版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
统计分析方法在客户投诉问题中的应用研究摘要伴随互联网行业的兴起,消费者服务观念觉醒,维权意识提高,投诉成为消费者宣泄不满的主要表现行为,对企业产生了严重的负面影响。本文以某快递公司为例,对其处理客户投诉问题的工作现状和需求进行研究。首先,结合公司历史投诉数据,选取主成分分析法和灰色关联法分析客户投诉的分布特征和主要原因。其次,针对公司日常投诉量的发展趋势,建立投诉数量的统计预测模型,并对预测结果进行对比优化。最后,针对公司各部门在投诉业务指标上的完成情况,利用因子分析和聚类分析方法,对各部门处理投诉业务的竞争力进行排名和分类。研究结果对该公司改善工作流程和完善管理方式具有一定的参考价值和指导作用。关键词:客户投诉;主成分分析;预测;因子分析目录1 绪论 [6]中作者主要应用了逐步线性回归模型与ward聚类方法分析了影响该地区电力客户投诉的因素并对进行了归纳分类,有效地分析了客户投诉类型和投诉时间分布规律。从以上的论文研究中,可总结出以下两点:(1)针对投诉研究的内容,多是以客户主观体验为主,整体从客户角度分析影响其投诉的因素再进行预测,并无提及企业自身问题的改善,其实投诉的根本原因在于企业自身的产品、服务以及工作流程,因此客户的主观体验结合企业的客观自检对投诉问题的改善是有必要的;(2)针对投诉研究的方法,因子分析、灰色关联分析以及聚类分析是常用的统计分析方法,近年来,统计分析方法已经被应用于很多领域问题的研究,例如,文献[7-10]中,分别展示了统计分析方法在数据建模、基层工作、油田分类以及玉米品质分析的应用过程,因子分析、主成分分析多用于多因素的综合提取,灰色关联分析则用于多系统与参考系统之间的关联性度量,聚类分析则是根据个体或变量间的相似性进行分类。因此针对企业投诉问题,选取合适的统计分析方法是可行的。基于以上研究现状,本文以德邦快递公司为例,从客户主观和企业客观角度研究其投诉业务现状,借助SPSS与R软件,首先以主成分分析方法为主,灰色关联分析方法为辅得出客户投诉的主要原因,接着选取时间序列中的ARIMA模型与指数平滑模型对投诉数量进行预测,并对预测效果进行对比优化,最后应用因子分析和聚类分析方法计算出公司主要部门在投诉指标完成情况上的得分排名及分类,辅助公司投诉业务的开展,提高工作效率,为快递物流企业处理投诉事件的方向和完善管理方式提供参考。统计分析方法理论简述主成分分析与灰色关联分析理论简介主成分分析法主要是利用降维的思想,在信息损失很少的前提下,将数据简化并进行综合分析的一种方法。主成分分析步骤如下:(1)依据所研究的问题选取初始变量;(2)依据初始变量特性判断由协方差矩阵还是相关矩阵求主成分;(3)计算(2)中矩阵的特征值与特征向量;(4)选取主成分,得到主成分表达式:y1(5)结合主成分对研究问题进行下一步分析。灰色关联分析法是对一个系统发展变化趋势的定量描述与比较的方法,通常用来分析多个因素与变量之间的相互关系,解决随时间变化的综合评价类问题。灰色关联分析步骤如下:(1)确定分析数列。xikk=1,2,…,m;i=1,2,…n,n(2)计算差异数列,逐个计算xik对∆ik(3)计算差异序列极差。差异序列最大极差:M=maxi=1差异序列最小极差:m=mini=1(4)计算关联系数。ρik其中,γ为分辨系数,取值范围为0<γ<1,通常γ越小,关联系数间差异越大,区分能力越强,一般取γ为0.5。(5)计算各个关联度。由步骤(4)共得到m×n个关联系数,信息分散不利于比较,故取每个影响因子的平均值记作关联度。τi=ARIMA模型与指数平滑法理论简介ARIMA模型全称为求和自回归移动平均模型,是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的经典时间序列分析方法,模型实质是差分运算与ARMA模型的组合。自然界中大多数时间序列为非平稳序列,此时可对非平稳序列进行差分运算,若差分后序列趋于平稳,此时可对差分平稳序列使用ARIMA模型进行拟合。ARIMA模型拟合过程可借助R软件实现,建模步骤如下:获得观察值序列获得观察值序列白噪声
检验检验平稳性
