大數據時代的到來，敲響了喚醒沉睡中的海量信息及突破傳統分析理念的鐘聲。利用技術手段，針對看似散亂、無序、低價值的海量數據進行深入挖掘和分析，洞察深藏其中的業務價值，盤活數據資產，引來各行業競相角逐。如何捕捉并探尋符合自身行業特色、務實有效的大數據應用發展思路，是時代賦予的重要發展機遇。
歷經概念炒作、技術完善、場景探討，客戶心態從被動了解漸漸走向主動擁抱，大數據應用在若干失敗的風投案例中逐漸走向成熟，應用項目從嘗試走向更廣更深的實踐應用，應用方向從技術主導型逐漸轉向價值應用型。針對客服中心沉睡多年的海量音頻數據，技術的關鍵性突破使全量數據分析及價值挖掘成為可能。以下結合中國銀行客服中心實踐對大數據應用進行交流探討。
客服中心大數據的應用場景
客服中心傳統管理手段是基于系列系統統計報表、抽樣質量檢查和人的經驗，而跨系統數據分析、數據項的重新組合分析是難以基于全量數據進行的，基于員工效能的多維度分析、對欺詐風險的偵測與防范往往更多依賴于人的經驗和從事后的教訓中習得。
利用大數據技術建立基于客戶電話行為的數據分析平臺，匯集各應用系統數據、語音數據形成基礎數據池，再依據業務服務與管理需求的特點進行建模分析，如：深度挖掘客戶數據，洞察客戶行為模式，構建外呼預測模型，有效提升外呼座席利用率和整體產能;針對客戶電話交易型風險和座席操作合規性風險，構建數據全量篩查及報警模型(例如：同一來電號碼為多個客戶辦理高風險業務)，自動抓取風險線索，為風險稽核提供數據支持等。通過建模、模型訓練、有效性驗證、結果展示等動作，提供一般查詢定制、業務分析、運營指標監控，甚至敏感客戶名單及其特征等，將如同大數據在其他領域的應用一樣，成為業務與管理決策的基本工具。
另外，客服中心在密集接觸客戶的過程中匯集了海量信息。以中銀金融商務有限公司為例，通過電話和網絡渠道為客戶提供服務，全年轉人工電話量過億通。客服中心作為銀行連接客戶的重要觸點，日均數十萬次的交互，客戶的需求也通過語音、文本和工單傳遞到客服中心。
海量的客戶交互信息中，通過對這些信息的歸類分析，理解每一個呼叫的真正價值，將其提取并客觀反饋到銀行各相關環節。一方面，可幫助銀行管理部門、產品部門、市場部門等有效掌握客戶需求信息，了解自身產品功能、服務、業務流程等方面的不足，為其優化和創新提供直接依據;另一方面，每一次呼叫中也許可以捕捉到新的商業機遇，可以通過對客戶需求的跟蹤，及時推動創新和進行客戶挽留。
以往，這些數據主要用于客服中心業務處理和內部管理，客戶通話的錄音數據一般僅僅用于抽樣質檢和糾紛處理。越來越多的銀行高管已經看見其中蘊含的價值，大數據技術的發展洽為其價值的充分挖掘與展現提供了技術支撐。
中國銀行客服中心在探索實踐中逐步豐富應用場景，逐漸形成“提升內部管理效能，服務集團價值分析，提高營銷精準度，防控相關業務風險”四大客服中心大數據應用。以下將針對客服中心增值轉型中最具代表性應用場景——“客戶之聲”的價值挖掘進行闡述。
“客戶之聲”大數據挖掘助推呼叫中心價值轉型
客服中心作為對外交流的巨大窗口，匯集了盈千累萬的客戶聯絡信息，包含著客戶的需求、問題、投訴、建議及偏好等重要信息;蘊含著企業改善產品設計、優化服務流程、提升客戶體驗及加強營銷效果的重要價值信息和參考依據，是企業以客戶為中心戰略轉型和持續發展的推動力。
“客戶之聲”的價值挖掘奠定了客服中心作為“價值中心”的基礎。這里的價值挖掘是指以發現有助于提升服務水平、產品質量、流程效率及客戶體驗等為目的，針對各渠道客戶聯絡信息進行收集、匯總和深度挖掘的大數據應用場景，其應用實現主要分為以下三個層面：
