客戶意見挖掘業(yè)務(wù)價值
這些技術(shù)提升點之后就能在打響的文本反饋當(dāng)中發(fā)現(xiàn)客戶的熱點意見集中在哪些方面，如果我們能夠?qū)@些客戶所反映的共性問題主動發(fā)起一些措施，優(yōu)化我們的業(yè)務(wù)流程，可以提升我們的客戶滿意度和客戶忠誠度，而另一方面這些來電的投訴量會進(jìn)一步的減少，也就從另一方面降低我們的服務(wù)成本，減少了二次被動的服務(wù)投入。
案例分析
今天想分享兩個具體的案例，一個是對95588客戶服務(wù)的一些工單如何做到客戶意見挖掘，這個是從無到有的設(shè)計和探索的全過程；第二個案例當(dāng)中會介紹一下如何聆聽在互聯(lián)網(wǎng)上傳播的客戶的心聲。
客戶意見發(fā)掘——業(yè)務(wù)目標(biāo)
通過95588服務(wù)熱線記錄大量的客戶反饋的文本，拿到一堆文本之后怎么切入客戶的意見挖掘呢？最重要的是先對客戶做分類，結(jié)合業(yè)務(wù)的處理流程設(shè)計這么一套適用于銀行客戶意見的分類體系，當(dāng)有投訴過來的時候就知道他所說的是關(guān)于自助服務(wù)的還是銀行卡、還是關(guān)于網(wǎng)點服務(wù)的。這樣我們就能分析各個類別里不同的發(fā)展趨勢并且進(jìn)行有效處理。
但有了意見分類還不夠，我們知道哪一類的意見是最多的，我們嘗試性做熱詞分析，文本由大量的詞匯構(gòu)成的，我們想看一下在這么多的客戶反饋文本當(dāng)中大家提到哪些詞匯，從中提取客戶說的最多的、最頻繁使用的詞匯，用可視化的方式生成一個詞語。
從這個圖上我們就能看到有一些效果，包括像工作人員、機(jī)具、查詢、詞匯等等凸顯出來。在這個圖上所反應(yīng)的信息不夠精準(zhǔn)，我們只知道有一些關(guān)于工作人員的評價或描述，但是不知道工作人員到底出現(xiàn)什么問題，我們的自助機(jī)具到底是故障比較多還是客戶不會用。同時這個圖當(dāng)中還存在多詞疑義的問題，工作人員和柜員兩個詞說的是類似的問題，這對我們造成干擾。
如何精準(zhǔn)概括客戶意見？我們提出統(tǒng)一的、概括的用戶觀點的表達(dá)方式，就是對象、屬性、評價三元組的形式。下面這個例子有四句話：柜員說話口氣非常差。今天在柜臺辦業(yè)務(wù)，里面的人態(tài)度很差；柜員脾氣不好，柜員語氣很不耐煩。用我們的屬性評價方式概括就是“柜員態(tài)度不好”。
有了這樣的方式之后對剛才的詞云做分析，發(fā)現(xiàn)剛才的詞云已經(jīng)演變成了意見云，這些意見都是指向非常明確的比較精準(zhǔn)的，比如說網(wǎng)銀跨行匯款不成功，短信余額變動不能接收，網(wǎng)點效率低，網(wǎng)點排隊時間過長，相信大家對這些問題也并不陌生，在有了這個圖之后我們的分析師就能夠比較直觀的了解最需要去改進(jìn)的問題，客戶的意見都聚集在哪些方面。
客戶意見挖掘——模型建立
有了剛才的這些設(shè)計方式之后，我們可以怎么樣選擇最貼合我們業(yè)務(wù)場景的分析方法，剛才我們首先提到了需要對文本做自動分類，我們最容易想到的就是樸素貝葉斯，它可以計算一篇文章屬于哪個類別的概率最大，可以完成分類。
但是進(jìn)行實際分析和嘗試的過程當(dāng)中發(fā)現(xiàn)這樣一個典型的算法，在我們的實際業(yè)務(wù)場景上其實并不是特別的適用，首先我們?nèi)鄙儆?xùn)練數(shù)據(jù)，因為我們這一套意見類別的分類體系是新建的，歷史上并沒有積累好數(shù)據(jù)，如果我們重新去標(biāo)注呢，這些意見類別又特別多，有的類別層次又比較深，所以很難在比較短的時間內(nèi)完成高質(zhì)量的標(biāo)注。