线客服会话和评价结果的整合表。

利用BI系统的可视化报表功能,我们基于业务分类和客服2个维度很快建立了反映服务好评率的2个分析图表(图1、图2,考虑到企业信息安全的原因,隐去了详细的业务分类名称)。我们的服务好评率计算公式为“服务好评率=好评数量/服务数量”。

图1、业务维度的服务好评率

图2、客服维度的服务好评率

图1为根据业务类别维度展示的满意度数据,长轴为该业务的服务次数,短轴为该业务的好评次数,右侧的百分比为该业务的好评率,按照服务次数由大到小排序。从图中我们很快发现,在服务次数较多的业务中,业务A和B的好评率相比其他业务是明显偏低的,也就是说这2个业务的服务体验是较差的。为进一步分析这2个业务好评率低的原因是由流程设计引起的还是由于员工引起的,我们单独看一下处理2个业务时,员工服务的满意度情况。BI系统的数据可视化很方便的帮我们进行数据关联透视,于是我们得到了图3和图4。

图3、处理A业务时客服维度的好评率

图4、处理B业务时客服维度的好评率

从图3和图4我们发现,客服员工在处理A、B这2个业务时的好评率也是普遍偏低的,此时我们更多的怀疑,A、B业务的好评率低,更有可能出现在服务流程的设计上。为了进一步证实,我们选择了一个好评率较好的业务,观察员工在处理这个业务时的服务满意度。

图5、处理其他业务时客服维度的好评率

图5是员工在处理一个整体好评率较高的业务时的好评率,我们发现在处理这个业务时,员工的表现普遍是很棒的。这也说明员工的能力不是问题所在。从进一步相信,造成A、B2个业务好评率低下的原因更多的出现在服务流程的设计上。接着,我们又选择了整体好评度较高的员工C和D,观察她们在处理不同业务时的好评率情况。

图6、员工C按业务维度的好评率

图7、员工D按业务维度的好评率

图6和图7是员工C和员工D在处理不同业务时的好评率情况,如我们所想,她们在处理A和B业务时,明显碰到了问题,好评率相比处理其他业务要低很多。分析到这里,我们可以认为,A、B这2个业务在服务流程设计上可能存在问题,造成了服务好评率的低下,也可以说,这2个业务的服务体验是不够好的,是服务中的痛点所在。

于是我们给运营同学提出了分析结论和建议,下一步可以从A、B业务的具体服务案例上做进一步的分析,寻找流程中的问题,并做出优化。

在做这次数据分析过程中,我们还发现,即便是整体好评率较好的业务,也有员工处理起来不尽如人意,这正好反应出了员工在某个业务处理上的技能缺陷,可以为员工培训提升指明目标;同时,即便是整体好评率较差的业务,员工处理起来好评率普遍较低时,也会有少量的员工能把好评率做得更好,这些员工在服务中使用的技巧,也许可以总结为有效的经验供其他员工学习,也可以作为服务流程优化的参考。

最后,说一下关于这次数据分析的感受:其实好评率这个指标,按运营同学的说法,这就是她们日常天天看的数据,但是以往大家更习惯当作一种结果指标去看,习惯从整体上看这个数据。如果我们能够从不同的维度对这个数据进行透视,很可能就会获得意外的收获。这次分析,我们就是反复的在业务和员工2个维度上对比数据,从一个具体业务看不同员工处理的情况,从一个员工看她处理不同业务的情况,从而发现服务中存在的问题,从而找到提升服务体验的关键点。

当然,这次数据分析使用BI系统的数据可视化工具,让我们更方便的从不同维度分析数据,特别是数据视图的联动功能,可以帮助我们快速从不同维度做数据切片分析,看到隐藏在数据下的真相。客服的数据运营,也应该更多的借助BI系统,让运营同学的数据分析能力得以提升。

 

作者:王志;就职于深圳市活力天汇科技股份有限公司(航班管家);

本文刊载于《客户世界》2021年1-2月合刊。

转载请注明来源:使用BI系统挖掘服务中的痛点

相关文章

噢!评论已关闭。