現代國際

掃一掃,關注公眾號二維碼

MIMR視角

    數據挖掘在客戶滿意度閉環管理的應用

    發布者:MIMR 發布日期:2012-02-11 瀏覽量:

    前言

            隨著通信行業競爭日益激烈,中國移動與中國聯通、中國電信在服務范疇和業務范疇的每一個細節會決定客戶對通信運營商的滿意度和忠誠度。

            有見及此,如今中國移動更加重視客戶滿意度的提升,一方面推動內部流程(包括服務細節和一線服務人員能力優化營銷案預審流程優化),另一方面著手通過滿意度修復提升客戶滿意度。

            客戶不滿意現狀分為兩大塊,一是已經表達不滿的客戶,即顯性不滿意客戶,二是已經存在不滿,但沒有表達的客戶,即隱性不滿意客戶。隱性不滿意客戶極有可能在短期內通過各種渠道表達不滿(省公司/集團公司調研、熱線投訴、營業廳投訴等)。

            隱性不滿意客戶群體相對較大且難以發現,一旦爆發會對中國移動的客戶數量、業務收入產生巨大影響。所以,對隱性不滿意客戶的把控勢在必行。

             現代國際市場研究公司在此范疇進行深入研究,通過數據挖掘,對隱性不滿意客戶進行準確定位,并且根據客戶行為特征設定標簽,對不同標簽的客戶實行人性化的不滿意客戶修復,使中國移動對客戶滿意度現狀與發展趨勢了如指掌且做到防范于未然!


        客戶滿意度閉環管理閉環流程構思            


      

            數據回收:

            從區域中心、外呼團隊、數據業務室、渠道室和省公司回收各類滿意度數據,結合服務管理室可以提取的短信滿意度數據,匯總為該階段的數據庫,其后把數據庫中的數據進行分類,將無效數據(省公司、外呼、熱線滿意度調研結果:過期、停機、空號數據;飛信、官網、短信滿意度調研結果不完整或無結果數據;營業廳意見卡填寫不完整數據)分離。

            定位顯性客戶:

            將數據庫里的投訴客戶、評價一般和評價差的客戶定義為顯性不滿意客戶,將評價非常好、很好、好的客戶定義為顯性滿意客戶;

            通過數據挖掘,尋找出顯性不滿意客戶和顯性滿意客戶的各種特征,并進行對比,發現兩者的共性和差異性;

            顯性不滿意客戶的特征將為下一步定位隱性不滿意客戶提供有力的數據支撐。

            定位隱性不滿意客戶:

            建立數據挖掘體系:根據客戶各類行為特征,將字段分為基本信息、語音通話、GPRS、短信和業務使用情況五大類;

            其中客戶五大類別的行為特征會再進行細分,形成二級、三級行為特征指標,從而建立數據挖掘體系。

            BOSS系統內提取數據:將已經整理好的顯性不滿意客戶號碼庫導入BOSS系統,導出該號碼群在一個季度內的行為特征,形成EXCEL格式的數據庫;對提取結果進行檢查和整理:去重、補充缺失值、邏輯查錯。

            顯性不滿意客戶頻數分析:通過對顯性不滿意客戶的頻數分析可以發現客戶一些共性特征。

            數據導入決策樹模型:將數據導入SPSS Clementine決策樹模型,模型會對各個字段的重要性進行預測,并對重要性進行排序;

            決策樹模型根據條件的排序,將數據庫進行聚類,分析數據庫之間的共性和差異性,將數據的共性從小到大往上聚集,形成決策樹。

            重要性排序:決策樹模型通過數據分析,模型內會自動生成各個字段的重要性(importance);

            重要性較低,甚至為0的字段,決策樹模型在運行過程中會對該字段群忽略處理;

            重要性分析結果,會對后期隱形不滿意客戶數據篩選順序產生指引性作用;

            需要注意的是,重要性分析結果是模型根據數據特性所分析出來的,在后期隱形不滿意客戶數據篩選中,順序可以根據實際情況進行調整。

            形成決策樹初步結果:凡是涉及數字區間的區分,模型會自動形成一個判定條件,此條件可以根據實際情況進行調整,如:眾數、中位數、均值等;

            決策樹的樹枝部分的F表示不符合上一個判定條件,相反T為符合上一個判定條件。

            決策樹的節點部分的F表示不符合神州行這個品牌條件,即不是本次決策樹分析的目標數據,相反,T為符合本次決策樹分析的目標數據。

            判定條件調整:結合顯性不滿意客戶行為特征頻數分析,我們可以根據實際情況調整判定條件。

            形成階梯式結果:數據挖掘結果導出后,根據決策樹分析結果形成階梯式的挖掘結果,該結果內包含品牌、字段群、條件、頻數、基數、基數占比和總體占比;

