基于大数据的IT客服用户画像研究报告

基于大数据的IT客服顾客画像研究报告随着电网建设信息化程度的提高，基于大数据的IT客服顾客画像构建重新唤醒了数据的价值。多个应用场景顾客画像的构建，对顾客重点关注的系统咨询、系统操作、系统建议、IT需求、故障维护等业务提供个性化服务，通过聚类模型、归纳聚类不同的顾客群体，以每一类顾客群体作为分析维度，进而开展个性化、差别化的精确服务，对标一流的服务管理水平，凸显精益化运行管理水平。通过辅助和主动服务手段提高IT客服管理的主动性，挖据潜在的客户诉求，实现服务先行，提高顾客满意度。标签：IT客服顾客画像个性化服务Abstract：Withtheimprovementoftheinformationizationdegreeofpowergridconstruction，theuserportraitconstructionbasedonbigdataITcustomerservicehasreawakenedthevalueofdata.Theconstructionofuserportraitsofvariousapplicationscenariosprovidespersonalizedservicesforsystemconsulting，systemoperation，systemrecommendations，ITrequirements，faultmaintenance，etc.，whicharefocusedonbyusers，andclustersdifferentusergroupsthroughclusteringmodels.Asakindofanalysisdimension，agroupofuserswillcarryoutpersonalizedanddifferentiatedprecisionservices，andstandardizetheservicemanagementlevelofthefirst-classservice，highlightingthelevelofleanoperationmanagement.EnhancetheinitiativeofITcustomerservicemanagementthroughassistiveandactiveservicemeans，tapthepotentialcustomerappeal，achieveservicefirst，andimproveusersatisfaction.Keywords：ITcustomerservice，userportrait，personalizedservice0引言用戶画像在诸如电商行业、通信行业、推荐系统中应用成效明显。近年年，随着着电网系统的升级换代，基于大数据分析技术的顾客画像在电网客户系统中的重要性与日俱增。传统的客户系统无法精拟定点顾客诉求，各类诉求工单不降反增。对此，本文从几个典型顾客画像应用行业作为切入点，结合成功经验与电力行业业务特点，以提高客户体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘办法识别客户特性、提炼客户标签、构建客户标签库，最后形成完整的顾客画像支撑体系，从顾客档案、话务、事件、满意度等客户的基本属性和行为进行的数据建模、标签库建设及分析计算，以支撑顾客服务和电网运行。1顾客画像介绍1.1顾客画像的定义随着大数据技术的不停深化，打破信息孤岛，数据“可视化”，顾客画像的概念应运而生。顾客画像，即顾客信息标签化，公司通过收集和分析顾客的社会属性、生活习惯、顾客行为等重要信息的数据之后抽象出标签化的顾客模型。以标签库建设为载体，通过高度凝练的特性标记给顾客进行打标签，以提高顾客体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘办法识别顾客特性、提炼顾客标签、构建顾客标签库，最后形成完整的顾客画像支撑体系。