數據驅動服務運營的理論與實務

提到數據驅動運營，説的比較多的是產品運營、用户運營、內容運營和活動運營，而對服務運營卻鮮有提及。但事實上，用數據化的方法和手段在服務運營中也是大有可為的。那如何用數據來驅動服務運營呢？本文講述了用數據驅動服務運營的原因和方法，與大家分享！

提到數據驅動運營，説的比較多的是產品運營、用户運營、內容運營和活動運營，而對服務運營卻鮮有提及。

並非大數據在服務運營中就無能為力了。事實上，用數據化的方法和手段在服務運營中也是大有可為的。今天我們要討論的話題是如何用數據來驅動服務運營。

在商業領域，服務指為用户做工作，滿足用户需求或解決用户遇到的問題，並使用户從中受益的一種有償或無償的活動。

服務運營則是指為解決服務過程中存在的問題而開展的一系列的運營工作，這些工作包括：服務內容設計、標準制定、資源協調、服務執行與交付、服務監測和評估等。

服務運營雖然是產品價值鏈的後端延伸部分，但卻是產品最終實現價值的、不可或缺的組成部分。

傳統的服務運營通常存在四個方面的問題：

為了解用户的服務期望與需求，企業通常的做法是採取用户調研，通過電話訪問、問卷調查等實證手段來收集用户反饋和評價。

採取這些用户調查的手段收集用户需求，往往需要藉助外部市場調研公司的力量來完成。市場調研的執行週期長、費用高，還對用户有一定的騷擾。

但用户調研回收的數據量有限，不一定能找到用户的真實訴求。如果服務運營人員親自去業務場景中挖掘用户需求的話，一方面耗費時間長，另一方面可能會加入個人主觀因素，看到的不一定很全面。

所以，需要在實證調查之外，開發更多的用户需求挖掘和分析的手段。

為診斷服務問題、發現服務短板，企業經常會開展服務質量監測與評估工作，通常的做法就是進行用户滿意度調研。

類似於滿意度等感知類指標往往都是結果性指標，是用户在事後才反饋出來的數據，這種數據的時效性較差，不一定能真實反映當時的情況。因此，為真實測評每次服務的真實感知，需要讓用户很方便的對每次服務做出及時的評價。

同時，服務質量監測應增設更多的過程性指標，特別是涉及服務動作分解的行為類指標。因為，有時候用户服務感知的評價指標不一定準確可靠，需要結合每次服務交付過程中的具體動作做聯合分析，才能給出較全面的服務質量監測結果。

在服務交付過程中，企業通常的情況是被動救火式的處理各種問題，見招拆招、疲於應付。

如果能在問題出現之前，提前做好預判，並將相關服務前置的話，就可能會減少很多投訴問題的發生。這對於提高用户感知是大有益處的。

另外，一線服務人員在服務交付時是按照服務標準來執行，往往能按部就班的去做到。但是缺乏在標準之下的靈活性，用户的個性化需求難以得到滿足。這樣即使企業提供了很符合標準要求的服務，但還是不一定能用户有好的服務體驗。

在勞動力密集型的服務行業，服務的交付往往靠人工面對面來完成。服務作業的在線化程度低，人工服務成本高，人均效率還不一定高。

特別是對於一些簡單的、重複性較高的標準化服務環節，可以逐步的分流給機器和自助設備來操作。

這樣就能減少對人工服務的依賴，解放部分人工和物力，將這些資源投入到更有價值的服務場景中。

以上這四個方面的服務運營問題，在充分融合數據技術後，能在一定程度上得到緩解。

在用户需求分析時，利用自然語言處理、音視頻處理技術，可以採集到更多的用户數據，細緻全面的偵測到用户的需求；在服務質量監測時，引入更多過程性指標數據，結合前後台相關數據，可以形成更及時、更客觀的分析；

在服務交付時，利用數據可以偵測到問題徵兆，可以提前做好服務準備。還可以基於用户分類分級，為用户提供更貼心的個性化服務；在服務效率提升方面，可以基於知識圖譜技術等手段建立機器人服務機制，提高服務效率。

總之，數據驅動的服務運營將更高效、更智能。

數據化的方法和手段可以滲透到服務運營的諸多環節，筆者選取了以下六個方面進行闡述：

自然語言處理研究的是能實現人與計算機之間用自然語言進行有效通信的各種理論和方法，而文本挖掘是對文本進行分析處理，將其轉化為結構化數據，並從中提取有價值信息的計算機技術。

文本挖掘，首先對文本做分詞的基礎上抽取特徵，將文本數據轉化為可供分析的結構化數據，然後利用分類、聚類、關聯分析等技術實現相應的目標。

隨着電商購物的滲透率越來越高，用户在購物網站上會留下越來越多的在線評論，這些在線評論中往往隱藏着用户的需求，通過自然語言處理（NLP）技術和文本挖掘技術能提取評論中的有價值的信息，已經被證實是可以高效挖掘用户需求的新模式。

例如：某公司技術人員從某電商平台上隨機抽取15000條護膚品類產品的評論，採取自然語言處理與文本挖掘技術提取了用户需求（如下圖），並將提煉的結果與其他同事訪談法提煉的需求作對照。他們發現，超過95%的已知用户需求都能從在線評論中提取。