            隨后對階梯式結果進行總結歸納,歸納原則為:

            1、同一條件層,以頻數較高者為主要條件(使用年限1年以上);

            2、當某一條件層其中一個條件頻數少于總體的1%時,終止總結歸納;

            3、當階梯出現分叉時,以原則“1”為基準進行總結歸納,但需要注意的是:當兩個分叉點的基數占比相差少于等于20%時,此分叉點則為決策改進點。

            決策改進點分析:決策改進點:顯性不滿意客戶通過此判定條件后,沒有形成明顯共性(T or F頻數相差在20%以內),此判定條件則為決策改進點;

            從數據挖掘的角度分析,數據經過此判定條件后沒有形成共性,是因為該判定條件下,客戶都會存在不滿意,則說明此判定條件對客戶滿意度的影響相對較大,且該判定條件TF都會在數據量充足的條件下形成決策樹分支,對不滿意客戶修復有較高價值。

            客戶滿意度修復執行:

            分析各品牌的共性與差異性:通過歸類整理中國移動三大品牌的顯性不滿意客戶特征,對各自品牌的顯性不滿意客戶特征進行分析,為制定人性化、貼心的修復方式提供支撐。

            確定提數規則:提數規則是以全字段決策樹模型得出,是根據不滿意客戶所有行為字段的共性進行排序;若根據N個提數規則的提數結果數據量相對較少,則可以相應減少提數規則,直至數據量合適為止;理論上,在此提數規則下,不會出現數據量太多的情況,若數據量太多,可根據決策樹模型結果相應增加字段。

            客戶分類標簽:客戶標簽分為促銷優惠無覆蓋、語音消費預警、GPRS消費預警和短信消費預警四大類型;四大類型的客戶特征對應一系列的客戶特征,特征間有并存關系、獨立關系等;不同標簽對應不同的修復方式,達到人性化、貼心修復。                 


            過程跟蹤:

            客戶滿意度修復的重點之一在于過程跟蹤,一方面通過月度外呼滿意度、短信滿意度、投訴量來檢驗贈費/贈送新業務的效果,另一方面通過短信、外呼團隊對目標客戶的贈費/體驗新業務返還費用到賬情況進行說明,與此同時,告知客戶剩余到賬費用/新業務體驗期的情況,在客戶新業務體驗期結束前一個月,提醒客戶體驗期即將結束,并告知客戶新業務到期會自動關閉。

            結果跟蹤:

            針對客戶關系維系與關懷的結果跟蹤,現代國際建議每個季度進行一次,跟蹤的核心為省公司季度調研的結果,可以將客戶關系維系與關懷的結果直接體現在KPI得分、三類地市排名上面,其次是季度統計的客戶投訴量、清遠移動滿意度內部自查結果;

         此外,參與新業務贈送體驗的客戶對該業務的續用率也是很重要的一個跟蹤指標,若客戶對新業務的續用率相對較高,便能夠說明上一季度的隱性不滿意客戶特征分析相對到位;

         流程更新:

         客戶關系維系與關懷流程的跟新分為三個階段,贈送話費名單更新為每月一次、贈送新業務名單、新業務內容、隱性客戶特征設定更新為每個季度一次、整體流程更新為每年一次;

         整體流程更新(1/次):根據省公司KPI指標、三級地市排名重新梳理流程,調整年度規劃;

         贈送新業務名單、新業務內容、隱性客戶特征設定更新(1季度/次):根據省公司季度調研結果、內部自查結果和季度投訴量,調整贈送新業務名單和隱性客戶特征設定;根據產品室季度營銷方案調整贈送新業務內容;

         贈送話費名單更新(1/次):根據季度安排,更新贈送話費名單;

         適用性:

         此類技術可應用于省級移動公司和地級市移動公司,相對來說,KPI考核壓力較大的地級市移動公司比較適用。

         結束語

         客戶滿意度,是各行各業的發展根本。能像一般預知和發現不滿意客戶群體并及時進行修復,是維持客戶滿意度穩步提升的重要因素。如今,通過數據收集數據處理數據挖掘,便可形成常態化、高效率的滿意度修復工作,使客戶滿意度盡在掌控之中!

     

公司網站二維碼

公眾號二維碼

一鍵分享,輕松分享更多精彩內容
點擊這里給我發消息

咨詢熱線
020-22260475

在線詢價
online rfq

MIMR項目
滿意度調查

亚洲av日韩av欧v在线天堂_中国熟妇xxxx_半推半就睡了同事少妇_性XXXX18学生