《商业分析实务》商业分析在通信行业客户服务中的应用

商业分析在通信行业客户服务中的应用电信行业客户服务简介客户满意度提升基于文本挖掘开展投诉分析01电信行业客户服务简介两个阶段五步骤的精准服务支撑体系实施初期建议先全面诊断，了解客户在满意度方面的现状、短板及问题基于规划对满意度问题进行针对性治疗、预防及评估，实现满意度提升02客户满意度提升提醒服务提升步骤服务现状评估及诊断（诊）（一）who：分析不满意客户特征，发现不满意用户群体不满意客户在年龄上的分布由图可以看出，年轻人中不满意用户的比例高。反映出年轻人对于提醒服务质量要求更高。不满意客户在网龄上的分布由图可以看出，新入网用户不满意用户的比例高。反映出新入网用户对于提醒服务的感知不如老用户。服务现状评估及诊断（诊）（二）where：梳理服务流程，发现提醒服务流程优化点

通过对提醒服务的业务流程调研，绘制其服务流程图，通过对流程图的分析发现流程的优化点，提升客户服务感知。服务现状评估及诊断（诊）（三）when：对客户满意度有较大影响的时机客户满意度的调查结果在不同时机下会有少许差别。一般情况下，在月初调查的要比月中和月末的客户满意度高；如果客户在满意度调查前收到较多的广告或者促销短信，其满意度会降低。所以针对第一种情况，要把握住调查时机；针对第二种情况，要适度把握广告发放情况。（四）why：深入分析，发现客户不满主因

通过对提醒服务不满意客户的深访调研，结合客户投诉记录、短信测评和内部运营分析，充分了解客户需求。深访调研发现，提醒服务的及时性最受客户关注，收不到、被打扰、看不懂是主要问题。服务提升方式（治）情况一：提醒不及时。GPRS话单延时较为明显，且无法在短期内解决，因此用户收到GPRS流量提醒的时候肯定会不及时。解决方案：优化提醒时机。将0M剩余流量提醒的阈值提前至1M，覆盖了85%左右的延迟情况，使用户收到0M提醒时还没有收取费用。服务提升方式（治）情况二：客户常被打扰。当达到15元阀值后每天发送一条低额提醒短信，告知用户及时充值，使客户常常被打扰。解决方案：优化低额短信下发规则。即：达到15元、5元、0元的阀值时仅仅只向用户下发一条提醒短信。低额提醒规则修改后，提醒短信量从之前的近300万条/天，降低至80~90万条/天，节省了成本的同时避免了对客户的过度打扰；发送成功率也从原来的87%左右提升到94%~96%。服务提升方式（治）情况三：营销内容多余，客户看不懂。解决方案：对全量的短信模板进行梳理，针对95%的用户都会收到的30种短信模板将进行了修改。以剩余流量提醒为例，调整内容如下：将短信条数从4条减至2条。更改短信模板。情况四：客户对服务认知不够。解决方案：主动引导，加强客户对服务认知。满意度服务宣传，例如：在官网、官方微博等处进行满意度服务宣传。短信调研，对用户进行引导和关怀。提前预测潜在服务（防）我们可以通过对不满意客户进行关怀提升用户满意度。首先，通过组合模型（规则模型+预测模型+综合评分模型）识别潜在不满意用户；接着，将不满意用户细分成6个群，刻画群体特征，给出针对性的关怀策略；最后，提取模型中不满意评分最靠前的用户参与品质部的关怀活动。03基于文本挖掘开展投诉分析文本挖掘在投诉管理中的应用背景文本挖掘(TM，TextMining)是近几年来数据挖掘领域的一个新兴分支，是以文本数据为特定挖掘对象的知识挖掘。文本挖掘是抽取有效、新颖、有用、可理解的、散布在文本文件中的有价值知识，并且利用这些知识更好地组织信息的过程。文本挖掘的核心思想首先是采用文本切分技术，提取文本特征，把文本数据转换成结构化数据用来描述文本的内容，然后利用数据挖掘技术，诸如聚类、分类、关联分析等，最终变成结构化的文本，并根据该结构发现新的概念和获取相应的关系。投诉文本的特点：1.投诉记录短，一条投诉记录字数一般在100字左右；2.文本记录的只是客户口述表达的表面原因，由投诉处理人员根据用户的投诉采取边听边记录的方式，可能产生信息失真；3.分类体系复杂，已知的WMS分类体系为五级架构，类别多并且类别之间的区分度小，而且伴随着业务的发展，类别会发生变化；4.各类别的投诉量不均衡，例如基础通信投诉占比量较大等。文本挖掘模型——CCR分类模型CCR（ComplainContentRecognizer）投诉内容识别模型，是用于投诉原因识别和分类的模型，模型以投诉文本数据为基础，采用文本挖掘、数据统计技术，支持投诉管理、业务分析等应用。模型的算法和工具可依据应用和需求不断更新和演进。CCR模型在支持投诉管理应用中，主要用于两大方面：1.支持直接对投诉问题的分析应用需求；2.分析结果中的异常情况作为问题发现的入口，支持闭环的投诉问题解决过程。投诉管理日常流程，主要包括两类：1.基于投诉问题发现和解决的问题管理流程；2.基于导航优化的日常管理流程。CCR分类模型文本挖掘过程CCR模型主要应用了文本挖掘中的分类技术。将投诉文本通过分词、特征化和数字化，转变成机器可以识别和处理的形式，选取合适的算法，对投诉进行分类并挖掘出各类别下的原因热词，用于投诉热点和原因的分析。该模型由多重分类框架构成，一方面采取关键词匹配方式用于分类并获得投诉原因；另一方面采用文本挖掘模型实施训练形成分类器，用于文本分类并识别投诉原因。CCR模型挖掘过程描述（一）选择样本按规则选择和提取数据生成样本集，分为训练集和测试集，其中训练集用于建立模型，测试集评估模型的分类能力。CCR模型中评估了均衡取样和自然取样两种方式，均衡取样是每个投诉大类类别下取相同数量样本，自然取样即不均衡取样。前期采用了均衡取样的方式制作训练集。CCR模型挖掘过程描述（二）文本预处理文本预处理，是将原始的投诉文本数据实施分词和剔除停用词，并根据投诉本身的特点，选取能代表投诉的特征词的过程。分词，采用TD-CS分词技术，将一段文本转化为词语集合。原理：按词长对中文词汇分进行分词，对要分词的文本进行匹配，如果找到了匹配词汇，则在该词汇处分词，如果没有匹配，那么缩短词汇继续进行匹配，直到匹配为止，如果一直到最后单字都没匹配，则认为该词为新词，在新词后进行分词。选择特征词。采用基于感知语义和统计分析过滤法，对投诉内容信息核心词汇的分析，并剔除高频词（超过2/3的投诉分类中都出现了的词）和低频词（在总体样本中出现次数小于5），构建投诉词典。根据投诉词典，构建过滤系统，过滤投诉文本中的无用词汇（如：数字、标点符号、感叹词等），过滤系统根据投诉词典对输入的文本逐一判断，智能识别新词并自适应地纳入到投诉词典中，由于投诉内容的普遍性，投诉词典在较长一段时间内比较稳定不会改变。CCR模型挖掘过程描述

（四）优化

根据模型训练的结果，采取优化训练集、修正关键词、修正模型算法等方式，优化模型。（五）分析模型输出结果以二维表形式导入数据仓库中并维护