1.2顾客画像的意义顾客画像的应用场景诸多，顾客画像能够有效的协助公司理解顾客的爱好点、偏好取向、人口属性特性。精拟定位目的群体、挖掘潜在的顾客需求，提供差别性的个性化服务。总体而言，顾客画像重要用于实现精确营销和推荐系统的基础性作用，其体现在下列五方面：（1）精确营销：针对历史顾客特性，挖掘产品的潜在顾客和顾客的潜在需求，对特性群体运用短信、邮件等多个方式营销。（2）顾客统计：对顾客的属性、行为特性进行分类，统计不同特性的顾客数量、分布，分析不同类别的顾客画像群体的分布特性。（3）数据挖掘：以顾客画像为基础构建推荐系统、搜索引擎、广告投放系统，提高服务精确度。（4）服务产品：对产品进行受众分析，掌握顾客使用产品的心理动机和行为习惯，完善产品运行，提供与顾客需求对标的产品。（5）理解行业动态和顾客研究：通过顾客画像分析理解行业变化态势，消费习惯、消费偏好分析、不同地区或产品的消费差别，塑造与市场和顾客需求相一致的营销方略。1.3顾客画像特性分析每个顾客的形象都是立体多维的，单纯从某几个方面难以做到顾客特性的全方位覆盖。不同的公司对顾客特性的关注点是不尽相似的。对此，公司结合行业特点和业务重心，对构成客户画像的特性体系进行合理设计是建设客户画像的首要工作。在电子商务、通信、金融等行业，已经通过对客户业务需求、场景建设方向、现有数据现状特点进行分析，结合其数据特性和业务特性经验成果，汇聚各个系统零碎的原始数据，并根据业务的规则构建起相对成熟的顾客户画像应用体系。（见图1）2顾客画像行业应用2.1电子商务随着电子商务的繁华，顾客画像在诸如淘宝、天猫、京东为代表的电商平台得到广泛应用。对顾客浏览、关注、购物信息建立顾客画像。实现，一、对顾客数据进行挖掘和分析实现精确营销，协助商家获取目的群体，通过推送短信、邮件等形式精确营销;二、对顾客购置的商品进行统计分析，得出最受顾客欢迎的Top10产品，为顾客提供决策支持;三、分析产品之间的关联，运用聚类分析算法，为顾客推送有关产品或将产品推送给特定特性的顾客群体。2.2精确营销精确营销是从顾客的角度出发，调研顾客的产品需求和购置能力，有计划的组织营销活动，满足客户需求的产品方略、渠道方略和促销方略。公司以精确、高可靠和高回报的营销方略以求更加好的营销效果。精确营销的基本原则是可量化，获得市场需求的精拟定位。有别于传统的粗放式广告投放营销，精确营销减少营销成本，形成公司与顾客之间的长效沟通。精确营销是建立在顾客画像的基础之上的，将顾客标签化，抽象出顾客的信息模型。根据顾客的浏览行为、分析出顾客的偏好及购置倾向，向顾客推送其感爱好的产品;对顾客所在地区的热度产品推荐给本地顾客;通过关联分析和预测算法搭建智能推荐系统。（见图2）2.3新浪微博新浪微博是一种巨大的社交网络平台、每天都产生着巨大的顾客交互数据信息，这些数据的背后蕴含巨大商业价值。明星效应在一定程度上刺激消费。对此，公司能够将营销方略与明星效应相结合，聚合特定类别的粉丝人群，建立顾客画像。实现广告的精确投放，避免消费广告聚集造成粉丝反感。基于微博顾客行为数据、博文数据为顾客提供热搜词指数，采用数理统计办法得出和反映不同事件领域的发展状况，预测热词趋势、实时性、地区性解读和属性分析。根据寻找热点关联和顾客偏好取向，统计频率。对特定粉丝群体提供直击需求的服务，从而实现流量优质转化。3顾客画像在IT客服系统中的应用3.1构建顾客画像必要性分析顾客画像在电子商务、通信、金融等行业的应用已经日臻成熟。随着电网信息化水平的提高，运用大数据来分析顾客的行为，优化IT客服服务，是将来业务的发展趋势。通过“顾客画像”研究顾客特性，集中IT客服的多个信息，涉及工单、事件、问题、呼喊信息等数据，运用大数据技术平台，将顾客诉求信息，自动识别合成存储为客户的投诉、举报、偏好等构造化数据，丰富客户热点分析数据集，理解客户反映的问题及潜在服务需求。