大数据支撑下的客户服务应用探索

中国联通上海市分公司 上海 200050

引 言

随着通信市场逐步细分化、业务的多样化和全球化的发展，电信客户需求逐渐个性化、多样化，电信行业的竞争日趋激烈。

在传统的服务中，当客户对产品、业务使用不满意时，通过投诉渠道表达自己的不满;客服代表面临客户未知因素的来电困扰;公司内部面对客户的投诉进行事后分析，实现对客户投诉的原因进行诊断。这样的服务形式过于传统和被动，但随着大数据处理技术的进步，通过对投诉文本分类梳理、对投诉客户进行画像，通过大数据对客户服务的症结进行深入分析以及通过大数据分析锁定哪些用户会来投诉，投诉的焦点又是什么，从而达到对未知客户投诉风险的主动预警的功能。本文在目前上海联通大服务建设体系下另辟新径创新思路，着力将大数据的应用深耕在提升客户服务领域。利用大数据技术实现对用户的需求进行多方面的预判探索，挖掘用户的个性化服务需求。此次用户服务预判的需求对于运营商而言是一次创新，是对大数据应用的实践，填补了中国联通大数据在客户服务应用方面的空白[1]。

如何在大数据时代环境下为企业开展提升服务的活动，利用数据信息来挖掘客户的服务需求、提升客户满意度是对电信运营商新的挑战。

1 大数据技术和挖掘方法

本节简单介绍大数据挖掘的基本概念，并从运营商角度分析海量电信客户数据的特征。

1.1 大数据的基本概念

大数据是指所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理，并整理成为帮助企业经营决策更积极目的的资讯。大数据是一个由数量巨大、结构复杂、类型众多构成的数据集合，是一种基于云计算来进行数据处理和应用的模式;大数据也是通过数据的整合共享、交叉、复用，形成智力资本和知识服务能力，把数据变成一种智力来为我们服务，即数据资产变现[2]。

1.2 大数据挖掘主要分析方法

1.2.1 大数据挖掘核心分析方法

此应用借助大数据的挖掘能力，深挖数据间的逻辑关系，实现模型的构建。数据挖掘常见的分析方法有:分类分析、决策树、神经网络、关联分析、聚类分析、层次分析、回归分析、特征分析等[3]。利用特征分析，可以根据用户特征，区分客户群，建立模型;聚类可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等;回归分析主要研究问题包括数据序列在时间上的趋势特征，预测数据发展趋势等。

1.2.2 大数据挖掘的基本过程和关键步骤

本文以业界最为通用的CRISP-DM(cross-industry standard process for data mining，跨行业数据挖掘过程标准)为模板建立数据挖掘流程运行体系。CRISPDM方法论为数据挖掘工程提供了一个完整的过程描述(见图1)。该模型将一个数据挖掘过程分为包含商业理解、数据理解、数据准备、建立模型、模型评估、模型发布部署这6个不同的、但顺序并非完全不变的阶段。

图1 数据挖掘整体流程

2 上海联通客户服务能力现状及亮点

2014年是上海联通的服务深化年, 以“标本兼治、创新突破”为原则，倡导“客户至上 诚信经营”的服务文化;聚焦窗口服务难题，强力推进服务攻坚战;推进服务前移，提升全渠道投诉处理能力，进而实现投申诉管控、即时承诺目标，提升客户问题响应效率和解决质量。

2.1 能力现状描述

信息整合的需求:目前客服坐席代表处理投诉使用多套系统，且各系统间信息不交互、不共享，坐席代表处理时间长、工作量大，因此，提出整合数据展现能力的需求，以提升工作效率。

效率提升的需求:客户部门工作面临的问题复杂，投诉率和二次投诉率偏高。目前客服部门应对日常的用户咨询、投诉问题主要以被动式服务服务为主，不能提前做好应对措施，解决问题效率偏低，导致用户因处理缓慢造成二次投诉，每月重复投诉用户占10%以上。同时，52%的用户升级前与本地工单接触在2件及以上。本地工单接触6件以上用户升级投诉率达4.4%(见图2)。通过数据挖掘模型，我们找到投诉用户、多次投诉用户具有明显的特征，用户的投诉行为是可以预测的和控制的，通过进一步的分析与系统建设，可以实现事前拦截来抑制投诉的发生。

图2 投诉客户来电判断关键点

为改变现状，实现投、申诉管控和即时承诺的目标，必须提升客户问题响应效率和解决质量。

2.2 研究亮点

利用大数据技术对用户的需求进行多方面的预判探索，挖掘用户的服务需求，此次对客户来电预判的需求研究对于运营商而言是一次创新，是对大数据应用的实践，上海联通用户服务需求预判平台可以精准地预测到客户投诉倾向，为客服部门进行针对性的产品营销和服务关怀奠定了基础[4]。