检验检验差分运算NY拟合ARMA模型N分析预测Y 图2-1ARIMA模型建模过程指数平滑法是一种简单的高效的时间序列预测方法之一,常用的一般可分为以下三种:(1)简单指数平滑,只适用于预测没有长期趋势和季节效应的时间序列,其预测模型为:Ft+1=αxt(2)Holt两参数指数平滑,适用于具有趋势的,但是没有季节效应的时间序列,其预测模型为:St=αbt=γFt+m=(3)Holt-Winters三参数指数平滑,适用于既含有趋势又含有季节效应的序列,根据各分量的组合方式,Holt-Winters指数平滑法分为加法模型和乘法模型两种,本文主要讨论加法模型,其预测模型为:at=αbt=βst=γ其中,at为序列的水平部分,bt为序列的长期趋势部分,st为序列的季节因子因子分析与聚类分析理论简介因子分析法主要是把一些过于复杂的变量转化成无关的新的因子的方法,因子分析和主成分分析的思想近乎一致,都是降维,但前者是后者的推广,因子分析的出发点是初始变量的相关矩阵。x称之为因子模型。它的矩阵形式为:X=AF+ε,其中A=a因子分析模型的假设:(1)X=(X1,X2,⋯,X(2)F=(F1,F2(3)ε=(ε1,ε2,⋯,εP)'与COVε=ε=因子分析步骤大致为:求解因子载荷矩阵、因子旋转、计算因子得分,本文主要是运用主成分法确定因子载荷。聚类分析与主成分分析、因子分析一样,都是希望用少量信息去概括简化数据。与其他分析方法相比,虽然聚类分析方法比较粗糙,理论也不够完善,但由于其实用范围很广,所以很受研究者们重视。因此就出现了很多种聚类方法,如K均值聚类、系统聚类,这也是本文运用的聚类方法。聚类分析的步骤如下:(1)分析所研究问题,确定聚类分析的初始变量;(2)计算n个观测值中所有n2(3)令i=n,n−1,…,2:在i个类中,比较任意两类之间的相似度,找到相似度最大的一对,将他们结合起来为一类。(4)依次计算剩下的i-1个新类中,每两个类之间的相似度。客户投诉数据统计分析从企业管理角度,服务整体提升需要事前控制和事后挽救的共同作用。对已发生的投诉进行原因分析是事后挽救工作中必不可少的一步。投诉体现了产品服务问题,一旦处理不当则会转化为二次投诉,对其首要解决的问题就是观察投诉数据的多维度特征,分析其产生的高频因素,以此为基础改善企业日常运营环节,并对投诉高峰期做好预判。客户投诉数据概览本文所有的统计分析数据均来自于所实习的物流企业—合肥德邦快递投诉数据,收集的数据如表3-1所示。表3-12020年9月—2021年2月投诉数据日期凭证号投诉产生原因责任部门……客户投诉内容产品类型2020/9/19:159220030283装车环节装车部……运输延误大件快递2020/9/19:31DPK210214461922派送环节派送部……未送货上门标准快递2020/9/110:52DPK200022641799走货路径后勤部……运输延误重包入户2020/9/19:15DPK300092026202卸车环节卸车部……运输延误3.60特重件2020/9/19:31DPK300092701594虚假交接装车部……派送准确率低航空大件2020/9/110:527420777710丢货装车部……货物丢失重包特惠2020/9/19:15DPK210111580723分拣超时中转场……未送货上门大件快递2020/9/19:31DPK210314214219走货路径后勤部……配送点不合理电商重货……由于收集到的数据并不是所有特征都适用,所以根据本文研究内容,删除无关的数据列,将一些参差不齐的数据规范化,保留有用的特征,如表3-2所示。表3-2投诉实验数据投诉时间点投诉产生原因责任部门工单类型产品类型投诉途径客户投诉内容2020/9/19:15装车环节装车部派送工单标准快递微信运输延误2020/9/19:31派送环节装车部派送工单标准快递微信未送货上门2020/9/110:52走货路径错误卸车部转货工单大件快递微信运输延误2020/9/111:35卸车环节卸车部转货工单电商重货电话运输延误2020/9/111:59虚假交接装车部转货工单电商重货电话派送准确率低2020/9/113:27丢货装车部转货工单大件快递电话货物丢失2020/9/28:50分拣超时中转场派送工单重包入户电话未送货上门2020/9/211:19走货路径装车部丢货工单重包入户微信配送点不合理……2021/2/2817:46卸车环节卸车部转货工单特快专递微信货物包装破损投诉主要原因分析经统计调查,客户投诉的因素有:费用高、货物包装破损、货物丢失、货物破损、客服服务态度差、快递员服务态度差、派送准确率低、配送点设置不合理、事故处理拖延、未按要求包装、未送货上门,虚假承诺、运输周期延误不准时,而投诉涉及的产品类型有:大件快递3.60、重包入户、标准快递、微小件特惠、电商重货、电商泡货、电商尊享、经济大件、航空大件、其他等。