以数据挖掘提升企业服务补救能力

郑　丹

〔摘 要〕数据挖掘是当前国际上数据库和决策支持分析领域最前沿的研究方向之一。结合数据挖掘技术的特点和服务补救对信息的要求，本文探讨了数据挖掘在服务补救中的具体应用，提出了未来发展的方向。

〔关键词〕数据挖掘；服务补救；顾客满意；信息分析

〔中图分类号〕TP274+.2；F719 〔文献标识码〕A 〔文章编号〕1008-0821(2009)01-0188-03

Data Mining Promoting the Capability of Service Recovery

Zheng Dan

(International School of Business，Qingdao University，Qingdao 266071，China)

〔Abstract〕Data mining is one of the most advanced research directions of data warehouse and decision support analysis nowadays.This paper analyzed the needs of information in service recovery and the characteristics of data mining.Finally，the paper discussed the principal applications of data mining in service recovery and proposed the direction of future.

〔Key words〕data mining；service recovery；consumer satisfaction；information analysis

计算机、网络和通讯技术的迅速发展，使得信息、数据收集与存储的能力大大提高，信息过量成为人类面临的新问题，如何在浩瀚如海的数据中寻找到符合自己需要的信息?数据挖掘的产生和发展顺应了这一历史潮流的需要，因此有着极为广泛的应用前景，是当前国际上数据库和决策支持分析领域最前沿的研究方向之一^[1]。

数据挖掘在零售、保险、银行、电信、电力等行业的运用已显现出巨大的商业价值，相关的研究以行业为背景的居多，而针对具体管理职能、策略的研究较少。因此，基于服务补救(Service Recovery)在服務管理中的作用，探讨数据挖掘在服务补救中的应用，对提升企业服务补救能力、提高顾客满意度有着重要的启示。

1 服务补救及其对信息的要求

服务的无形性、异质性、同时性和不可储存性等特点决定了服务失误(Service Failure)是在所难免的，正如Bell和Zemke(1987)所指出的：“服务失误成为服务消费过程中最为熟悉的哒哒声，每一次低于我们预期的服务经历，都意味着服务失误的发生。^[2]”鉴于此，服务领域的实践者和研究人员提出，应针对服务的缺陷或失误采取反应与行动，即服务补救。

最早注意到服务补救的是英国航空公司在1980年进行的感知服务质量研究，在这项研究中，研究人员发现对顾客感知服务质量影响最大的因素包括：关怀与理解；响应性；解决问题的能力；服务补救能力。这项研究将服务补救问题纳入了服务质量研究范畴，服务补救从此开始逐渐成为服务管理研究中一个重要的领域，而此之前，服务补救并没有引起研究者和管理人员的足够重视，其含义等同于顾客抱怨管理。从20世纪80年代开始，服务补救逐渐不再局限在解决具体服务问题的反应(Andreasen and Best，1977)^[3]，而是强调服务补救带来的长期利益，诸如提高顾客的忠诚度和积极的口碑传播等。1990年，Hart，Heskett和Sasser发表了题为“服务补救赢利的艺术”的经典论文^[4]，聚焦于服务补救在竞争市场中所起的主动的、战略的作用。而服务管理理论权威Grinroos(2002)在其新版的著作中，进一步将服务补救定义为——与顾客建立关系过程中对服务失误和服务问题的处理策略^[5]，将服务补救提升到关系营销的层次。服务管理研究领域的诸多研究和实证也都证明，有效的服务补救对提高顾客满意度、忠诚度和企业竞争力都有着积极的作用^[6]。

服务补救与传统意义上的抱怨处理是截然不同的。服务补救是站在战略的、关系营销的层面来思考的，而不是战术的、交易营销层面；它强调关注顾客价值、外部效率，而不是企业成本、内部效率，是围绕顾客满意、顾客保留的主动反应机制、是持续的质量改进过程。因此，服务补救与抱怨处理在对信息的具体要求上也是不同的：

