在客户中心工作的那些年深有感触，客户中心绝对是一个数据的集散地，“集”是汇总了客户接触过程中的各种数据，“散”是客户中心可以从数据中加工出各种信息对外提供，虽然现实中的“散”很多时候“做到的”不如“希望的”、“演示的”那么好。
近几年大数据的兴起、多媒体渠道的发展使得客户中心的数据具有了更加突出的地位，一个很直观的感受是从三四年前开始每当要写年度工作总结计划或者写同业交流材料的时候 PPT 里面总要想方设法出现大数据的字眼，从发展方向来说不可否认客户中心“集”如此之多和客户行为习惯相关的数据，在以客户为中心、客户体验等运营理念下具有大数据的天然优势，因此未来客户中心对企业来说有两大核心能力，其一是渠道，其二就是数据，优质服务、销售业绩只是在此能力上的产出物或外在价值。
落实到具体的应用，在日常沟通中谈及客户中心有大数据或者需要大数据应用时表达最多的声音来自两个方面：一方面是客户中心和客户接触的渠道众多，有电话、短信、微信、在线等等，所以客户中心有大数据，需要充分进行渠道整合，全维度、全接触地进行客户画像；另一方面是客户中心的数据量多，每天几万、几十万的客户接触记录，涉及几十万、几百万客户，所以客户中心富含有价值的客户声音和其他发现。客户画像和价值发现的进一步落地点就是希望给客户提供与之习惯偏好匹配的服务，能够洞察客户真实的诉求，智能应答，能够挖掘客户的销售机会，增加收入来源。
理想如此，现实呢？现实自然没有理想那么美好。
说到大数据一般有两个维度，一是数据全面，二是数据量多，所以也可以从这两个维度来看看客户中心大数据应用的现实。
上面提到的多渠道，就是数据全面的一个场景。现在几乎每个客户中心都有电话、短信、微信、在线等多个渠道，不管是甲方还是乙方，都在寻求一个统一的工具或系统，希望能承载尽可能多甚至是所有的渠道。可是对于大数据来说，在渠道方面的关键点不是工具或系统是不是统一的，而是各个接触渠道的数据是不是集合在一起的，这些数据是不是可以当做一个整体来访问和使用的。如果我们有打过某个客户中心电话，通常会发现这样一些现象：直到客户主动说了，客服人员才知道去查一下刚给客户发送了什么短信；在座席和客户的沟通过程中，才知道刚才客户已经在APP上忙活了半天，至于忙了什么还是要靠客服人员问客户来回答。
这说明了什么？说明多渠道整合项目更多的是从使用工具的角度去整合，而不是从数据的角度去整合，项目成员也多是用户而不是数据专家，对多渠道的数据怎么用想得应该不够多。如果真的是从数据的角度去整合，相信项目实施的重点就不是一个多渠道整合的工具或系统，重点是怎么把多渠道的数据整合起来，而这些数据不管是否使用新的工具或系统，其实已经存在于客户中心的后台，不见得全但一定不少。当然，好的多渠道整合的工具或系统，是会在数据层面给甲方更多帮助的。
另外一个场景是客户画像，虽然客户画像也和数据全面有关，但更多的还是从数据量多这个维度进行的相关性分析。不管用什么聚类方法，对一个客户的分类或定义，是根据众多维度综合得出的，通常很难解释为什么。这是《大数据时代》中所讲的大数据特征之一，相关性只负责“是什么”，不负责“为什么”。代表“是什么”的相关关系和代表“为什么”的因果关系不同之处在于，相关关系只是一种可能、概率，而因果关系代表的是一种稳定的输入输出。那么一个很现实的问题是，对于销售来说不管推荐什么商品本来就无对错之分，而对于讲究对错的客服来说，又如何应用相关关系生成的客户画像？
客户画像的现实就是客户中心可能整了一堆客户画像或标签，但不知道怎么去用。经常听到客户中心的传统业务人员这样说客户画像，“画像经常不准，不敢用”。其实本来就是这样的嘛，相关关系得到的就是可能，最多也是很大程度上的可能。说到这里，可能有客户中心说客户画像或标签很准，比如“投诉客户”，准的原因是什么？是因为这个客户真的有投诉历史记录。这个标签，应该十年前不说“大数据”的时候很多客户中心就已经在用了吧。如果说这个标签换成“疑似投诉客户”，那还有点大数据的味道，其含义也有了本质的区别。
从以上可以看到，数据全面所带来的大数据优势，不仅在接触渠道上没有体现出来，在客户与公司交易的全数据方面，也没有很好地得到实现，不少客户中心还在苦于查不到足够的信息来应对客户咨询；而数据量多所带来的大数据优势，在销售上面应用不错，但对于总要问个“为什么”的客服应用来说，似乎还得另辟应用场景。