一是源數據采集匯聚。以客戶聯絡信息為主線，針對各渠道信息進行數據提取、轉寫和清洗等數據準備工作，采集范圍包括語音通話數據，文本客服、微信、微博及社區等渠道的文本數據，以及相關業務系統所產生的結構化數據。
目前，客服中心數據量最大的依然是語音數據，這部分數據需通過以聲學模型、語言模型及發音詞典為基礎的語音識別技術實現音頻數據到文本數據的準確轉換。近年語音技術取得較大發展，市場上一般用戶解決方案有關語音識別引擎識別率能達85%以上，用戶環境訓練后可達到更高，已基本可支撐基于大數據的分析應用。
二是數據分類體系。數據能夠按照業務屬性進行分類和標注是大數據應用的前提，分類的目的是根據數據集的特點構造一個分類函數或分類模型，該模型能把未知類別的樣本映射到給定類別。
由于文本數據的半結構化甚至于無結構化的特點，當用特征向量對文檔進行表示的時候，特征向量通常會達到幾萬維，需要使用特征選擇、特征抽取等降維技術，降低特征空間的維數，提高分類的效率和精度。而從實際應用層面來看，分類準確性的提升需建立在業務專家對業務知識的全面分析和梳理之上，需按照業務參數對文本進行反復的聚類分析和驗證，迭代優化聚類效果，建立完備的數據分類體系。
三是業務主題分析模型。在完成數據準備的基礎上，運用趨勢分析、根源分析、關聯分析及回歸分析等數據挖掘算法，構建業務主題分析模型。例如：產品主題分析、投訴主題分析、同業情況主題分析、突發事件主題分析、高風險業務主題分析、服務態度主題分析等，從產品、服務及流程等各個方面深度挖掘價值信息，洞察客戶關注點、市場敏感點、服務薄弱點、疑似風險點等熱點及重點信息。
大數據應用在實踐中遭遇的窘境
大數據的成功應用不在于實現技術的某一方面，而是需要把一連串的技術、人員和流程糅合到一起，捕捉數據、存儲數據、清洗數據、建模分析數據并對數據進行價值可視化，在應用中持續強化、優化尤為重要。由于大數據技術真正開始應用可以說仍處于起步階段，各機構乃至市場中大數據人才仍在成長中，相關應用在實踐落地中常常遭遇窘境，在傳統機構內，以下兩類尤為常見。
技術驅動還是業務驅動?大數據應用源于技術的發展，雖已經歷數年的概念沉淀，因應用場景還在探索中，成功實踐仍鳳毛麟角，成熟的行業解決方案更是寥寥無幾，其應用實質、分析特征尚未能普及。一般需要在技術平臺上結合用戶自生數據特征、業務活動場景設定分析主題。在傳統機構內常常發生這樣的情況，技術部門預研引進技術方案，卻并不了解業務的場景需求，業務部門將其當作一項技術避而遠之，兩者之間沒有機會契合而遭遇尷尬，要么遲遲不能啟動，要么建起系統平臺后暫時擱置。
屈身成為報表系統。傳統的IT應用系統建成后，相應功能是確定的有限的，只要學會操作即可。大數據類應用的目標是基于大數概率去發現規律，去尋找價值，因此大數據類應用系統重在使用，在使用中持續優化模型、擴展模型，從數據中尋找規律、尋找關注點。然而目前在傳統機構中，業務部門在建設過程中提出一些原報表系統未能覆蓋的主題分析作為初始需求，在IT部門建成大數據系統后，則將其當作傳統報表系統使用，未能全面盡其所能。
大數據應用展望
越來越多的應用涉及到大數據，而這些大數據的屬性，包括數量、速度、多樣性等都呈現了不斷增長的復雜性，大數據最重要的現實是對大數據進行分析，只有通過分析才能獲取更多智能的、深入的、有價值的信息。分析思路離不開業務思維，脫離業務思維，工具只是工具，技術也只是技術而已。只有將大數據的手段和方法滲入管理理念，融入業務思維，才能真正發揮大數據的價值。
對于客服中心來說，通過大數據應用項目的有效開展及在實際應用中的深入探索，不斷擴展基于大數據應用場景，建立數據驅動的價值挖掘、科學決策、精細化管理理念，才能充分發掘客戶聯絡信息的數據價值，產生大數據真正的“大”價值。
京公網安備 11010502049343號