表3-3不同产品的投诉因素数量产品类型/投诉内容货物丢失事故处理拖延……运输延误大件快递3.6043127162重包入户25866标准快递395297……经济大件122基于主成分分析对客户投诉原因的综合分析主成分分析的特征值和贡献率对不同产品类型的投诉进行主成分分析,载荷值、特征值和方差贡献率如下图。前四个主成分(F1~F4)累积贡献率已经达到97.613%,即保留了原有指标97.613%的信息,结合碎石图,取前四个主成分是合理的,其他主成分的贡献率太小,此处忽略不计。由图3-3可知,第一主成分主要在运输周期延误不准时、货物丢失、货物破损上载荷值较大,其权重系数分别为0.975、0.913、0.908,可表示为运输时效与品质差;第二主成分在费用高、货物包装破损、未按要求包装上的载荷值较大,权重系数为0.935、0.738、0.634,可表示为性价比低;以此类推,第三主成分在未送货上门、派送地点不合理、派送准确率低上的载荷值较大,可表示为派送方式不合理;第四主成分在快递员服务差、事故处理拖延、客服服务态度差上的载荷值较大,可表示为服务态度差。图3-1碎石图图3-2主成分分析的总方差解释图3-3主成分分析的成分矩阵投诉原因综合模型的建立根据原始指标的标准化数据及主成分的特征根和方差贡献率构建主成分得分表达式(表3-4),式中,X1~X12分别表示:费用高、事故处理拖延、快递员服务态度差、货物破损、客服服务态度差、派送地点设置不合理、派送准确率低、未按要求包装、货物丢失、货物包装破损、未送货上门、运输周期延误不准时。主成分系数=成分矩阵数值/sqrt(主成分对应的特征值)表3-4主成分的表达式主成分表达式F1F1=-0.1288X1+0.0168X2+0.2083X3+0.1564X4+0.1644X5+0.1262X6+0.1296X7+0.0896X8+0.5076X9+0.1501X10+0.1047X11+0.7459X12F2F2=0.9314X1+0.0083X2+0.1285X3-0.0415X4+0.0662X5+0.0339X6+0.1033X7+0.0185X8-0.1697X9+0.053X10+0.2067X11-0.1529X12F3F3=0.2807X1+0.0158X2+0.0207X3-0.0917X4-0.0299X5+0.191X6+0.2047X7+0.012X8-0.2655X9+0.2269X10+0.8429X11+0.0155X12F4F4=0.188X1+0.0737X2+0.7867X3-0.0134X4+0.4091X5+0.015X6+0.1507X7+0.2412X8-0.1447X9+0.0056X10-0.1568X11-0.2147X12FF=(51.796/97.613)F1+(19.896/97.613)F2+(16.432/97.613)F3+(9.490/97.613)=0.531F1+0.204F2+0.168F3+0.097F4不同类型产品投诉排序通过表3-4公式计算13种产品投诉主成分得分并进行排名(表3-5)。第一主成分中,大件快递、标准快递得分较高,客户对该类产品投诉原因大多是运输时效与品质差;第二主成分得分靠前的分别是特准快件,说明客户对该类产品投诉原因大多是运输费用高,性价比低;第三主成分中得分靠前的是重包入户,说明客户对该类产品投诉原因大多是派送方式不合理,其中未送货上门是主要原因;第四主成分中得分靠前的是微小件特惠和标准快递,客户对该类产品投诉的原因是服务态度差;按照主成分综合得分对不同产品的投诉品质排序,可以得出大件快递、重包入户以及标准快递三种产品投诉风险很高,产品竞争力弱,需要从运输时效和品质、服务态度、派送方式等方面全方位改进。