提到數(shù)據(jù)驅(qū)動運營,說的比較多的是產(chǎn)品運營、用戶運營、內(nèi)容運營和活動運營，而對服務運營卻鮮有提及。并非大數(shù)據(jù)在服務運營中就無能為力了，事實上，用數(shù)據(jù)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(shù)據(jù)來驅(qū)動服務運營。

一、什么是服務運營

在商業(yè)領域，服務指為用戶做工作，滿足用戶需求或解決用戶遇到的問題，并使用戶從中受益的一種有償或無償?shù)幕顒印?strong>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(nèi)容設計、標準制定、資源協(xié)調(diào)、服務執(zhí)行與交付、服務監(jiān)測和評估等。服務運營雖然是產(chǎn)品價值鏈的后端延伸部分，但卻是產(chǎn)品最終實現(xiàn)價值的、不可或缺的組成部分。

二、為什么需要用數(shù)據(jù)驅(qū)動服務運營？

傳統(tǒng)的服務運營通常存在四個方面的問題：

1、需求洞察：主要依靠實證調(diào)查，數(shù)據(jù)獲取成本高

為了解用戶的服務期望與需求，企業(yè)通常的做法是采取用戶調(diào)研，通過電話訪問、問卷調(diào)查等實證手段來收集用戶反饋和評價。采取這些用戶調(diào)查的手段收集用戶需求，往往需要借助外部市場調(diào)研公司的力量來完成，市場調(diào)研的執(zhí)行周期長、費用高，還對用戶有一定的騷擾，但用戶調(diào)研回收的數(shù)據(jù)量有限，不一定能找到用戶的真實訴求。如果服務運營人員親自去業(yè)務場景中挖掘用戶需求的話，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(diào)查之外，開發(fā)更多的用戶需求挖掘和分析的手段。

2、質(zhì)量監(jiān)測：以結果性指標為主，缺乏過程性指標

為診斷服務問題、發(fā)現(xiàn)服務短板，企業(yè)經(jīng)常會開展服務質(zhì)量監(jiān)測與評估工作，通常的做法就是進行用戶滿意度調(diào)研。類似于滿意度等感知類指標往往都是結果性指標，是用戶在事后才反饋出來的數(shù)據(jù)，這種數(shù)據(jù)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，需要讓用戶很方便的對每次服務做出及時的評價。同時，服務質(zhì)量監(jiān)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，有時候用戶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(lián)合分析，才能給出較全面的服務質(zhì)量監(jiān)測結果。

3、服務交付：以被動服務為主，服務重標準化、輕個性化

在服務交付過程中，企業(yè)通常的情況是被動救火式的處理各種問題，見招拆招、疲于應付。如果能在問題出現(xiàn)之前，提前做好預判，并將相關服務前置的話，就可能會減少很多投訴問題的發(fā)生，這對于提高用戶感知是大有益處的。另外，一線服務人員在服務交付時是按照服務標準來執(zhí)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，用戶的個性化需求難以得到滿足，這樣即使企業(yè)提供了很符合標準要求的服務，但還是不一定能用戶有好的服務體驗。

4、服務效率：服務主要依賴人工，效率低、成本高

在勞動力密集型的服務行業(yè)，服務的交付往往靠人工面對面來完成，服務作業(yè)的在線化程度低，人工服務成本高，人均效率還不一定高。特別是對于一些簡單的、重復性較高的標準化服務環(huán)節(jié)，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(shù)據(jù)技術后，能在一定程度上得到緩解。在用戶需求分析時，利用自然語言處理、音視頻處理技術，可以采集到更多的用戶數(shù)據(jù)，細致全面的偵測到用戶的需求；在服務質(zhì)量監(jiān)測時，引入更多過程性指標數(shù)據(jù)，結合前后臺相關數(shù)據(jù)，可以形成更及時、更客觀的分析；在服務交付時，利用數(shù)據(jù)可以偵測到問題征兆，可以提前做好服務準備，還可以基于用戶分類分級，為用戶提供更貼心的個性化服務；在服務效率提升方面，可以基于知識圖譜技術等手段建立機器人服務機制，提高服務效率?？傊瑪?shù)據(jù)驅(qū)動的服務運營將更高效、更智能。

三、如何用數(shù)據(jù)驅(qū)動服務運營？

數(shù)據(jù)化的方法和手段可以滲透到服務運營的諸多環(huán)節(jié)，筆者選取了以下六個方面進行闡述：

1、 利用自然語言處理和文本挖掘技術洞察用戶需求

自然語言處理研究的是能實現(xiàn)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(zhuǎn)化為結構化數(shù)據(jù)，并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征，將文本數(shù)據(jù)轉(zhuǎn)化為可供分析的結構化數(shù)據(jù)，然后利用分類、聚類、關聯(lián)分析等技術實現(xiàn)相應的目標。

隨著電商購物的滲透率越來越高，用戶在購物網(wǎng)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著用戶的需求，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(jīng)被證實是可以高效挖掘用戶需求的新模式。例如：某公司技術人員從某電商平臺上隨機抽取15000條護膚品類產(chǎn)品的評論，采取自然語言處理與文本挖掘技術提取了用戶需求（如下圖），并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(fā)現(xiàn)，超過95%的已知用戶需求都能從在線評論中提取。此外，還從用戶評論中發(fā)現(xiàn)了5個新需求。