3 基于大数据挖掘的客户服务能力提升解决方案

上海联通大数据应用在客户服务领域的探索，是上海联通分公司充分利用传统的数据能力结合新媒体数据信息、提高对数字化时代用户需求多元、多变的适应能力而发起的数据应用项目。针对这些需求，搭建了上海联通用户服务需求预判平台，对本地用户需求加以针对性分析和大数据监测，通过先期预判发现用户不满，减少可能导致投诉行为发生的概率，形成推动用户感知可持续提升，以及信任度、忠诚度同步提高。

项目的实施分别对两个对象进行了研究。一个是针对上海联通客服中心一线人员工作中的具体痛点，工作内容复杂，耗费时间长等问题，总结出整合各类系统有效信息输出能力的方向。另一个是对投诉用户的行为进行画像，找到用户投诉率偏高的问题，锁定流量调费金额偏高等问题为方向。抓取整合了传统结构化数据和微信微博新媒体、文本等非结构化数据，运用最前沿的大数据分析方法，开发了用户服务需求预判管理平台来服务一线客服代表，针对客服工作出现的各种场景做了数据分析和决策优化方案的能力。

3.1 应用平台的技术实现方式

3.1.1 多元化数据源的整合

大数据应用的特点和优势是拓展数据的体量和形式，突破传统数据仓库的局限，充分利用用户的文本信息、语音、图片、视频、互联网行为记录等资料来源，勾勒出更为生动、清晰地反应用户性格、心理诉求等更为丰富准确的信息，而这些信息与客户服务工作息息相关，所以，将数据源的多元化整合，尤其是对非结构化数据的利用作为重点突破口，充分整合结构化数据、半结构化数据和非结构化数据[5]。

在数据采集过程中，我们突破了以往单一依赖结构化数据的局限，整合了本地的客服系统信息、Bss系统信息、本地数据仓库标签、总部数据仓库标签等多个数据资源，获得了详单级工单基本信息、工单流转信息、服务请求信息、业务受理平台信息、语音转文本信息、新媒体(微博、微信、在线)客服信息、用户的互联网身份信息、互联网搜索信息、互联网行为信息、用户的偏好、喜好类信息等(见图3)。实现了驾驭非结构化数据的突破，力求大格局、多接口、多维度、大跨度地实现数据源整合与分析的突破创新。

图3 数据分类

3.1.2 客户需求预判模型组的建立

客户服务工作是直接面向用户的服务工作，直接面对瞬息万变的用户需要、争议、诉求、情绪、建议等，十分复杂繁琐，为了实现数据的整合价值，我们突破了以往单纯重视用户基本信息、用户使用行为的分析方法，将分析视角拓展到情感、性格、交际圈、忍耐度等心理、社会视角，用更符合人类心理和行为复杂性的视角来揭示用户，用户与客服接触、来电、投诉等一系列复杂的行为，可以使得分析模型更加贴近客服工作实际[6]。

经过对用户的交际圈、忍受度、正面和负面的情感用词情况、用户使用的业务表象等多个视角分析，最终形成了五大预测模型(见图4)来预测用户的投诉行为，预测来电用户的整体投诉风险度及可能投诉的风险点，结合流程梳理和系统整合的功能实现要求，从而有效提升处理效率、减少投诉[7]。

图4 投诉预测模型(5类)

本项目综合应用神经网络、分类树算法、logistic回归、文本挖掘、SNA社交网络分析等数据挖掘技术，来建立投诉预测模型，并结合每个分析视角与应用场景，给出用户投诉的风险度、可能的投诉原因及相关场景。

1)交际圈模型。研究投诉用户、升级投诉用户的交际圈，及其“病毒”的传播感染能力。用户的语音通话交际圈代表用户之间互相认识或者是朋友关系，尤其是月通话次数大于3次的交际圈，往往代表社会关系较为亲密，有可能投诉行为会通过交际圈、朋友圈之间互相传播(见图5)。图5中，红点的用户发生了升级投诉，可能会影响绿色的用户(上海联通用户)，所以在社交网络中离红点比较近的用户可能有更高的投诉风险，应该作为事前主动服务的重点用户。通过社交群划分的算法，我们可以把与社交群链接关系更为紧密的用户找到，其中升级用户较多的社交群应该多为重点关注的用户。