全方面梳理客服分析体系服务，理解和掌握不同顾客的目的、行为和需求的差别，快速有效地解决顾客诉求，提高顾客满意度和减少投诉。3.2IT客服系统顾客画像概述基于客服顾客关注点、客户信息、来访渠道、来访时长、ITSM工单数据，实现客户标签库、客户群的管理，基于大数据分析，自动标定客户标签，提高客服效率和质量，实现主动服务和个性化服务。采用客服大数据，对客户服务对象进行精确画像分析，构建客服全景及话务预测;实现服务需求挖掘以及顾客目的预判。能够有效的提高客户满意度，减少客户投诉率。通过分析客户的人员信息、岗位信息、年纪信息、工作信息、组织信息等基本属性特性，话务属性，问题属性，交互属性，渠道属性，结合渠道分析、关注热点分析、投诉分析、满意度分析、工单分析等动态事件属性。构建客服顾客属性库，基于属性库，形成服务标库库，按照客服精细化管理规定，实现客户群的管理，并针对不同的客服群进行个性化服务方略。应用K-means聚类模型，将客户归纳聚类为业务敏感型客户、价值型客户、潜力型客户、引导型客户、普通客户五大类，进而支撑对顾客开展个性化、差别化的精确服务。（见图3）3.3标签库架构根据电网IT客服业务现状及对支撑客户全方位服务的规定，可将顾客标签分为顾客个体标签和顾客群体标签两大类。其中：顾客个体标签，用于描述具体顾客个体的顾客属性、行为偏好和业务状态。个体标签基本可分为6个一级分类：顾客行为偏好渠道类、客户服务评价类、服务客户属性类、话务状况变化类、投诉风险类、顾客分群类，基本涵盖了6大类顾客画像模型（顾客行为偏好渠道类画像模型、客户服务评价类画像模型、服务客户属性类画像模型、话务状况变化类画像模型、投诉风险类画像模型、顾客分群类画像模型）所需标签。3.4建立和优化算法库及标签计算算法模型按照标签库的设计进行标签数据计算，建立个体顾客标签算法库，通过建立模型进行统计分析，得出客户的渠道偏好与使用习惯;建立群体顾客标签算法库，通过话务量、事件分类、业务分类、地区等数据，形成多维数据集进行统计分析。标签计算算法库将是一种不停完善与优化过程，标签计算工作应开展不同算法运行对比分析，找出最适宜值或算法选择。3.5构建基于标签和算法的顾客画像模型在完毕电网IT客服标签库及标签计算算法库建设后，开展顾客画像的应用场景建设，涉及顾客服务及IT客服系统运行支持，基本画像场景以下：1、顾客行为偏好渠道类画像建模;2、客户服务评价类画像建模;3、服务客户属性类画像建模;4、话务状况变化类画像建模;5、投诉风险类画像建模;6、顾客分群类画像建模。4电网客服系统顾客画像应用展望通过收集顾客社会属性、生活习惯、行为、交互特性等各个原始系统的零碎数据，运用多个大数据技术对数据信息進行深层加工，通过关联分析挖掘顾客隐性特性和潜在需求，并以标签形式固化分析成果，形成顾客画像。为顾客的潜在需求提供主动服务，对不同特性的顾客群体提供差别性的个性服务，根据顾客的画像描述选择针对性的方法，如对风险型顾客进行提前沟通及心理疏导，进而在一定程度上规避投诉风险。5结语总而言之，顾客画像在IT客服领域的应用大有可为，建立顾客画像标签库，训练标签库算法模型，进行顾客属性画像、顾客行为偏好及渠道、顾客投诉风险管控、客户服务评价等数据画像等多个应用场景建模，实现电网运维的多维度、综合性、精确化运维管理，确实提高公司的服务水平和解决顾客“痛点”问题，完善电网客服系统运行，打造智慧型客服服务平台。参考文献[1]王晓霞，刘静沙，许丹丹.运行商大数据顾客画像实践[J].电信科学.，5.[2]刘勇，吴翔宇，解本巨.基于动态顾客画像的信息推荐研究[J].计算机系统应用.，6.[3]张海旭，胡访宇，赵家辉.基于话单数据的移动通信顾客画像研究[J].计算机系统应用.，11.[4]杨洁.面对公司营销的全景顾客画像与模型预测[D].浙江大学..[5]刘彪，刘金长.基于顾客画像分析预测电费敏感型客户的建模实践[J].电力大数据.，8.[6]郝胜宇