表3-5主成分得分、综合得分及排序产品类型主成分得分综合得分F排序F1F2F3F4大件快递4.96-0.99-0.680.592.371重包入户1.740.974.400.071.872标准快递2.34-0.43-0.221.301.243微小件特惠0.630.460.094.120.844重包特惠0.24-0.39-0.190.030.026特准快件-1.252.900.470.000.015电商重货-0.83-0.20-0.46-0.60-0.627电商泡货-0.87-0.31-0.54-0.73-0.698经济大件-1.44-0.08-0.44-0.96-0.9511特快专递-1.31-0.52-0.60-0.96-1.009电商尊享-1.38-0.47-0.61-0.93-1.0210航空大件-1.42-0.41-0.59-0.92-1.0312其他-1.42-0.53-0.63-1.03-1.0713基于灰色关联分析对客户投诉原因的综合分析经以上主成分分析得出,客户投诉原因可综合为四点:货物运输时效和品质差、性价比低、虚假承诺以及服务态度差。因此接下来可以借助主成分分析得出的权重系数,进一步利用灰色关联分析方法,以期望得出客户投诉的最主要因素。表3-6客户投诉因素统计表因素因子载荷权重数量总数量成分命名运输周期延误0.9750.349468780运输时效与品质差货物丢失0.9130.327235货物破损0.9080.32577费用高0.9350.389227366未按要求包装0.7380.307111性价比低货物包装破损0.7300.30428未送货上门0.9320.431118347派送点设置不合理0.6180.28697派送方式不合理派送准确率低0.6130.283132快递员服务态度差0.8300.35994事故处理拖延0.7670.323220472服务态度差客服服务态度差0.7130.309158根据分析结果将所得的每个主成分(运输时效和品质差、性价比低、派送方式不合理,服务态度差)的投诉总数量分别乘以对应的权重(表3-6),得到三条数据列X1、X2、X3,总体投诉均值作为参考数列X0,主成分数据列表如表3-7所示。表3-7各成分数据列表因素运输时效和品质差性价比低派送方式不合理服务态度差X0260122116157X1272142150170X225511398151X325311198146根据上文中灰色关联分析法的步骤计算得到各因素之间的关联系数,如表3-8所示;最后分别计算每个元素各因素关联系数的均值,即灰色关联度,如表3-9所示。表3-8各因素关联数据表因素运输时效和品质差性价比低派送方式不合理服务态度差X10.7590.5950.4310.733X21.0000.8460.6470.957X30.9170.7860.6290.786表3-9各因素和投诉数量的关联度因素运输时效和品质差性价比低派送方式不合理服务态度差关联度0.8920.7420.4260.825由此可以看出,各个成分与投诉量都有较大的关联,其中,运输时效和品质差和投诉数量的关联度为0.892,说明货物的运输时效和品质差是客户投诉的最主要因素,所以企业在日常运营管理时,一定要保证货物运输时效和产品质量,使客户的要求得到充分满足。其次,服务态度与投诉数量的关联度为0.825,表明服务态度差对投诉的影响程度仅次于运输时效与品质差,因此服务态度也是该企业的重点改善方向。第三是性价比低与投诉数量的关联度为0.742,主要体现在货物包装质量与费用不成正比,因此提升货物的包装质量,平衡产品服务的性价比也是十分重要的。最后是派送方式不合理与投诉数量的关联度为0.426,即提高对派送服务方面的重视,如:大件送货上门、事先与客户预约送货地点等,对减少客户投诉也是十分必要的。建立客户投诉数量预测模型并对预测效果评估事前控制与事后挽救相互配合,企业方可实现有目标性地管理,快递服务投诉的事前控制自然十分重要。事前控制环节中,典型的包括预测控制和规划,以投诉工单数据为基础的投诉预测,利用历史数据对未来的影响提前预判、做好防控,对投诉量的减少和客户满意度的提升均有所帮助。客户投诉数量预测根据本文现有的数据基础,投诉预测可选用2020年9月至2021年2月每天实际的投诉数量数据为样本,以2021年3月第一周的投诉数据量为测试数据进行研究。基于ARIMA模型的投诉预测模型首先对收集到的每日投诉数量进行统计,得到如表4-1所示的数据,通过该数据如图4-1所示的投诉数量时序图。表4-12020/9/1—2021/2/28投诉日数据投诉数量9月10月11月12月1月2月1日61431210332日102499443日104364224日102103622……25日15555166……图4-1投诉数量时序图对时间序列数据建模之前,首先检验序列的平稳性。