2、構建更全面的服務質(zhì)量監(jiān)測指標體系

 由于服務實際上是由前后臺相關部門共同完成的，而用戶往往接觸到的只是交互界面上的部分環(huán)節(jié)。為了全面監(jiān)測服務質(zhì)量，需要從服務的實現(xiàn)過程到交付完成、再到用戶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(zhì)量監(jiān)測時，從支撐、交付和感知三個維度構建了監(jiān)測指標體系，并制定了各指標的評分標準，通過數(shù)據(jù)大屏的形式實時監(jiān)測這些指標的變化。

3、基于用戶畫像開展“渠道-用戶-服務”相匹配的精準服務

為提升服務體驗，滿足用戶個性化需求，企業(yè)需要基于標簽畫像對用戶進行進一步的分類分級，開展“渠道-用戶-服務”三方面相匹配的精準服務。以某公司為例，他們首先構建以客戶基本特征、興趣愛好、社會特征及電信特征為中心的PCST客戶標簽分類體系。再根據(jù)數(shù)據(jù)標簽，提煉用戶相關偏好，基于每個細分用戶群的偏好特征，不斷匹配和積累產(chǎn)品、渠道、場景等方面的服務規(guī)則。結合細分用戶群特征，支撐各類營銷活動的目標用戶識別和提取，為產(chǎn)品和服務找到目標用戶?；谟脩舻燃壧峁┎町惢?，滿足用戶個性化服務需求。

4、基于用戶智能識別模型提供主動服務

 艾伯特-拉斯洛·巴拉巴西是美國東北大學教授網(wǎng)絡科學研究中心的創(chuàng)始人、主任，也是全球社會網(wǎng)絡的領軍人物、“無尺度網(wǎng)絡”創(chuàng)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布，一旦冪律出現(xiàn)，爆發(fā)點就會出現(xiàn)?；诖死碚摽梢宰龀鲆韵峦茢啵捍罅坑脩粼谂c企業(yè)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(guī)律的用戶行為模式，具有相同模式的用戶應該存在類似的需求。某電信運營商客服中心基于此推斷，開展了基于用戶智能識別模型的主動服務嘗試。用戶智能識別模型基本原理如圖所示，其基本思想是從種子用戶群的數(shù)據(jù)中提煉出典型的行為軌跡模式，再將其他用戶的行為軌跡與這些行為軌跡模式進行比對，才從而預測目標用戶的可能需求。

用戶智能識別模型的結果可應用于用戶實時畫像、話務分流和精準營銷場景下。在話務分流場景下，提前識別用戶的呼入需求，并針對用戶呼入后可能產(chǎn)生人工話務的環(huán)節(jié)進行提前干預，采取主動服務方式，可抑制用戶的人工話務量。在實際項目試點中，篩選出可做話務分流的規(guī)則和用戶后，通過優(yōu)化短信內(nèi)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11.9萬分鐘/月。

5、基于知識圖譜和智能語音技術提供機器人應答服務

用戶聯(lián)絡中心沉淀了大量的用戶服務案例，對這些案例的海量內(nèi)容資源進行碎片化、結構化處理，將內(nèi)容切成不同顆粒度的知識片段，并加注語義標簽，挖掘各類關系，組織領域知識圖譜，可構建專業(yè)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(yè)度與處理效率。例如：某移動公司研發(fā)了智能應答機器人，通過引入語音轉(zhuǎn)寫軟件，打造基于智能語音技術（語音合成、語音識別、自然語言理解）的交互控制系統(tǒng)，將客戶問題即時語音轉(zhuǎn)寫為文本信息，無需手動輸入問題內(nèi)容，交互極為快捷方便。在專業(yè)知識庫的支持下，系統(tǒng)和用戶基于智能語音技術進行直接溝通，語音實時轉(zhuǎn)文字，關鍵語義提取，以智慧、活潑的業(yè)務助理方式幫助客戶解決問題，真正實現(xiàn)智能機器人“快捷、智能、貼心”的目標。

 6、基于NLP和CNN建立投訴工單智能分類模型

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(zhuǎn)發(fā)到相應的職能部門進行處理，再向客戶返回處理結果。首要環(huán)節(jié)就是工單的有效分派，如果出現(xiàn)工單分派錯誤的情況，就會影響工單的順利流轉(zhuǎn)。傳統(tǒng)的工單分類依靠人工，基于對工單內(nèi)容的理解手動分類方式，這對于短期少量投訴工單分類還是很有效的。但是隨著投訴工單數(shù)量的不斷增長，網(wǎng)絡新用詞語的不斷增多，不同客服人員理解上的偏差，傳統(tǒng)的人工分類方式已經(jīng)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(shù)據(jù)采集、數(shù)據(jù)清洗、高頻次統(tǒng)計、模型訓練四個步驟，建立了基于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。

四、小結

服務運營雖然處在產(chǎn)品價值鏈的末端，但對于維系用戶、提升用戶價值具有不可忽視的作用。伴隨著大數(shù)據(jù)與人工智能技術的進步，散落在各個服務接觸點的文本數(shù)據(jù)、音視頻數(shù)據(jù)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戶提供更加智能化的服務，到時候數(shù)據(jù)驅(qū)動的服務運營將步入一個嶄新的境界。

-END-