图5 交际圈

2)忍受度模型。研究用户对相关事件的忍耐性，从而根据不同的忍耐性，分不同的优先级进行事件处理，整体提升客户的满意度。

通过数据分析发现，投诉的用户都是优质用户，但是对投诉的用户不考虑其个性，采用同样的处理流程和承诺期限，会造成个别用户的极度不满，从而引发一系列的重复投诉、升级投诉等更为严重的事件。

在投诉模型中考虑用户的忍耐度，对投诉频率、投诉时段、人工服务的间隔及服务类型、服务渠道、电子渠道服务等涉及用户投诉忍受度的信息进行综合分析。利用神经网络、决策树等挖掘方法对用户的忍耐度进行综合打分，并以此作为预测用户投诉、二次投诉或升级投诉的依据之一。

3)情感分析模型。分析语音文本的情感用词及相关的工单和回访内容，获取其文本中情感用词、程度词及其出现的频率，进行综合加权得分。用户的情感可分为正向积极的情感和负面不满的情感;如负面情感常常表现出愤怒、不满、不认可、不听解释等行为，一般会有更大的投诉或者升级投诉倾向。情感打分的处理流程及关键工作如图6。

4)业务表象模型。业务表象往往是引起用户投诉的直接原因，分析用户的套餐费用、套外费用以及业务的订购情况结合用户的使用情况、投诉情况，分析其可能投诉的业务表象。例如:单日形成高额套外流量费用可能引起用户的资费争议、流量争议、异常停机等投诉;通话掉线频繁可能因为信号方面的投诉，关注容易引起投诉的业务表象，是预测投诉的最重要模型之一(见图7)，图7显示了套包外流量费及订购流量包个数与投诉率的关系示例，能够说明用户的投诉跟套外费用及流量包个数有一定的关系。

图6 情感分析

图7 业务表象

5)内容敏感点模型。挖掘用户投诉、咨询的业务内容及其用户在手厅、网厅的内容关注点，将其关注点、业务归类等不同渠道获取的信息进行业务关联、业务归纳，形成用户的业务敏感点。例如网络质量敏感型用户一般投诉或咨询的内容有“网络不好、上网速度慢、上不了网、无法使用，甚至无法收发短信、彩信”等也归为网络质量问题，通过投诉、咨询等相关内容进行文本挖掘，结合订购信息，进一步进行业务的归类、整合，形成用户的敏感点模型 。

3.1.3 文本分类识别模型的建立

目前，客户部工作人员人工对投诉文本分类的工作量巨大，分类标准较为庞杂，工作人员负担重，处理时间长的问题，利用文本挖掘方式实现对客户投诉文本的自动化分类算法的功能，实现文本自动化分类技术，实现事件到问题的转换，同时，变更分类，文本根据训练结果可自动重新归类，使业务数据得到有效沉淀(见图8)。

图8 投诉内容识别模型

探索文本的自动分类，可以根据业务需要进行多角度的分类。不仅可以直接运用于客服人员的日常工作中，优化工作流程，是实现自动化的诊断及处理流程的前提条件;而且可以在预测模型过程中发挥作用，例如文本的分类结果就是内容敏感点模型的基础数据。

3.2 系统应用实现展示

通过将大数据价值的提炼，与客服生产系统进行结合，将客服的大数据应用转换成为客户服务助手的能力开发，实现用户来电智能预判的功能。通过来电用户的画像，寻找潜在来电用户的因子，实现潜在来电投诉用户的预判。再辅助以信息整合场景的能力，实现多样化的应用场景与智能预判提醒，支撑客服人员，变被动为主动。

3.2.1 数据挖掘模型效果的预警能力展示

对用户投诉行为进行分析，进行数据挖掘、建模。实现对潜在来电用户的预测，并将预测模型固化到系统中，实现了智能提醒功能，变被动防守为主动服务，对投诉风险较高的用户提前进行主动关怀，为提升用户感知，提高处理效率，降低投诉率和二次来话率提供支撑。

预测结果通过Webservice接口的方式实时地集成在目前的客服生产系统中，当用户来电接入人工服务时、当处理或查看工单时，根据受理号码调出基于数据挖掘分析模型计算的相应用户的投诉风险度及其相关的异常场景情况，用户被醒目的标注为“红色预警、黄色预警、蓝色预警、不预警”等不同的类别(见图9)。客服人员可点击预警标识，查看详细的预警原因及相关异常场景，以达到快速反应、辅助快速定位问题及提高处理效率的目的。图9是智能预判提醒的示例。