平稳的本质是系统稳定,变量收敛,如果时间序列非平稳,选用平稳序列模型预测时需采用差分处理。R语言中可通过观察序列时序图、自相关图来判断序列的平稳性:一般来说,平稳序列的时序图会显示出始终在一个常数均值附近随机波动,且波动范围有界;自相关系数具有短期相关性,因此自相关图会显示出迅速衰减到零的特点。观察图4-1和图4-2,可得出,投诉数量序列上下波动幅度较大,且相关图也呈现出正弦波动规律,这是非平稳时间序列的典型特征,大致可判断出该时间序列为非平稳序列,需要进行差分处理。图4-2投诉数量自相关图与偏自相关图其次,检验其纯随机性。如果序列是纯随机序列,序列之间不存在任何相关性,则该序列对未来的发展不具有可预测性,无法再提取有效信息。这样不具有分析价值的序列称为白噪声序列。R语言中使用Box函数进行纯随机性检验:延迟1期的检验结果:X-squared=86.184,df=1,p-value<2.2e-16延迟6期的检验结果:X-squared=172.44,df=6,p-value<2.2e-16延迟12期的检验结果:X-squared=205.14,df=12,p-value<2.2e-16当P值小于0.05时,认为该序列不是随机序列。显然,投诉量的序列在P值远远小于0.05,说明该时间序列并非白噪声序列。综上所述,投诉数量时间序列为非平稳非白噪声序列,需要进行差分运算。由于图4-1中的投诉序列时序图呈现出曲线趋势,因此尝试对该序列进行1阶差分,对差分后的序列(简称num_1序列)进行同样的平稳性与纯随机性检验:图4-3num_1序列的时序图图4-4num_1序列的自相关图与偏自相关图图4-3中num_1序列时序图始终在一个零附近随机波动,且波动范围有界;自相关系数具有短期相关性,显示出迅速衰减到零的特点,因此一阶差分后的投诉序列已趋于平稳。Num_1序列的纯随机性检验步骤同上,检验结果如下:延迟1期的检验结果:X-squared=5.7574,df=1,p-value=0.01642延迟6期的检验结果:X-squared=13.195,df=6,p-value=0.02004延迟12期的检验结果:X-squared=24.051,df=12,p-value=0.01001显然,num_1序列在P值依旧小于0.05,说明num_1序列并非白噪声序列。可进行ARIMA模型拟合。根据图4-4中num_1序列自相关图和偏自相关图均拖尾的特点,再由R中auto.arima函数辅助模型定阶函数结果:Series:num_1ARIMA(1,0,1)withzeromeanCoefficients:ar1ma10.6380-0.9528s.e.0.07630.0335sigma^2estimatedas26.9:loglikelihood=-545.09AIC=1096.18AICc=1096.32BIC=1105.72因此可对num_1序列尝试拟合ARMA(1,1)模型。利用R软件进行模型显著性检验:(1)模型残差序列的纯随机性检验:延迟6期的检验结果:X-squared=2.8677,df=6,p-value=0.6796延迟12期的检验结果:X-squared=9.8642,df=12,p-value=0.7362显然,num_1的残差序列在P值大于0.05,说明该残差序列为纯随机性序列,即ARMA(1,1)模型已经较为充分提取了num_1的序列信息。(2)模型参数的显著性检验:检验结果:pt1=8.196989e-14,pt2=3.226936e-68检验结果显示:两个参数的t统计量的P值远远小于0.5,因此该模型的两个参数均显著非0。综上可得,对num_1序列拟合ARMA(1,1)模型是显著有效的。根据上文中的ARIMA模型预测投诉3月第一周的投诉数量,预测结果如下:表4-2投诉数量ARIMA模型预测值时间投诉数量(四舍五入取整)2021年3月1日92021年3月2日102021年3月3日112021年3月4日112021年3月5日122021年3月6日122021年3月7日13图4-5未来一周投诉数量预测图基于指数平滑的投诉预测模型由于上文中已经对序列数据作了预处理,此处将直接利用R软件对投诉序列作指数平滑预测。