(1)服务补救是针对服务失误和服务问题所采取的处理策略。当顾客面临服务失误或问题时，大多数情况下并不会直接向企业抱怨。根据美国TARP的研究发现：在公司每一个投诉者后面，都隐藏着另外19个不满意的顾客；每100位不满意的顾客中，约有13%的顾客平均每人向20人传播不满的信息，其余的不满意顾客平均向9人传播不满的信息；而在中国进行的关于耐用消费品行业顾客抱怨行为的研究数据表明，与国外相比，国内顾客直接抱怨的次数更低^[7]。因此，与抱怨处理是针对顾客提出的抱怨进行处理相比较，服务补救所需要的信息大多是隐藏在大量的、有噪音的各类信息中的，包括：顾客资料、顾客以往消费信息、顾客抱怨信息、专项研究获得的信息、企业外部信息等，获得有助于服务补救决策的信息的难度可想而知。

(2)服务补救是一个持续的质量改进过程，它不是只停留在对一次服务问题或服务失误的纠正上，更重要的是找出问题或失误的原因，对服务程序或相关方面不断进行改善。因此，服务补救要求的信息是动态的、不断更新的。

最重要的是，服务补救强调信息的及时和预警功能。有研究表明，如果顾客问题得到解决，抱怨的顾客中有60%会继续购买企业的产品或服务；如果问题的解决是非常及时的，该比例会上升到95%^[8]。因此，服务补救应是一种主动的反应机制，而不是被动的临时处理。这种反应机制应能在服务过程中及时反映、甚至预警服务问题或错误，提醒服务人员及时进行服务补救或在顾客抱怨前采取适当的服务补救措施。

2 数据挖掘与服务补救在信息要求上的契合点

数据挖掘(Dtta Mining)是用专门算法从大量的、不完全的、有噪声的、模糊的、随机的数据中提取可信的、新颖的、有效的、数据需求者感兴趣的知识和规则的过程，这些知识和规则是隐含在数据中的、先前未知的、对决策有潜在价值的有用信息。通过数据挖掘，有价值的知识、规则或高层次的信息就能从数据库的相关数据集合中抽取出来，为决策提供依据，从而使数据库成为一个丰富可靠的资源。

作为一门新兴的交叉学科，数据挖掘融合了统计学、模式识别、人工智能、机器学习、数据库等多个领域的理论和技术，其主要特点与服务补救对信息的要求非常一致：

(1)数据挖掘不是简单的检索、查询、调用，而是对数据进行深入的统计、分析和推理，发掘数据间的相互关系、规则、模式，完成从业务数据到决策信息的转换。而服务补救是通过发现服务失误、分析服务失误的原因，然后在定量分析的基础上，对服务失误进行评估并采取恰当的管理措施予以解决的过程(Tax and Brown，1998)^[9]，数据挖掘完全能胜任服务补救对信息分析、研究以及支持决策的要求。

(2)數据挖掘的数据处理规模巨大，并且，在用户不能形成精确查询要求的情况下，能为用户寻找其可能感兴趣的东西。这非常符合服务补救从隐藏在大量的、有噪音的各类信息中提取有用信息的要求。

(3)数据挖掘中所发现的规则通常是基于统计规律的，发现的规则不必适合于所有的数据，当达到某一阈值时，便可认为规则存在。而在服务中，不同顾客遇到同样程度的服务失误时，由于容忍区间不一样，其反应也是不同的，企业的补救策略也应该是有所差别的(Parasuraman，Berry and Zeithaml，1991)^[10]。数据挖掘中阈值概念，对分析不同顾客对服务失误的反应非常有效，并可据此实现预警功能。

