数字时代是业务服务融合智能化数字化赋能的业务模式

客户世界 | 2020年12月15日 | 客世原创 | 评论已关闭 | 2220

之前两篇文章，第一篇讲了客户数据的获得方式，及我们都能获得什么样的客户数据，这些数据之间的联系。第二篇讲了标准化和流程化运营是什么。如何创造精确的标准化运营。

本篇来到了最后一篇，也就是如何让数字化来赋能标准化流程化的运营，最终产生从设计、生产到服务的质变。

如何理解数字化智能化赋能

如果百度一下数字化赋能这个名词解释，可以收获很多系统化的分类解释，但似乎又都与之前的运营和管理完全不同，或是找不到之间的联系，因此往往给企业带来的是困惑和恐惧，一方面希望创新但找不到路，另一方面又焦虑是不是传统的管理马上就要被取代。

我来说的简单一点，智能化数字化可以笼统的的理解为：凡是不需要创新思考的模式流程固定的工作未来都可以交给机器来做，人解放出来做创新、建立模式、修正流程的工作。

再确切一些可以大致从以下几方面比较具体的事务来理解，当然不限于这些事务：

1、之前之能通过人工语音通话来解决的大部分咨询问题，可以通过众多数字化渠道来解决了，包括智能语音、公众号、APP等自助平台。

2、之前每个月每周每天，靠人来监督、收集数据、分析、决策、执行这个过程，现在可以或多或少部分或全部交给智能系统来执行，大部分决策可以直接根据数据立刻执行。

3、之前海量的数据无法处理、转化、分析的数据可以利用数字化工具实现快速的甚至时时的分析，从采样、抽测等模式向全量、个性化、千人千面转变。

说到这里您可能多多少少开始熟悉了，其实这个过程从电脑开始取代纸张开始就在各个企业一点点开始了，并且一直在逐渐的演进，只是随着时间累积发展到今天，基础的网络带宽、移动终端侧传感器、云计算能力等基础技术产生了一个从不断地量变到忽然质变的变化，导致之前无法获得的数据变得可以获得、以前难以传递计算的海量数据，可以被传递和计算，以前难以实现的数字化体系得以成为现实。

下面来看看以上变化之后数字化体系的原理，我们该怎样去理解数字化时代的产业要素：

1、各种类型的沉默数据通过数字化工具升级为可以统计、分析、计算的，可计算数据，我们管它叫做：“可计算数据”。

没有数字化工具之前有大量的数据是难以被统计，或需花费过多成本才能进行数字化。

基于成本，这些数据的大部分，尤其是针对C端的数据，基本都成为了沉默的数据。例如，客户消费选择行为细节数据，呼叫中心大量的语音交互数据等。

沉默数据怎样变为“算据”？让原来不能被统计的行为数据被统计出来，例如，客户网购在各个页面的浏览痕迹、停留时间，甚至注视页面某一特定区域的数据。

让原来非数字类沉默沉默的数据变为可以被分析得结构化数据，例如，利用智能语音和自然语言理解将呼叫中心语音、在线交互数据变为条理清楚的结构化数据供质量分析和产品服务优化。

2、计算能力承载业务流程。

在有完善可靠的业务服务流程的前提下，其实业务服务的实施就是一个通过一些列交互，通过数据分析进行正确判断，最后正确调动资源解决问题的过程，承载这大量的快速的数据分析的计算能力，我们把它叫做“计算能力”。

虽然行业和企业是不同的，但同一个行业，业务服务总有很多相似之处，例如：汽车制造企业的设计制造所涉及的数据就有类似之处。又或是客户服务所使用的智能平台组件也有一定的通用性，就算行业不同，不同企业总有一些部门是类似的，例如，财务、人事、行政。

针对这些有共性的计算需求，一些带有基础计算模块的云产品应运而生。

3、针对不同业务类型的计算方法。

有了数据，有了流程，数据要对流程中的各个判断决策节点时时产生作用就需要通过数据的自动分析和计算得出最优解，而整个计算过程的优化，离不开各种各样的专业计算方法，算法本身也是一门专业度很高的专门的学科。

4、获得了可计算数据、拥有了足够的计算能力，加持了优秀的算法，最终形成推进业务的闭环，也就是成就了新兴的数字化业务形态，我们可以称之为“数字化业务”。

产品是广义的产品，可能是个物理实物、也可以是一种服务、甚至是一种数字信息输出。

数据+计算能力+算法—产品+服务—数据流+计算能力+算法迭代—新产品+新服务，稳定的闭环一旦形成，就打破了原有的产品生产闭环模式，在新的模式下，针对某种客户需求随着客户、环境、市场、技术等因素的不断变化，产品和服务也在不断的变换着形态，创新变为常态在时时刻刻发生着。

企业通过数据的积累保持业务服务模式迭代的敏捷和业务服务质量效率的领先。

了解了数字化时代的基本构成原理，我们再来谈谈我们该怎样讲这些原理应用于已经标准化流程化的业务体系，为流程赋能以大幅度提升效能

此前，因为每一项工作都有自己的专业度，全流程化标准化之下的流程本质上虽然精确控制了生产的每一个环节，但其实对于每个专业的部门还是具有很大的妥协性，基本是对各个环节部门利益妥协的结果，

很典型的一个外部案例是售前售后部门之间对于投诉用户的处理流程，售前部门对于投诉用户的处理并不专业，对于评估客户对企业破坏程度评估一无所知，因此只能采用卡死一定的预算来管理售后部门的特殊审批，而售后员工其实也没有足够的数据来进行判断，那就只能随着个人经验来评估客户的危险系数，再进行审批，最终造成了企业售后成本没有花费在最该被解决的用户身上，而大都花费在了在沟通中更多体现出破坏力的用户身上，最后逼着客户养成：谁能闹谁得利的不良习惯。而更多的数据通联让客户代表更准确的掌握客户画像是解决这个问题的一条有效途径（图1）。

客服代表掌握更加全面的客户画像

很典型的一个内部案例就是员工流失率管理，对于企业来说，经验丰富的老员工除了效率稳定、质量好之外，解决问题的能力也会比新员工高出不少，且企业往往前期培训投入的沉没成本也不少（根据计算培训一周的成本相当于员工正常输出一个月的利润），因此企业一般会给管理团队加上流失率指标要求，但缺乏员工绩效数据分析支持的情况下，因为绩效相对平均，最后往往最后结果是，最优秀员工没有留住，技能差的员工却相对安安稳稳，导致整体组织效率慢慢下降。

全面的数字化员工绩效考核，设定好员工分析算法，就能保证精确的识别出绩优员工和恶劣员工，让绩效拥有更合理的杠杆，保证优秀员工的较高收入，并及时纠正或淘汰恶劣员工。

对于服务系统本身的赋能也能让处理效率快速提升，下面图2、图3和图4将图解客服赋能的一些典型场景。