图9 客服助理界面示例

3.2.2 场景实现方案

在客服助手中丰富场景的功能，对预警来电用户的信息进行了整合和展示，给客服代表提供便捷的信息展示途径，减少客服代表多系统查询信息的时间，提升客服代表与客户沟通的有效性，预警信息的展示使客服代表与客户沟通能更加有的放矢。目前，已经实现的场景提醒有升级投诉倾向、套外流量异常、投诉流量调费、多流量包订购、网络质量异常、活动到期提醒、已办未生效提醒等10余个场景。

4 大数据能力在客户服务应用效果

4.1 有效降低二次来电率和二次生成工单率

受到预警队列提醒的用户，其后期的人工服务率和工单生成率较对照组分别下降10%左右(见图10)。说明智能提醒有效降低了再次来电率和再次生成工单率，对于客户服务接待工作的效率和服务水平有明显提升，也缓解了客服代表的工作压力。

图10 预警队列效果展现

4.2 投诉用户数降低，升级投诉用户数降低

从7月智能预判提醒功能正式上线以来，2G、3G同口径下的升级投诉用户数明显下降(见图11)。

图11 升级投诉用户下降情况

4.3 客服人员处理时间缩短，效率提升

7月份系统上线以来，我们一直坚持系统的效果评估，把使用智能预判提醒的用户群与没有经过智能预判提醒的用户群(对照组)做对比分析。发现使用智能预判提醒系统的人工单次服务时长为5分钟，要比使用对照组的平均人工服务时长缩短2分钟，沟通的有效性得到明显提升。

4.4 投诉用户流量调费金额下降

投诉用户的流量调费问题是一个重点解决的应用场景，从2014年7月用户需求预判平台上线后，通过对流量溢出用户模型的分析以及业务部门对溢出用户的提前干预，投诉用户的流量调费金额出现显著下降(见图12)。

图12 投诉用户流量调账金额变化

5 总结

通过对大数据在客服领域方面的探索，在客服一线代表的工作中，结合分公司服务指标的提升方向进行研究，通过用户服务需求预判平台的搭建，初步实现大数据在服务方面的拓展[8]。

1)突破了传统商业智能系统侧重结构化数据的局限，运用最新的大数据分析技术，全面拓展数据形式，整合文本语音、互联网、新媒体等信息，更全面地洞察用户的需求和诉求。

2)突破了传统分析视角，拓展为深入关注用户情感、心理、情绪、人文、社交网等分析维度，使得对投诉用户的研究刻画更加立体生动准确，为客服工作策略的优化提供最精确的用户画像资料。

3)实现了智能预判提醒功能，防患于未然，使一线员工的工作方式由被动服务变为主动关怀，有效地降低了再次来电率和再次生成工单率，缩短了人均处理工单的时间，提升了工作人员的处理效率，降低了升级用户的投诉率，降低了流量调费用户的调费金额，有效地降低了成本。

6 展望

随着移动智能终端和互联网的发展使得客户的沟通偏好日益呈现多样化的态势，运营商客户服务成为应对激烈竞争的主要抓手，但是当前服务运营压力却越来越大:客户需求频繁变化，对服务的要求越来越高;新业务、新产品不断出现，业务复杂度不断增加;这些将使客服工作面临更大的挑战，也蕴含了前所未有的机遇，客户服务的好坏有可能改变运行商的实力对比和市场格局，在用户体验为王的数字化时代，客户服务工作的重要地位也越来越凸显出来。

在今后的项目建设中，建议采用强化用户满意度评估管理、强化整合多媒体客服(微信、邮件等)、服务能力前置、工单透明化运营可视化来缓解用户疑惑等一系列创新的系统功能及业务思路。更多地运用新媒体、文本、语音处理、视频信息、互联网社交媒体信息，形成更准确的用户认识和更敏捷的反应速度，更公开透明的投诉信息处理，变被动服务为主动服务，全面提升用户感知，为上海联通的整体业务提升提供支持。

[1]维克托·迈尔-舍恩伯格,肯尼思·库克耶.大数据时代[M].杭州:浙江人民出版社,2013

[2]艾伯特-拉洛斯·巴拉巴西.爆发[M].北京:中国人民大学出版社,2013

[3]施锡铨,范正绮.决策与模型[M].上海:上海财经大学出版社,2003

[4]彭晓润.走出服务营销的误区[J].商业研究,2002(02):127-128

[5]范蔚文.数据挖掘在电信领域中的挖掘应用[J].科技广场,2010:26-28

[6]李先国,曹献存.客户服务管理(第2版)[M].北京:清华大学出版社,2011

[7]吴昱.大数据精准挖掘[M].北京.化学工业出版社,2014

[8]徐子沛.大数据[M].桂林:广西师范大学出版社,2012