(4)数据挖掘能随着新数据的不断加入，及时发现潜在的规则，有助于服务补救快速反应机制的实施。

3 数据挖掘技术在服务补救中的应用

数据挖掘在数据处理上的特点与服务补救对信息要求的契合，为数据挖掘在服务补救中的应用奠定了基础。在具体应用时，同大多数数据挖掘过程一样，可通过定义问题、建立数据仓库、洞察数据、准备数据、建立模型、评价等步骤来进行。服务补救中可采用的数据挖掘技术包括关联规则、决策树、聚类、神经网络、遗传算法等，具体应用包括：

3.1 挖掘顾客不满意的真实原因

有效服务补救的前提是明确顾客不满意的原因。很多情况下，顾客是不会直接向企业抱怨的，或者顾客抱怨的原因并非真正原因。因此，除了了解、鼓励顾客抱怨外，企业还应通过各种途径和方法掌握顾客不满意的原因，并通过特定的技术，如多元回归、神经网络等，分析顾客不满意的真实原因。

神经网络(Neural Network)是指模仿人脑建立的、具有和人类大脑相似功能的统计模型。在学习和训练的基础上，神经网络系统可以对大量非线性数据进行快速建模，在没有人干预的情况下进行模拟识别，以解决特定领域中的问题。其分析过程是在输入层放置一个或多个神经元(自变量)，在输出层放置一个或多个神经元(因变量)，然后通过部分训练个案的学习和归纳，确定隐藏层各个神经元的权数值。从而在输入层神经元和输出层神经元之间建立起映射关系，达到预测和解释因变量的目的。神经网络分析对收集的数据容许相当的弹性，克服了传统多元回归统计分析中对具体数据要求苛刻的缺陷，因此，在顾客不满意原因分析中更具有实用价值。

USAA是美国德克萨斯州的一家大型保险和金融服务公司，该公司建立了一个联网系统，称之为回音(ECHO，即每一次接触都存在着机会)，它能使电话销售和服务人员及时将顾客的各种建议或怨言输入进去，自动联入数据网络。经理人员通过定期分析所有数据来寻找存在的问题，纠正以前的错误程序，不断改进服务。由于公司对识别和解决服务失误和问题的重视，USAA几乎没有顾客流失，年顾客保留率达到了98%。

3.2 将不满意的顾客进行划分

顾客满意取决于顾客感知与顾客期望的比较，尤其在服务中，这种感知和比较是模糊的。在一定范围内，顾客对遇到的服务失误或问题是可以容忍的，所以，表面上“满意”的顾客，可能实际已处在不满意中。传统的分类法中，分类规则是事先确定的，例如，根据顾客最近是否购买来判断顾客是否满意，这种分类并不能发现那些不满意但出于各种原因仍在购买的顾客，而聚类分析则能很好地解决这一问题。

聚类(Clustering)就是将数据对象分组成为多个类或簇，使得在同一个类或簇中的对象之间具有较高的相似度，而不同类或簇中的对象差别较大。分类是一种有指导的学习过程，而聚类是无指导的。在聚类之前，没有既定的分类规则，只是以某种度量为标准，将具有相似特征的数据对象划为一类，同时分离具有不同特征的数据对象。聚类需要考察所有的个体才能决定类的划分，并由算法自动确定，用户可能事先并不知道这些记录应该分成几类。聚类方法包括：加入法、分解法、系统聚类法、动态聚类法、模糊聚类法等。对于相同的记录集，采用不同的聚类方法，可能会有不同的划分结果，这需要根据研究的问题来确定。

在应用中，企业可根据顾客遇到服务失误时的反应，通过聚类分析，将顾客划分为：向企业直接抱怨的顾客类、不抱怨且继续购买类、不抱怨但减少购买类、不抱怨但传播负面口碑类、停止购买类等。聚类完成后，企业根据某类顾客具有的主要特征，在顾客数据库中寻找这些顾客，并主动进行服务补救，例如，一个及时的回访电话，可能会非常有效地挽回不满意但又没有提出抱怨的顾客。另外，企业可针对每类顾客的心理和行为特点，制定不同的补救策略，以便服务人员在遇到问题时能“对症下药”，尽快让顾客恢复满意。