时序图4-1中可以看出序列波动存在趋势但不存在季节特征,所以该序列可以大致被描述为一个有趋势增加或减少但没有季节性的加法模型,因此我们可以直接使用Holt两参数指数平滑模型进行预测。采用R中的HoltWinters()函数,设置季节参数gamma=FALSE,结果如下:Holt-Wintersexponentialsmoothingwithtrendandwithoutseasonalcomponent.Call:HoltWinters(x=num,gamma=F)Smoothingparameters:alpha:0.794192beta:0.05337377gamma:FALSECoefficients:a5.8545635b-0.5731806表4-3投诉数量指数平滑预测值时间投诉数量(四舍五入取整)2021年3月1日62021年3月2日52021年3月3日52021年3月4日42021年3月5日42021年3月6日32021年3月7日3大多数情况下,指数平滑模型的拟合效果还是较好的,但指数平滑预测值易受近期观测值趋势影响,预测结果也更接近近期观测值。图4-6指数平滑拟合图图4-7指数平滑预测图预测方法评估与优化使用建立的ARIMA模型和HoltWinters双参数指数平滑模型时间序列模型对测试集数据进行投诉数量预测,投诉预测结果与误差指标如表4-4和表4-5所示。对比可知,时间序列ARIMA(1,1,1)和HoltWinters模型的各项预测误差指标各有优势,综合比较,ARIMA模型预测结果较为精确;但从现实应用角度考虑,影响投诉数量的因素有很多,因此应对客户投诉数量预测保留一定余地。指数平滑法本身对数据的趋势具有放大作用,这在指数平滑模型中有所体现;而ARIMA模型对历史数据要求较高,从而也有不小的误差。因此为了结合两种模型的优势,减少预测误差,对两种预测模型的预测值进行加权组合,利用方差倒数法确定权重,得到组合模型为y=0.545表4-4预测结果对比真实值预测值ARIMAHoltWinters组合预测2021年3月1日39672021年3月2日810582021年3月3日911582021年3月4日711482021年3月5日1212492021年3月6日812382021年3月7日61338表4-5模型误差指标对比MADSDEMAPEARIMA3.5714.230.673HoltWinters4.1434.4880.577组合预测1.572.10.31图4-8模型预测趋势图各部门在投诉指标上的综合得分和竞争力分析企业各部门的发展竞争力的高低对企业未来的发展至关重要,它代表着公司内部进行资源优化和整合的能力。德邦快递整体投诉量在同行业中排名较高,由于其大件的业务特性和人员缺乏等因素,使得各部门在投诉指标上的竞争力呈现出不平衡情况。鉴于此,本章将针对投诉业务,对公司6个部门竞争力进行因子分析和聚类分析,根据结果明确今后减少投诉、提高客户体验的方向和重点。投诉指标数据概览由于公司各个部门的人员结构、操作模式以及风险率不同,所以各部门的投诉指标也不同,具体如表5-1(指标是指各部门产生投诉数量占总数量的规定比值)。表5-1各部门投诉工单指标部门派送工单理赔工单丢货工单转货工单车队0.0110.0100.0260.043后勤部0.0020.0020.0050.008派送部0.0060.0050.0130.022卸车部0.0360.0330.0860.143中转场0.0070.0070.0170.029装车部0.0590.0540.1420.235各部门投诉指标数量=投诉总数量×各部门投诉指标,由此计算出近半年各部门不同投诉工单的指标数量。表5-2各部门投诉工单指标数量部门派送工单理赔工单丢货工单转货工单车队20194981后勤部44915派送部10102542卸车部6762162269中转场14123354装车部111102268444表5-3各部门实际投诉工单数量部门派送工单理赔工单丢货工单转货工单车队415737后勤部1021675派送部4202660卸车部1138148253中转场1523665装车部709212481表5-3是近半年各部门不同投诉工单的实际数量,根据:投诉指标完成比=实际数量÷指标数量(可看出完成比越低的部门,实际投诉数量小于指标数量,则该部门越有优势,完成比小于1即达标),计算出各部门投诉指标完成比。