行业深度 | 文本数据分析在呼叫中心应用实践思考

　　我们在实践过程中，接触到了不同行业的数据，但遗憾的是，发现尽管都有数据，但数据的质量上有较大差异，有的能做出全局性的分析和洞察，有些则不能。

　　语音数据不能做分析的核心问题是其转译准确率问题。转译准确率问题一部分是跟转译引擎本身的性能和是否有做过细分领域的语音标注优化相关，一部分是跟录音源头数据的本身质量有关。前一部分的问题基本都是共通的，依赖于技术和人工优化上的能力，后一部分问题跟呼叫中心服务过程的规范性和客户群有关。在实践中就发现因为客服本身语速过快，咬字不清，口音较重，客户方言等问题导致转译准确率不高。在人工测听发现都需要来回好几遍才能大致听清甚至还听不清的情况下更遑论机器转译的效果。这个情况呼叫中心必须先从规范客服的沟通做起，客服侧语音的转译准确率较高的情况下，客户侧如果是全国性市场，建议其尽量说普通话，双管齐下，才能真正把语音数据较好地利用起来。否则，虽然积累了海量的数据，有可能也无法利用。

　　工单数据在各个呼叫中心根据业务性质和管理的需要，都不太一样，字段多的有上百个字段，字段少的可能就个位数。工单数据除了能做传统的结构化统计分析以外，根据其字段情况，也能做一些文本分析，比如通信类和制造类企业都有报障工单用以描述报障现象。对现象的聚类分析能较好地反映出产品主要的故障问题及表现，为优化产品和提升故障处理效率提供较好的决策参考。但实践中依然有发现有一些问题会阻挡对数据的深度挖掘，主要是各种不规范的填写，包括漏填、错填（如前个字段的内容填到后面字段中）、格式规范问题（同样是说数量，既有填写确数也有填写预估数的，既有写阿拉伯数字的，也有写中文字的）、语言一致性问题（同样一个意思表达，不同的人用不同的文字来描述）等。这些问题如果涉及的工单的数量多，则也将影响工单数据的分析，无论是结构数据或非结构数据。解决方法一是在工单系统上做文章，如部分可封闭选择的问题可用选择点击的方式而非开放性填写；二是加强工单填写规范性培训指导和考核，降低工单填写出错率。

　　传统的结构化数据分析体系是基于管理体系的指标框架构建，其对运营效率和成本方面的反馈是相对准确的，但在质量和效果洞察（尤其客户侧反馈的洞察上）缺乏足够的数据和细节依据，洞察全局相对较难。而这正是文本分析的一个较大优势，其能从全量交互的语音转译文本中洞察全局，包括主要的交互场景，热点的问题和需求，客户方对产品和服务的真实评价等。

　　作为管理和支撑人员，我们既可以了解到产品和服务各方面的主要问题，也能从真实录音文本中获取到问题的具体症状表现或者部分原因，除了简单的百分比数据之外，还向我们传递了更多的细节，或获取有益的经验。譬如，在电销和催收领域，那些做得特别成功的客服代表他们在沟通策略上有哪些技巧和特征，业绩普通的员工和他们之间的具体差距在哪里，就可以通过转译文本和录音的分析获取得到。同时，通过精确提取成功案例和失败案例，可以为日常培训提供丰富的素材。在几乎所有的呼叫中心，员工的服务效率都是比较受关注的。以前的方法我们是通过听录音来发现，但现在我们可以用录音的静默时长和静默次数相对较为准确地筛选出待提升员工的名单。尽管静默时长和静默次数中包含了客服和客户双方的静默，但从长期大量数据的角度，静默时长和静默次数数据远高于平均水平的员工，其在效率上还是有可提升空间的，比如在通话过程控制能力上，客户需求理解能力上，专业知识和技能熟练程度上。当然也不能排除本身就是比较慢性子的员工。

　　尽管文本分析在全场景和细节发掘上有着传统结构化数据分析所没有的优势，但从完整的分析项目角度而言，其所耗人工甚费，主要在数据预处理及人工语义解读上。预处理的人工主要花在人工检查数据和做优化标注的时间，特别是一个新的行业或新的业务领域，未经标注的文本可能转译准确率比较低，会影响分析。人工语义的解读主要是消耗在系统工具聚类结果的语义解读翻译方面的时间较长。这方面成本的削减有赖于未来语义技术的持续进步。

　　尽管文本分析从技术和成本上都有提升空间，但瑕不掩瑜。从文本分析中汲取的场景、产品、业务、流程和服务的洞察和细节将有效地帮助企业做出更加有针对的优化对策，同时也能梳理出一些较好的案例或服务和营销的具体话术，帮助客服团队持续提升，同步地，我们也可用于机器人客服的持续智能化。