另外，上述分析也可以佐证客户中心大数据应用现实很“骨感”：客户中心数据量最大的是语音，但是目前长文本的分析还处于初级阶段；大数据的相关性分析需要大量的数据，而现实中还有相当多的客户中心其实数据量并不是如此之多；除了相当有创新决心的客户中心之外，在做所谓大数据项目的并不是大数据技术专家，退一步讲现在大数据专家本来就不多；相当有创新决心的客户中心，又没有长期的业务专家沉淀，有发现也不敢随意应用；大数据成功案例喊的最多声音最响的是电商、电销成功率提升了几个百分点，绝对数字极有可能还在50%以下，而鲜有服务方面的经典案例。
光是揭露现实的骨感肯定是不行的，是要被人拍砖的；倒不如主动扔出些砖，还有可能会引到一些玉。
第一块砖是关于多渠道的。首先，前面提到现在看多渠道的现实是更方便的工具，而不是多渠道的大数据，那么在多渠道上就应该转向数据这个重点。其次，因为客户中心渠道的多样性，数据量庞大、数据复杂性，管理者所憧憬的满足所有想法和需求的系统，目前可能是很难找到的，倒不如立足实际，从可做的小动作一点点慢慢叠加起来。谈及客户接触历史，就冒出所有渠道、所有接触记录的想法可以先放一放，不妨从部分渠道、部分接触记录开始。短信、APP的使用记录，是和客户来电咨询相关性最大的，可以先考虑起来。至于短信、APP的内容范围，也是从重要的开始，APP的操作轨迹是相当大的数据，拣重要的打点、获取，比如查过了账单金额但没有查明细。在时间范围上，立足于最近几天甚至于当天的就可以。在我看来，客户接触历史的应用和客户接触历史的建立完全是两回事，更长时间的接触历史是用来分析的，短暂的接触历史是用来提升服务的。如此一来，多渠道的数据至少可以有这样的应用：根据客户曾经收到什么或做过什么，辅助识别客户的需求，用于服务队列导航，甚至自助服务导流；服务人员看到客户曾经收到什么或做过什么，帮助其了解客户咨询的问题，提高沟通效率和效果。
第二块砖是关于相关性应用。相关性应用的场景一定是不需要知道为什么，只要知道是什么的领域；或者就像销售场景一样一定范围内的概率高低不影响应用的地方。客户来电行为的预测，就是一个可以应用大数据的地方，举三个例子说明。其一，根据客户画像，预测单个客户来电的原因，可以辅助进行来电分流，预先提供给服务人员相关资料。其二，如果把单个客户的来电原因和概率进行汇总，就可以在话务预测方面帮上忙，话务预测中传统的回归分析法本就是大数据分析中的一大块内容，只不过现在大数据提供了更多的方法找出什么的客户多大概率在什么时间来电。其三，如果把预测做成预防，将更有价值。例如，对于某个客户群10万人，大数据分析发现他们为某个特定原因的来电概率是10%，每通电话成本10元，总投入为10万元。如果设计一个提前发送短信的方案，预计发送短信后该客户群来电减少50%，每个客户短信成本0.2元，则合计投入为电话10万*50%+短信10万客户*0.2元/客户=7万。这样算下来，就实现了成本节约。
第三块砖是关于和智能结合。这样的表述本身可能是有点问题的，因为现在我们所看到的智能是必然伴随着大数据的。暂且不计较这个，只要理解我下面所说的就行。智能语音现在应用最多的是用来做导航，而智能语音导航常见的训练方法，就是把客户所有可能的问题描述，都放到语料库中。但实际上客户的真实问题不仅仅和问题描述方法有关，以及和问题的上下文有关，也和客户所经历过的、客户的画像、客户的产品属性、客户的行为属性有关。这也是我在上一篇关于如何做好自助服务中所提出来的，客户不会无缘无故地提出问题来，一旦把客户放在上述环境中看待，就能更好地理解客户的真实意图。比如最简单的，寿险客户说“报案”和产险客户说“报案”，就应该导航到不同的节点；再比如，同样是“查账单”，刚刚在app上已经查过的客户，最好导航到转人工节点，不要再去IVR的账单查询自助节点了。如果更进一步，一个客户说“理赔什么时候办好”，那么如果客户办过理赔，就更有可能是问他的这个理赔目前进展；如果客户没有办过理赔，那么客户问的就是理赔的一般办理实效。可以这么说，智能机器人进行语义理解的更进一步不仅仅是机器人本身的语料库，还需要加入业务上的“全数据”。
最后要说的是，客户中心的大数据应用一定会给客户中心带来价值，不管是客户体验方面还是销售业绩方面。在真正落地过程中需要一些基于现实的判断和应用技巧，这样才不至于太“骨感”。数据更全面通常应用于“为什么”的场景，数据量更多通常应用于“是什么”的场景。传统业务人员可以更多地从数据更全面的视角看大数据能带来什么，而数据专家则更多地从海量数据中尝试挖掘出宝藏。在目前的技术发展阶段，相对来说前者的应用更容易看到实际效果，后者的应用更多是在探索和预研。
本文刊载于《客户世界》2018年7月刊；作者为吴海峰，作者单位为平安保险公司；
