展会信息港展会大全

数据挖掘在基于呼叫中心的CRM中的应用
来源:互联网   发布日期:2011-10-20 18:51:25   浏览:13473次  

导读:以客户为中心的管理理念正在逐步得到企业的重视和认可,作为从事服务性行业的企业,为了提高工作效率,提高客户服务质量,满足客户、留住客户的目标。一个基于呼叫 中心的CRM应运而生。 呼叫中心是企业和外部的联系通道。使用呼叫中心后,服务中心的咨询人员...

“以客户为中心”的管理理念正在逐步得到企业的重视和认可,作为从事服务性行业的企业,为了提高工作效率,提高客户服务质量,满足客户、留住客户的目标。一个基于呼叫

 

中心的CRM应运而生。

 

呼叫中心是企业和外部的联系通道。使用呼叫中心后,服务中心的咨询人员就可根据主叫号码到CRM的客户数据中提取客户的基本信息和以往电话记录,很快进入问题的核心;或将

 

呼叫转接到相关专业人员的坐席,使客户可以马上得到专业人员的帮助。

 

同时呼叫中心记录下了企业的呼叫次数、CRM是基于大型数据仓库的客户资料管理系统。服务中心的咨询人员记录下客户的来电问题,形成定单,给出是否解决的标记;处理人员就

 

那些尚未解决的问题进行处理,并反馈客户,也可安排上门服务;质检人员对上门服务的情况进行客户回访,对上门质量进行检查。

 

查询分析正是就呼叫中心里记录的那些企业来电情况、CRM里定单管理流程数据进行数据挖掘,给企业管理者直观的获悉服务中心运转状况,为优化人员配置、业务流程重组,人员

 

资源管理、维护客户关系提供分析数据。以指导基层人员的业务行为、更好的关怀客户。

 

1 需求

 

如何使企业管理者更直观的了解服务中心当前运转情况,是查询分析需要考虑去实现的。基于服务中心现有职能部门设置,给出以下主要数据展示内容:

 

1.1 服务中心的呼叫电话量

 

结合我们所服务行业的多样性,呼叫中心共分设了申报、税控、出口退税和自主产品4大工作组。根据CTI系统的数据可以给出每个工作组按月、按日、按时段不问时间域上的呼叫

 

电话量;同时也可按客服人员的工号给出其不同时间域上的工作量。有了这些表格数据,服务中心的管理人员就可对呼叫电话的话务分布情况、话务趋势、每人的话务量都有预先

 

了解和合理、有效判断。提前做好人员安排,保证咨询线路畅通,服务质量优质。

 

1.2 服务定单的类别情况

 

不同工作组的客服人员就所服务电话生成的服务定单也是由行业业务不同而设置为不同的定单类别,那么根据服务中心每天所生成的不同定单类别数,管理人员就能及时安排不同

 

处理人员专管不同定单类别的未处理定单,做到“专人专用”,以加快未处理定单的处理速度。因为未处理定单通常都足咨询人员一时无法解决而遗留下来需要处理人员进行特殊

 

处理的。而这些往往是影响服务质量的业务,如最近心须要回复客户而没有得到及时处理的,最近待处理业务,最近处理失败业务,最近遗漏处理业务等,这些将大大影响服务质

 

量.通过咨询处理查询界面,管理人员能及时安排处理,从而提高服务质量,提高企业满意度。

 

1.3 来电咨询的企业情况

 

根据CTI系统的电话号码匹配客户数据库,将获得来电咨询的企业信息,不同企业类型、企业规模、企业地域的企业所咨询的问题、生成的定单类别往往是各异的。管理人员通过这

 

些分布数据。可以在培训企业业务知识、如何操作使用软件方面应人而异。使培训人员在对企业进行培训时有的放矢,有一定针对性,既方便企业更快、更好、更熟练地使用软件

 

,也减轻呼叫中心的电话量,更降低上门人员上门服务次数,做到精益求精。这样使企业也充分满意公司的服务,认可培训效果。

 

2 设计

 

根据需求。结合呼叫中心和CRM定单管理的数据,整个数据挖掘的系统结构见图1所示。

 

 

 