3.3 通过关联分析发现规则

关联分析(Associations)的目的是挖掘隐藏在数据间未知的相互联系，也称为购物蓝分析。关联分析的目的是发现规则，数据库中所有可能的规则都要被系统地抽取出来，然后再以“支持度——置信度”的框架评估它们的正确性和重要性，以判断规则令人信服的程度有多高、再次出现的可能性有多大。

很多企业积累了大量的顾客资料、数据，但往往面对这些杂乱无章的资料、数据感觉无从下手，关联分析能够通过从中抽取形如“if A then B”的规则，帮助企业透过表面现象或假象寻找到更为真实的联系。例如，影响住店旅客满意的因素很多，管理人员通常会关注客房硬件、人员服务等问题，忽略了其它因素的影响。在对某酒店顾客抱怨数据挖掘中，通过关联分析发现“婚礼筵席”与“住店顾客投诉”同时出现的比率较高，这种关联说明酒店情景因素可能是导致顾客投诉增加的因素之一，酒店应该考虑适当控制婚礼筵席的规模和数量或将婚礼筵席的场所同住店顾客就餐场所适当分开。

3.4 通过数据挖掘进行补救预警

服务补救是一种主动的反应机制，不仅体现在发现问题后及时补救，而且应具有预警的功能，将问题消除在萌芽状态。例如，通过对会员制顾客的多次购买行为进行序列模式分析(Sequential Patterns)，会发现顾客消费在时间序列上的模式。通过对这些模式的分析，能清楚顾客在一些消费事项上的次序，进而可以优化服务流程或提前采取措施，避免无谓的服务失误；另外，通过对顾客消费模式的监测或数据挖掘技术中的孤立点分析，可以发现顾客消费的异常，企业及时进行预警或回访，避免有价值顾客的流失。

4 结 语

作为一门新兴的技术，数据挖掘已在众多行业、领域得到应用，并显示出其巨大的潜力。在挖掘技术上，未来发展方向和研究焦点是对各种非结构化数据的挖掘，如对文本数据、空间数据、视频图像数据、图形数据的挖掘，这将使数据挖掘技术更加符合服务补救对信息的要求。因此，我们有理由相信数据挖掘在服务补救中的应用将有着更为广阔的前景。

参考文献

[1]万安华，等.数据挖掘技术的理论及应用[J].大学数学，2004，20(6)：111-114.

[2]Bell C R.and Zemke R E.Service breakdown：the road to recovery[J].Management review，1987，76(10)：32-35.

[3]Andreasen A R，and Best A.Customer complaint-does business respond [J].Harvard Business Review，1977，55(4)：93-101.

[4]Hart C W L.，Heskett J.L，and Sasser W E.The Profitable art of service recovery[J].Harvard Business Review，1990，68(4)：148-156.

[5]克里斯廷·格罗鲁斯.服务管理与营销(第二版)[M].韩经纶，等译.北京：电子工业出版社，2002：85.

[6]于坤章，李尤，殷玉婷.服务补救对顾客忠诚度的影响机理探析[J].财经理论与实践，2008，29(2)：104-107.

[7]赵平，莫亚琳.中国耐用消费品行业顾客抱怨行为研究[J].清华大学学报：哲学社会科学版，2002，17(2)：32-38.

[8]詹姆斯A.菲茨西蒙斯，等.服务管理——运营、战略和信息技术[M].张金成，等译.北京：机械工业出版社，2000：211.

[9]Tax S S，and Brown S W.Recovering and learning from service failure[J].Sloan Management Review，1998，40(1)：75-88.

[10]Parasuraman A，Berry L L，and Zeithaml V A.Understanding customer expectation of service[J].Sloan Management Review，1991，32(3)：33-46.