由客户细分漫谈呼叫中心大数据挑战

王厚东-客户体验与数据分析
王厚东-客户体验与数据分析
王厚东-客户体验与数据分析
13
文章
0
评论
2020-04-1802:05:00 评论 495 2241字
摘要

客户细分应该算是一个多年的老话题,而随着大数据和移动互联网的兴起,原来相对简单的客户细分策略和手段开始渐渐不再能够满足新的挑战。因此,客户细分的策略和手段也到了更新升级的时候。

简单来讲,呼叫中心的客户细分有两个目的:精益化运营和精准营销。

精益化运营:麦肯锡曾经有过一项调查,呼叫中心平均有51%的客户来电是由14%的客户造成的。而平常在项目中和上课跟学员交流的过程中也发现,很多呼叫中心每天的来电量里面存在想当比例的重复来电,有的甚至高达30%以上。这14%的客户是什么样的客户?有什么共同特征?如何针对这部分人群制订相应的服务策略以减少他们的来电请求?如何降低每天的重复来电占比?什么样的客户的什么样的问题适合什么样的联络渠道去解决,如何把客户导向最佳匹配的联络渠道?在运营成本本就局促的呼叫中心,这些问题是每一个运营管理者不得不考虑的。

精准营销:盲目的电话外呼营销在大多数接到电话的人的心目中已经不再是一个正面的举动,面对客户日益增强的抵触心理和普遍不信任的社会环境,成功率普遍低下是不得不面对的一个问题。即使通过短期非正常手段获得了不错的转化率,但客户生命周期能否持久,流失曲线是否平缓,总体生命周期价值贡献高低等问题值得去深思。在这种情况下,经过客户细分后的精准营销策略,则会显著提高产品推荐的针对性和相关性,并最终提升转化率、销售额和利润率。而同时坐席的收入和成就感也会从中受益。例如,下图中就展现了经过客户精准细分之后的收益变化情况。从图中可以看出,并不是呼出的越多你的收益就越高,而是在经过对客户的判断与挑选后,用相对最少的呼出量而获取最大化收益才是我们追求的目标。

由客户细分漫谈呼叫中心大数据挑战

除了呼出营销,建立在良好服务基础上的呼入营销近年来也越来越受到重视。交易的前提是信任,而持续一致的良好的服务品质恰恰可以建立这种信任。在信任建立的基础上,通过数据挖掘的支撑,为不同类别的客户匹配他们最有可能购买的产品和服务,客户接受度要好的多,而转化率和成功率自然也会得到提升。如果把这种服务营销一体化的运营机制再提升一个层次,嵌入到客户经营和体验管理的循环圈中,则服务和营销会自然融为一个有机的整体,何愁呼叫中心的价值得不到体现。

那么如何进行这种更精益化的客户细分呢?大体上要从几个方面去考虑:有没有数据,有没有工具,有没有人才支撑,如何部署实施,如何检验效果。而这些也正是整体大数据应用需要考虑的问题。

真正基于大数据的客户细分一定会涉及到数据的深度与广度的问题。可惜的是现在呼叫中心数据管理是一个很让人头疼和复杂的问题,且不说各种运营指标定义与算法的乱与泛,单就从系统后台能不能取到完整真实的话务数据都是一项很大的挑战。而客户的细分不但需要话务数据,更重要的是需要把话务数据跟业务数据和客户的社会背景信息统计数据结合起来,有一个全景的视图,才会有更好的细分效果。而业务数据及客户社会背景统计信息的记录和获取又会涉及到部门协作以及系统支撑的问题。鉴于呼叫中心在企业中的地位,这种努力的结果也不是太乐观。

工具问题是相对容易解决的。最基础的运营统计分析工作可以主要由Excel来完成。随着Excel版本的不断升级,其数据处理能力也在不断攀升,甚至在一台配置良好的机器上,利用ExcelPowerBI套件单机处理千万级的数据也不是问题。真正涉及到客户的聚类、分类、生存、流失、关联推荐、异常侦测等分析时,有现成的专业化数据挖掘工具可供选择,免费的有R,收费的有SPSSSASMatlab等,只要企业预算允许,这些都不是问题。而且随着以HadoopSpark为代表的大数据处理平台的崛起,基于私云与公云的各种专业化服务工具也是层出不穷,可以满足不同的数据分析与挖掘需求。

人才是另外一个关键问题。国外大数据圈子里曾经流传着这么一句话:Big data is like teenage sex,everyone talks about it,nobody really knows how to do it,everyone thinks everyone else is doing it,so everyone claims they are doing it。意思是说,大数据就像十几岁孩子的性话题,每个人都在谈论它,但没有人真正知道如何去做。每个人都以为其他人在做,所以每个人都声称他们在做。总而言之,现在的大数据环境是谈概念和趋势的多,真正动手去做的少,真正做出成果来的更少。这也就造成了真正实用性人才的缺乏,而且这种缺乏是全球范围内的缺乏。数据产生的速度和人们对它的潜力预期大大超出了成熟人才的供应速度。对话呼叫中心来说,只有两条路,求助于IT或自己培养。求助于IT,往往得到的是最低优先级响应,而且很难把IT大牛们真正拉到业务场景里来,这需要企业管理和考核机制的变化;自己培养,则需要呼叫中心有足够的耐心,全力的支持与协调和有竞争力的薪酬水平能够让人才安心成长与进步,能不能等得急、留得住都是问题。

置于部署和实施,只要可靠模型建立了,都不是什么大问题。需要的只是根据每个周期的运营效果反馈不断调优和维护就行了。

而对于大数据支撑效果的检验,最直接的莫过于观察直观指标的变化趋势,例如,客户对服务的满意度或NPS指标是否在改善?重复来电占比是否降低?人工话务占比是否在下降?营销成功率是否上升?员工人均贡献值是否在上升?员工流失率是否在下降等等。

需要切记的是,大数据虽然是强有力的运营支撑手段,但良好的服务品质和高效的运营仍然离不开呼叫中心的价值定位、服务导向、技能意愿双高的员工队伍、精细的运营规划与实施以及合理充足的资源配置与支持。

End.作者:王厚东-客户体验与数据分析来源:微博本文均已和作者授权 如转载请与作者联系

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: