在數(shù)據(jù)分析這個(gè)行業(yè)里，大家經(jīng)常會(huì)談?wù)撐磥硎?a href="http://www.getteks.net/search?q=大數(shù)據(jù)" rel="nofollow" style="color:;font-size:16px" target="_blank">大數(shù)據(jù)的時(shí)代，未來的競(jìng)爭就是數(shù)據(jù)的競(jìng)爭。

而麥肯錫的一項(xiàng)對(duì)700+家企業(yè)的調(diào)查顯示，許多公司、尤其是傳統(tǒng)公司還沒有從大數(shù)據(jù)項(xiàng)目獲得預(yù)期的結(jié)果，或者還沒有獲得相當(dāng)高的投資回報(bào)率。大數(shù)據(jù)項(xiàng)目投入后收入平均僅增加了6%。我想一個(gè)很大的原因是傳統(tǒng)企業(yè)大多是業(yè)務(wù)流程驅(qū)動(dòng)，數(shù)據(jù)更多是作為一個(gè)報(bào)表使用。他們很少挖掘數(shù)據(jù)價(jià)值對(duì)企業(yè)流程的驅(qū)動(dòng)，而是依靠個(gè)人經(jīng)驗(yàn)進(jìn)行決策。即使在使用數(shù)據(jù)分析的公司也多是停留在驗(yàn)證假設(shè)、監(jiān)控效果的層面，通過數(shù)據(jù)分析獲得洞察的很少，用分析直接指導(dǎo)行動(dòng)的案例更是少之又少。Forrester的一項(xiàng)調(diào)研報(bào)告顯示，有74%的公司希望通過數(shù)據(jù)驅(qū)動(dòng)，但是只有29%把分析結(jié)論和運(yùn)營動(dòng)作建立了聯(lián)系。

要從數(shù)據(jù)中得到價(jià)值，首先得弄清楚數(shù)據(jù)分析和洞察的區(qū)別。有很多作者討論過這個(gè)話題，包括剛才上面貼的那篇forbes上面的文章，簡言之，數(shù)據(jù)是沒有經(jīng)過過多的處理的原始信息，數(shù)據(jù)分析是從這些信息中發(fā)現(xiàn)的規(guī)律、趨勢(shì)等，而數(shù)據(jù)洞察則是通過數(shù)據(jù)分析得出的價(jià)值，包括決策運(yùn)營、預(yù)測(cè)機(jī)會(huì)等。

作為客戶服務(wù)及權(quán)益保障事業(yè)部智能運(yùn)營中心的數(shù)據(jù)運(yùn)營團(tuán)隊(duì)，我們的職責(zé)是支撐各服務(wù)線、智能調(diào)度中心及互聯(lián)網(wǎng)渠道的數(shù)據(jù)分析。

雖然每條線都有幾名數(shù)據(jù)分析同學(xué)做支持，但是由于數(shù)據(jù)分析需求往往都是由一個(gè)或小部分場(chǎng)景出發(fā)而提出，并未全局考慮數(shù)據(jù)和分析結(jié)果在整個(gè)業(yè)務(wù)線運(yùn)營鏈路中的作用以及能為運(yùn)營決策帶來的影響，導(dǎo)致需求往往零散、冗雜且重復(fù)。同學(xué)們?cè)诓怀审w系的需求下熬夜跑代碼、做報(bào)表、寫分析報(bào)告也很艱難。

車品覺的《決戰(zhàn)大數(shù)據(jù)》一書中寫到：“大數(shù)據(jù)的力量來自觸類旁通的關(guān)聯(lián)。我們以前總是用數(shù)據(jù)來證明或企圖說服工作上的盲點(diǎn)，而如今的數(shù)據(jù)不再是一加一的依據(jù)，而是具備了預(yù)測(cè)和開創(chuàng)新機(jī)的能力”。

書中還提到，“把分析的理念和框架變成數(shù)據(jù)產(chǎn)品，本質(zhì)上是一個(gè)數(shù)據(jù)泛化的過程。這個(gè)過程非常重要，因?yàn)閿?shù)據(jù)報(bào)告的需求會(huì)越來越多，如果沒有泛化數(shù)據(jù)給使用數(shù)據(jù)的人，分析團(tuán)隊(duì)將永遠(yuǎn)被冗雜和重復(fù)的工作所困”。

由此智能運(yùn)營中心的數(shù)據(jù)運(yùn)營團(tuán)隊(duì)和平臺(tái)系統(tǒng)團(tuán)隊(duì)一起提出了ConnectedInsight項(xiàng)目，目的是為了從業(yè)務(wù)描述，業(yè)務(wù)診斷，業(yè)務(wù)預(yù)測(cè)，決策支持等方面，一步步完成從散點(diǎn)數(shù)據(jù)走到數(shù)據(jù)洞察。

基于此，我們和CTO 線人工智能部的AI運(yùn)營團(tuán)隊(duì)以及CTO 線數(shù)據(jù)平臺(tái)部DeepInsight產(chǎn)品團(tuán)隊(duì)做了共建，我們提供業(yè)務(wù)指標(biāo)框架和分析思路，產(chǎn)品由AI運(yùn)營團(tuán)隊(duì)主導(dǎo)開發(fā)，由DeepInsight提供后臺(tái)能力，最終呈現(xiàn)在新客服數(shù)智產(chǎn)品上。

任重而道遠(yuǎn)，為了避免閉門造車，寫下這篇分享，想吸引更多有相同想法的同學(xué)或者團(tuán)隊(duì)一起來探討更好的解決方案。

下面分別講講ConnectedInsight這個(gè)數(shù)據(jù)分析產(chǎn)品的四部分分別實(shí)現(xiàn)了或者將要實(shí)現(xiàn)的價(jià)值：

業(yè)務(wù)描述：描述業(yè)務(wù)上發(fā)生了什么。

服務(wù)線要了解自己的服務(wù)做得好不好，首先是需要看描述性的數(shù)據(jù)，過去我們是靠一張張報(bào)表實(shí)現(xiàn)這種描述功能的。但是單個(gè)的KPI報(bào)表是散的，比如我們分別看了一條服務(wù)線服務(wù)流程各個(gè)點(diǎn)上的數(shù)據(jù)報(bào)表，并不能直觀的拼成一條鏈路圖來了解整個(gè)業(yè)務(wù)流程的運(yùn)營情況?；诖?，我們開發(fā)了可定制化的業(yè)務(wù)數(shù)據(jù)流程圖和異常高亮及預(yù)警功能，讓用戶能對(duì)業(yè)務(wù)現(xiàn)狀一目了然，實(shí)現(xiàn)了從“點(diǎn)”延伸到“線面體”。

業(yè)務(wù)診斷：診斷為什么發(fā)生。

服務(wù)線看到數(shù)據(jù)流程圖描述出來的某些環(huán)節(jié)做得不太好，就需要了解原因或者能改善的點(diǎn)。在此需求背景下，我們的產(chǎn)品開發(fā)了單指標(biāo)多維度拆解和多指標(biāo)相關(guān)貢獻(xiàn)度拆解，實(shí)現(xiàn)了診斷指標(biāo)異常定位原因，讓運(yùn)營同學(xué)能更高效的找到運(yùn)營點(diǎn)。

業(yè)務(wù)預(yù)測(cè)：預(yù)測(cè)將要發(fā)生什么。

服務(wù)線要部署人工服務(wù)方案，必須提前知道服務(wù)量，我們通過預(yù)測(cè)產(chǎn)品化的方式讓運(yùn)營同學(xué)能高效的使用預(yù)測(cè)功能，合理的分配服務(wù)人力資源，同時(shí)也大大提升了分析同學(xué)預(yù)測(cè)產(chǎn)出時(shí)效。

決策支持：決策要做什么。

目前服務(wù)線運(yùn)營同學(xué)在決定下個(gè)周期的派單部署方案時(shí)仍需靠人工重復(fù)、機(jī)械的統(tǒng)計(jì)歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)進(jìn)行局部優(yōu)化的方案選擇，而我們的產(chǎn)品將實(shí)現(xiàn)用相關(guān)因子自動(dòng)計(jì)算出全局最優(yōu)的派單部署方案，大幅提高運(yùn)營效率和準(zhǔn)確率。

1、業(yè)務(wù)描述

•業(yè)務(wù)背景  

業(yè)務(wù)描述就像汽車儀表盤，實(shí)時(shí)告訴你發(fā)生了什么，并適時(shí)警報(bào)提示等。分析師要做的事情就是搭建指標(biāo)體系，進(jìn)行各種維度的統(tǒng)計(jì)分析。我們過往的大量工作就是做這個(gè)，目前市面上很多BI產(chǎn)品也都能夠滿足這個(gè)層次的數(shù)據(jù)運(yùn)營需求。

拿客戶服務(wù)及權(quán)益保障事業(yè)部的國際線來舉例，以往業(yè)務(wù)線運(yùn)營同學(xué)看到的是拿老版Alisis搭建的各KPI的圖表，如下圖（圖表數(shù)據(jù)非真實(shí)數(shù)據(jù)，僅用于展示），給出的是業(yè)務(wù)監(jiān)控體系里散的“點(diǎn)”，并沒有從業(yè)務(wù)全鏈路的角度給出用戶能一眼看出業(yè)務(wù)整體有什么異常的大圖。

•痛點(diǎn)

這么搭建業(yè)務(wù)監(jiān)控的結(jié)果是什么呢？有沒有發(fā)現(xiàn)業(yè)務(wù)看完數(shù)據(jù)后，經(jīng)常會(huì)基于此提出額外的數(shù)據(jù)需求？

一般來講，想看數(shù)據(jù)的人潛意識(shí)里是要成“體”的數(shù)據(jù)的，只是溝通過程中變成了“點(diǎn)”的需求，因?yàn)?ldquo;點(diǎn)”簡單容易講明白，但是，這次給不了“體”的數(shù)據(jù)，下次還會(huì)圍繞“體”的數(shù)據(jù)提各種“點(diǎn)”的需求，這個(gè)時(shí)候我們需要延伸一下，提前想需求方之所想，就不用來回往復(fù)了。

•解決方案

AI運(yùn)營團(tuán)隊(duì)開發(fā)了流程圖、樹圖、星環(huán)圖等個(gè)性化分析組件，分析師使用這些組件完成產(chǎn)品內(nèi)容搭建，并在我們的產(chǎn)品平臺(tái)上配置各服務(wù)線的分析頁面。

拿國際服務(wù)線舉例，服務(wù)流程上用戶可以撥打95188或者淘海外電話等進(jìn)入熱線人工服務(wù)，需要升級(jí)的提交工單，用戶也可以進(jìn)入支付寶錢包，英文錢包或PC端自助服務(wù)，未解決問題可以接入在線人工服務(wù)，需要升級(jí)的提交工單。

以往運(yùn)營同學(xué)看的是各個(gè)環(huán)節(jié)的數(shù)據(jù)點(diǎn)報(bào)表，在我們構(gòu)建的分析產(chǎn)品中，業(yè)務(wù)同學(xué)看到的是隨業(yè)務(wù)流程變化的全鏈路圖，整個(gè)鏈路圖可定制、指標(biāo)節(jié)點(diǎn)可設(shè)置預(yù)警高亮，從用戶使用自助服務(wù)，到撥打熱線電話，進(jìn)入智能派單環(huán)節(jié)，再到人工客服接起，轉(zhuǎn)入轉(zhuǎn)出，升級(jí)提交工單，整個(gè)鏈路上哪一個(gè)節(jié)點(diǎn)出現(xiàn)異常一目了然。

節(jié)點(diǎn)也可以配置堆積柱狀圖，這種配置在想展示業(yè)務(wù)占比等場(chǎng)景的時(shí)候非常好用。

2、業(yè)務(wù)診斷

數(shù)據(jù)之間是存在因果聯(lián)系的，這些聯(lián)系有些容易通過業(yè)務(wù)來解釋，而有些恰恰是業(yè)務(wù)無法直接看到，需要通過數(shù)據(jù)發(fā)現(xiàn)聯(lián)系。在這個(gè)層面，需要數(shù)據(jù)分析師從整個(gè)業(yè)務(wù)鏈路和數(shù)據(jù)之間的聯(lián)系出發(fā)，通過關(guān)聯(lián)分析，波動(dòng)分析，平衡計(jì)分卡等方法，找到數(shù)據(jù)變動(dòng)的原因。

•痛點(diǎn)

過去我們提供給業(yè)務(wù)同學(xué)報(bào)表，用于日常指標(biāo)的監(jiān)控和原因分析。但通過報(bào)表找原因會(huì)存在兩方面的問題：

溝通成本高、原因獲取效率低：業(yè)務(wù)同學(xué)使用報(bào)表在眾多指標(biāo)中尋找原因，過程不熟練，分析師需要花時(shí)間和業(yè)務(wù)同學(xué)一起解讀數(shù)據(jù)和尋找原因。

數(shù)據(jù)的落地性差：業(yè)務(wù)同學(xué)在面對(duì)需要立即解決問題的壓力與大部分?jǐn)?shù)據(jù)具有滯后性矛盾的背景下，往往是選擇在沒有數(shù)據(jù)分析結(jié)果時(shí)，先根據(jù)過往的運(yùn)營經(jīng)驗(yàn)采取措施，導(dǎo)致數(shù)據(jù)對(duì)實(shí)際指導(dǎo)的價(jià)值不高。

•解決方案

在ConnectedInsight的業(yè)務(wù)診斷里，我們進(jìn)行了分析思路產(chǎn)品化。把分析師常用的分析思路和過程沉淀下來，用產(chǎn)品化的形式呈現(xiàn)，避免重復(fù)勞動(dòng)，改善原因定位的時(shí)效性；業(yè)務(wù)同學(xué)不需要了解背后復(fù)雜的計(jì)算邏輯，直接看到分析結(jié)果，并且可以指派給專人負(fù)責(zé)。

在初版產(chǎn)品中包含兩種類型的業(yè)務(wù)診斷分析：單指標(biāo)多維度型和多指標(biāo)相關(guān)型。

單指標(biāo)多維度型的業(yè)務(wù)診斷，我們要找出的是在一個(gè)指標(biāo)能拆分成的多層樹狀結(jié)構(gòu)中，具體是哪一層的哪一個(gè)節(jié)點(diǎn)的波動(dòng)對(duì)這個(gè)指標(biāo)的波動(dòng)貢獻(xiàn)度最大。

以服務(wù)線FCR（First Call Resolution，首次呼叫解決率，衡量客戶服務(wù)及權(quán)益保障事業(yè)部解決客戶問題能力的重要指標(biāo)，一般為24小時(shí)內(nèi)未重復(fù)來訪的服務(wù)量占比）這個(gè)指標(biāo)為例，通過下圖所示的樹狀結(jié)構(gòu)梳理安全服務(wù)線的服務(wù)量和FCR，拆解成一級(jí)業(yè)務(wù)，二級(jí)業(yè)務(wù)，三級(jí)業(yè)務(wù)的服務(wù)量和FCR的波動(dòng)對(duì)整體FCR波動(dòng)的貢獻(xiàn)度，找出導(dǎo)致FCR波動(dòng)的最主要的業(yè)務(wù)。如本例中限權(quán)咨詢業(yè)務(wù)對(duì)當(dāng)日FCR下降的貢獻(xiàn)度為96.3%，運(yùn)營同學(xué)應(yīng)該著重關(guān)注該業(yè)務(wù)。

（*以下截圖為demo，數(shù)據(jù)也非真實(shí)，最終版正在開發(fā)。)

多指標(biāo)相關(guān)型的業(yè)務(wù)診斷，我們要找出的是在一個(gè)指標(biāo)有多個(gè)影響它的指標(biāo)時(shí)，具體是哪一個(gè)指標(biāo)的波動(dòng)對(duì)這個(gè)指標(biāo)的波動(dòng)貢獻(xiàn)度最大。這里多指標(biāo)之間的不是簡單的加減關(guān)系，而是轉(zhuǎn)換為復(fù)雜的影響因子，通過影響因子量化指標(biāo)之間的貢獻(xiàn)度。

比如對(duì)熱線接通率進(jìn)行業(yè)務(wù)診斷，接通率分母是熱線流入量，流入量是客戶需求通過自助、轉(zhuǎn)人工等，直到流轉(zhuǎn)到熱線處理環(huán)節(jié)的咨詢量，因此流入量相關(guān)的影響因素有：產(chǎn)品、自助、智能派單、轉(zhuǎn)接等；接通率的分子為熱線應(yīng)答量，應(yīng)答量和通話時(shí)長、排班人數(shù)（人員）、現(xiàn)場(chǎng)運(yùn)營效率（產(chǎn)能）等有關(guān)。通過下圖把指標(biāo)之間的關(guān)系環(huán)狀表達(dá)出來，當(dāng)選中某一指標(biāo)后，該指標(biāo)相關(guān)的影響指標(biāo)也會(huì)高亮。而后臺(tái)計(jì)算出的分析結(jié)果會(huì)給出指標(biāo)波動(dòng)的影響因子和各因子的貢獻(xiàn)度。

（*以下截圖為demo展示。)