在客户服务中心的日常运营工作中总会遇到一些突发事件导致客户短时密集来电，这些突发事件可能因为客户对于某批次的短、微信推送中的活动感兴趣，也可能是某一个活动的网页出现故障导致客户来电问询。
对于一些影响力较大的突发事件，客户短时密集来电规模很大，客户服务中心的运营管理者完全可以从话务报表或现场反馈中了解相关信息，从而对突发事件进行应急处置，或者增派人力尽快满足客户服务需求，或者调整服务话术，或者修改自助语音广播及时安抚客户，但还有很多影响力较小的突发事件并未带来太多的客户短时密集来电增长，可能几分钟话务高峰就过去了，容易被管理者忽略。
那有没有可能通过一种算法对来电数据进行监控，批量化、自动化地发掘所有客户来电的异常情况，进而对所有异常情况进行分析管理呢?答案是肯定的。本文把客户来电量异于常规的时段称之为异动时段，并且通过一套算法利用Excel工具实现异动时段的常规管理，帮助大家用数据驱动运营管理增效。
客户来电异动监测的数据基础是客户来电的时段报表，为了准确抓取到每一个客户来电异动时段，需要分钟级的客户来电时段报表，即需要了解到每一分钟的客户来电规模，然而大部分话务系统是不提供分钟级时段报表的，所以需要依照来电记录流水自行加工处理(如图1)。
图1 分钟级来电量报表示例
来电记录流水报表加工成分钟级时段报表的过程比较简单，不予赘述，只需要如图1所示的简单数据报表就可以完成后续来电异动监测工具的开发。
需要说明的是不论客户服务中心的规模大小、不论队列日均来电量的规模大小，一天也只有24小时共计1440分钟，用于进行客户来电异动监测的数据基础一天也只有1440行，所以说这个工具是可以全行业适用的。
客户来电异动监测工具的开发大致分为以下几步：
1、计算带有星期因素的来电量对比基础数据;
2、计算每一分钟的来电量偏离量;
3、计算每一分钟的连续一段时间累计偏离量;
4、获取连续偏离量排名前列的时间片段，即客户来电异动时段。
获取到来电异动时段之后便可以检查异动原因，针对性地进行管理调整，接下来本文将详细阐述每一步的具体计算过程。
第一步需要计算带有星期因素的来电量对比基础数据，这是因为在大多数客户服务中心中客户来电的时段选择更多是来自社会生活的常态化作息规律，这样的作息规模带有明显的星期因素，如周六日上午的来电高峰就要比工作日晚一些，再比如虽然周六日全天的来电量对比工作日可能偏少，但午餐时段的来电规模会呈现大致相当的情况，因为吃饭时大家都不愿意打电话。
星期因素存在一定的行业特性，每家客户服务中心都需要自行测算，因为只有使用本中心自有的基础数据作为对照才能准确找到来电异动时段，其测算的结果大致如图2所示，需要包含每一个星期因素下每一分钟的历史平均来电量。
图2 分钟级星期因素来电量历史数据示例
图3 分钟级来电异常时段测算示例
第二步计算每一分钟的来电偏移量，即图3中的“单点偏移”字段。
单点偏移 = 来电量—参考值，要注意参考值一定要使用对应的星期因素下每一分钟的历史平均来电量。
第三步计算每一分钟的连续一段时间累计偏离量，即图三中的“累计偏移”字段。
累计偏移字段的计算逻辑是如果“接下来一小段时间”的累计偏移量达到“起步条件”则计算出该点之后“最大的连续偏离时间区间”内的累计偏移量，其中“起步条件”可以用日均来电量的0.5%或暂行确定为累计偏移量达到50通就纳入统计，这是我们认定来电异常的最低标准。
识别异动的判断条件是“接下来一小段时间”达到“起步条件”，“接下来一小段时间”可以使用3分钟、5分钟或10分钟的时间间隔，但最多不要超过10分钟，因为短时密集来电异动监控的主要对象就是对集中性的客户来电异常进行抓取，如果连续30分钟总体存在偏移则很可能是全局性营销活动带来的而不是不易被管理者察觉短时来电异动，而在客户收到异常短信或产品使用出现批量化异常时也往往会在很短时间内进行处理，试想若是看到疑问性短信要么当即拨打电话询问要么不了了之，一般情况下并不会过一段时间再来电。
要注意最后得出的累计偏移量是“最大的连续偏离时间区间”内的累计偏移量而不是“接下来一小段时间”的累计偏移量，因为在短时密集来电时客户经常因为接通率短时下降而导致多次重复来电，进而导致总体异常时段有可能拉长，因此应当把全部的异常时段都抓出来而不是每一次只找到“一小段时间”。
第四步是在得出“最大的连续偏离时间区间”内的累计偏移量后汇总所有的客户来电异动时段数据，一般情况下在数据阈值设定合理的基础上我们总是能够发现一批客户来电异动时段，其中不乏是客户服务中心管理者还不了解的异动时段。
图4 客户来电异动时段示例
如图4所示，我们找到了8月14日一段客户来电异动以及9月10日两段客户来电异动时段，受篇幅所限，仅展示9月2日的异动时段分析。
图5 9月2日分钟级来电趋势图
如图5，9月2日下午14时33分开始客户来电规模持续高企，一定有特定的影响客户行为的因素存在，我们称之为客户短时密集来电诱发原因，不过具体的诱发原因无法通过话务数据反馈，可以通过现场问询、业务流量分析去寻找。
在绘制分钟级来电趋势图的过程中若受到客户服务中心服务规模限制而使得每一分钟的来电规模过小就会形成锯齿状的来电趋势图，不利于读图观察，这时可以采用临近时段的数据进行“钝化”处理，比如9时30分的来电量等于9时28分至9时32分五分钟来电量的平均值，“钝化”之后来电量异常波动的“毛刺”变少了，但仍然保持了分钟级的数据精度，兼顾读图的便利性与管理的精细化。
图6 双十一分钟级来电趋势图
客户来电异动监测工具的一个副产品是可以看到客户全天来电行为的全貌从而发现一些很有意思的现象，如图6所示在双十一时客户更多在工作时间购物，于是客户来访的时段也聚集在工作时间，从图中可以明显看到在下午17时之后来电量对比平日增幅有限。
客户来电异动时段的监测可以帮助大家了解所有的客户短时密集来电诱发原因进而对诱发原因分类管理，了解并保留应当存在的诱发原因能够规避不应该发生的诱发原因。
客户来电异动时段的监测就像是对客户服务的健康体检一样，每隔一段时间就应该排查检验一次，以确保我们了解每一个可能影响客户行为的诱因，从而从被动地按照客户来电趋势承接来话向管理、调度客户来电趋势转变。
下期预告：
在线聊天客服又称之为静默的客户服务中心，随着互联网新技术的日益普及，人们的行为习惯也在随之改变，在线聊天客服规模逐步增长。《数据驱动力》连载第四期，我们就来聊聊静默客服都会考核的一个指标——平均响应时长。
肖子京简介：
毕业于合肥工业大学信息与计算科学专业;曾任职于北京银行信用卡中心科技部、北京银行信用卡客服中心;目前就职于知名互联网公司客户服务部，担任运营管理副总监。
开设数据驱动力系列公开课程：
《数据驱动力——客服中心绩效管理与运营提升》
《数据驱动力——客服中心数据信息化建设实务》
本文刊载于《客户世界》2017年11月刊;本文作者肖子京.
转载请注明来源：客户来电异动监测与管理
本文链接地址：http://www.ccmw.net/article/113961.html
