第9章业客户服务中的应用（课件）《商业分析实务》（华东师范大学出版社）

第九章 商业分析在通信行业客户服务中的应用 1 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 目录 CONTENT 01 02 03 04 01 电信行业客户服务简介 3 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，Text Mining)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（Complain Content Recognizer）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 （三）文本分类 输入模型中的数据首先根据 TF-IDF算法进行了特征词加权。TF-IDF（term frequency–inverse document frequency）是一种加权技术，常用来进行信息搜索和挖掘。技术的核心内容是，利用某个词语或短句在文章中的出现频率TF，如果只在一篇中有而在其他文章中不多的话，那么这个词语或者短句就具有良好的类别判别能力，适合用来分类。同时如果包含词条的文档越少，IDF反文档频率(Inverse Document Frequency)越大，则说明词条具有很好的类别区分能力。TF-IDF的计算公式如下： （表示关键字在文档中的出现频率，N表示投诉训练集的总条数，表示训练集只含有关键字的总条数） 应用支持向量机SVM法和KNN方法对分类模型实施训练，训练时采取分类别的建模并训练方式，如基础原因类、市场营销类等。模型训练主要采取测试集数据进行。随机抽取测试集进行人工原因分类。将训练集在不同算法下得到的文本分类与人工分类结果进行比较，测试各算法的正确率，错误率以及系统计算所需的时间开销。 （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，建立原因标签库，并建立标签与关键词映射关系。对各类投诉记录打上标签，用于多维分析进而统计出各类别下原因热词（原因为客户文本中表述的投诉原因）。 CCR模型挖掘过程描述 思考题 试用5W2H分析自己所在行业，谈谈如何利用商业分析提升客户满意度。 利用Python工具，实现自己行业的某个文本进行文本挖掘。 $$