表5-4各部门投诉工单指标完成比部门派送工单理赔工单丢货工单转货工单车队0.200.051.160.45后勤部2.600.571.724.87派送部0.3821.172.620.00卸车部1.680.130.910.94中转场1.100.161.101.20装车部0.630.090.791.08各部门投诉业务竞争力分析我们选取上表5-4中公司6个部门的投诉工单指标完成比的数据,为了简便计算,派送工单指标完成比记为x1,理赔工单指标完成比记为x2,丢货工单指标完成比记为x3基于因子分析对部门投诉业务竞争力分析1)因子分析的特征值与贡献率对构成各部门在投诉指标上的综合实力的各个变量提取公因子。由图5-1可得,KMO检验中KMO值为0.869,意味着变量间的相关性较强,适合作因子分析。图5-2中提取载荷平方和方差百分比显示第一公因子的方差贡献率是57.665%,前两个公因子的方差贡献率为96.012%,随着公因子个数大于3,碎石图中曲线的变化趋势明显趋于平稳,由此可见,选前两个公因子已足够替代原来的变量。图5-4中经因子旋转后将指标划分为两大主因子,变量派送工单完成比x1和转货工单完成比x4在第一公因子上的载荷均较大,因此第一公因子主要反映各部门货物运输时效;变量理赔工单完成比x2和丢货工单完成比x3图5-1因子分析的KMO检验图5-2因子分析总方差解释图5-3碎石图图5-4因子分析的成分矩阵图5-5因子分析的成分得分系数矩阵2)因子得分根据上文两大主因子的特征根和方差贡献率构建因子得分表达式(表5-5),式中,丢货工单指标完成比记为x1,理赔工单指标完成比记为x2,派送工单指标完成比记为x3表5-5因子得分表达式因子表达式F1F1=0.498x1-0.06x2+0.147xF2F2=0.044x1+0.488Xx2+0.555x3FF=(48.913/96.012)F1+(47.099/96.012)F2=0.509F1+0.491F2由表5-5计算出各部门因子得分以及综合得分,给出排名。表5-6各部门因子得分部门F1F2FRank车队-0.798-0.469-0.6371装车部-0.459-0.722-0.5882中转场-0.100-0.440-0.2673卸车部0.101-0.578-0.2324派送部-0.6641.9080.5995后勤部1.9210.3001.1256由表5-6可看出,在该公司6个部门中,车队排名第一,在投诉指标完成情况上有绝对的优势,车队只负责市内及周边地区的货物运输,因天气原因偶尔会有运输超时,因此投诉完成情况相对较好;排名第二的是装车部,虽然装车部的投诉数量最高,但对应的指标也相对较高,因此完成情况相对良好;而中转场、卸车部投诉量居中的部门,在投诉指标完成情况上也保持居中的水平;排名靠后的派送部、后勤部这两个部门,由于日常工作量大,人员缺乏,且投诉数量指标很低的部门,在投诉指标完成情况的竞争力上完全没有优势,是该企业减少投诉、提高客户体验的重点管理部门。基于聚类分析对部门投诉业务竞争力分析选取表5-4中各部门在投诉指标上的完成情况数据,分别应用系统聚类与K均值聚类两种聚类方法,可对投诉指标完成情况尝试按照良好、一般
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年司炉工考试题库及参考答案
- 2026年江苏教师资格题库带答案
- 2026年学年辽宁省锦州市统招专升本教育理论自考测模拟试卷(含答案)
- 2026年安全技能题库带答案
- 2026年证券从业资格考试模拟题基础知识押题二及参考答案
- 2026年上半年四川省公考行测模拟题模拟考试带答案
- 2026年卫生高级职称面审答辩(消化内科)在线题库及参考答案
- 2026年风疹题库带答案
- 2026年大学生心理健康科普知识竞赛题库及参考答案
- 2026年中级资格考试中级会计实务财务决策测模拟试卷带答案
- 高盛-中国2027年展望:阻力减少不确定性增加
- 2026年国家医保药品目录新增药品名单
- 2026年三力测试全部模拟试题(含答案)
- 配电柜转运方案
- QC/T 783-2026摩托车用车速传感器
- 动物疫病防治员考试题库及答案
- (2026年秋)语文人教版七年级上册知识点大全
- 2026年广西高考物理真题含答案
- 工程项目专项施工方案编制要点及专家论证要求
- 儿童木工教育工具安全标准与课程分级体系
- 初中八年级跨学科项目式学习:设计我们的“海绵校园”导学案
评论
0/150
提交评论