此外，還從用户評論中發現了提5個新需求。

由於服務實際上是由前後台相關部門共同完成的，而用户往往接觸到的只是交互界面上的部分環節。

為了全面監測服務質量，需要從服務的實現過程到交付完成、再到用户感知層面進行綜合評估，評估指標既要有結果類指標，還要有過程性指標。

例如：某運營商在做服務質量監測時，從支撐、交付和感知三個維度構建了監測指標體系，並制定了各指標的評分標準，通過數據大屏的形式實時監測這些指標的變化。

為提升服務體驗，滿足用户個性化需求，企業需要基於標籤畫像對用户進行進一步的分類分級，開展“渠道-用户-服務”三方面相匹配的精準服務。

以某公司為例，他們首先構建以客户基本特徵、興趣愛好、社會特徵及電信特徵為中心的PCST客户標籤分類體系。

再根據數據標籤，提煉用户相關偏好，基於每個細分用户羣的偏好特徵，不斷匹配和積累產品、渠道、場景等方面的服務規則。結合細分用户羣特徵，支撐各類營銷活動的目標用户識別和提取，為產品和服務找到目標用户。基於用户等級提供差異化服務，滿足用户個性化服務需求。

艾伯特-拉斯洛·巴拉巴西是美國東北大學教授網絡科學研究中心的創始人、主任，也是全球社會網絡的領軍人物、“無尺度網絡”創立者，他曾指出：人類行為93%是可以預測的。

無論是自然界還是人造世界，許多事情遵循冪律分佈，一旦冪律出現，爆發點就會出現。

基於此理論可以做出以下推斷：大量用户在與企業的長期接觸和互動過程中會留存很多痕跡，這些痕跡是能提煉出一些有規律的用户行為模式，具有相同模式的用户應該存在類似的需求。

某電信運營商客服中心基於此推斷，開展了基於用户智能識別模型的主動服務嘗試。

用户智能識別模型基本原理如圖所示，其基本思想是從種子用户羣的數據中提煉出典型的行為軌跡模式，再將其他用户的行為軌跡與這些行為軌跡模式進行比對，才從而預測目標用户的可能需求。

用户智能識別模型的結果可應用於用户實時畫像、話務分流和精準營銷場景下。

在話務分流場景下，提前識別用户的呼入需求，並針對用户呼入後可能產生人工話務的環節進行提前干預，採取主動服務方式，可抑制用户的人工話務量。

在實際項目試點中，篩選出可做話務分流的規則和用户後。通過優化短信內容、IVR個性化設計、其它渠道推薦等方式，可減少人工呼入約13.8萬次/月，可減少人工服務時長約11.9萬分鍾/月。

用户聯絡中心沉澱了大量的用户服務案例，對這些案例的海量內容資源進行碎片化、結構化處理，將內容切成不同顆粒度的知識片段，並加註語義標籤，挖掘各類關係，組織領域知識圖譜，可構建專業的知識庫。

在服務過程中，將相關知識輸入到在線服務機器人的大腦中，可以大大提升其專業度與處理效率。

例如：某移動公司研發了智能應答機器人，通過引入語音轉寫軟件，打造基於智能語音技術（語音合成、語音識別、自然語言理解）的交互控制系統。將客户問題即時語音轉寫為文本信息，無需手動輸入問題內容，交互極為快捷方便。

在專業知識庫的支持下，系統和用户基於智能語音技術進行直接溝通。語音實時轉文字，關鍵語義提取，以智慧、活潑的業務助理方式幫助客户解決問題，真正實現智能機器人“快捷、智能、貼心”的目標。

客服工作中會涉及大量的工單處理工作，客服需要將工單轉發到相應的職能部門進行處理，再向客户返回處理結果。首要環節就是工單的有效分派，如果出現工單分派錯誤的情況，就會影響工單的順利流轉。

傳統的工單分類依靠人工，基於對工單內容的理解手動分類方式，這對於短期少量投訴工單分類還是很有效的。

但是隨着投訴工單數量的不斷增長，網絡新用詞語的不斷增多，不同客服人員理解上的偏差，傳統的人工分類方式已經不能滿足這一需求。如何快而準地對投訴工單文本進行分類亟需解決。

例如：某移動公司按照數據採集、數據清洗、高頻次統計、模型訓練四個步驟，建立了基於NLP和CNN建立投訴工單智能分類模型。不僅大大提升了投訴工單文本分類的效率，還在一定程度上避免了客服人為分類時的疏忽大意以及理解不當造成的分類錯誤的問題。

服務運營雖然處在產品價值鏈的末端，但對於維繫用户、提升用户價值具有不可忽視的作用。

伴隨着大數據與人工智能技術的進步，散落在各個服務接觸點的文本數據、音視頻數據都能很好的被收集和解析，自然語言處理技術、知識圖譜技術等將有廣泛的應用空間。

再加上5G技術的成熟，將來會有云服務機器人、VR AR服務等等新模式為用户提供更加智能化的服務，到時候數據驅動的服務運營將步入一個嶄新的境界。

作者：黃小剛，微信公眾號：大數據產品設計與運營

本文由 @黃小剛 原創發佈於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議