图1 企业细分变量

 

 

 

在系统结构中。底层为数据源,包括企业数据库、定单数据库、CTI数据库及其他外部数据,通过ETL工具提取数据形成数据仓库。以形成面向伞局的数据视图,从而形成整个系统

 

的数据基础。在此基础上通过OLAP和OLAM服务器支持数据分析处理(主要是查询,报表),将数据挖掘分析结果用于操作型CRM以网页形式展示,为服务中心的管理者提供支持。

 

企业数据库中将企业类型、企业员工数、企业地址、企业税号、企业电话等表针企业属性的字段数据进行提取,最终形成客户数据集市。定单数据库中将定单企业税号、定单类别

 

、定单状态等表针定单属性的字段数据进行提取,最终形成定单数据集市。CTI数据库中将来电号码、来电事件类型、来电接听人、来电日期、来电时间、来电组号等表针CTI属性

 

的字段数据进行提取,最终形成CTI数据集市。各集市间通过企业税号、来电号码、定单号获取相应关联。

3 应用

 

3.1 数据分类

 

CRM中的定单处理流程能较好的表现当前服务中心服务客户的质疑情况,如哪些是客户急需解决的疑难问题,哪些是回访企业没有成功需继续跟踪的服务,哪些是机房人员要快速验

 

证的客户。

 

表1 因素变量

 

 

 

1)我们根据定单类别、定单状态可将定单进行细分,针对不同分类结果,采取不同应对方法去处理、解决。

 

定单细分满足以下2条件:

 

(1)完整性,定单数据库中的每一张定单都属于一个细分群。

 

(2)互斥性,由于一家企业每日来电都一个定单流水号,确保一家企业在定单数据库中每日都不会同属于多个细分群。

 

如表1所示。

 

2)在CRM中,咨询定单是咨询处理的主要业务定单。为了有效、及时的获取咨询定单的处理情况,需要对定单属性模式进行分析,从数据挖掘技术可以认为是分类问题,可以用组合

 

分类方法处理,具体分析过程如下:

 

(1)定义企业特征模式,选择分析粒度(企业类型、员工数、分管分局等)。可对一天内,来电企业的特征模式进行分类归纳;也可就生成定单的特征模式进行分类总结。

 

(2)选择数据源,进行数据准备。

 

(3)选择及转换变量。

 

(4)通过组合分类方法处理数据,建立分类定位模型。

 

(5)利用分类定位模型将定单列表中的定单按最近处理响应时间排序,同时根据最近处理响应时间与当前时间的时间间隔为分段依据进行不同颜色、字体大小的设置。以便一目了然

 

地看出服务中心的咨询处理近况。

 

3)有了这些定单数据,中心负责人就可以指派专人对问题比较集中、类似的定单进行特殊、专项处理,避免定单积压。同时由于企业一时得到问题的解决,会不停的拨打咨询电话

 

询问处理进展,有专人定向服务后。也可减轻咨询人员的话务压力。根据企业数量的大小,结合所咨询的问题内容给出相应的解决、处理方法,查找企业培训工作中的不足之处。

 

总结经验,提高企业培训质量,咨询人员解决问题的应变能力。

 

3.2 面向OLAP分析的CTI工作组话务分析

 

OLAP(联机分析处理)分析是基于多维数据模型进行的多维数据分析。通过呼叫中心的通话记录和客服人员所在工作组安排记录,构建一个UML星系模式,以便为服务中心的管理人员

 

能对每个呼叫工作组的人员进行配备分析,合理分配每个工作组、每位客服人员的话务餐。

 

这个UML星系模式构建自3个关系数据库,包括CTI父系数据、员个关系数据和工作组关系数据。分析主题是个作组内各客服人员的通话量。

 

3.2.1 数据源

 

1) CTI关系数据库

 

呼叫中心系统把每个来电信息存储在一个关系数据库中。对于每个来电号码。存储的数据说明了该来电的来电号码、来电类型、来电通话开始时间、来电接听人工号、来电通话结

 

束时间、来电日期。表属性如下所示:

 

CallRecord(tel_num,event_type,starttime,emp_l,endtime,day)这个关系的一个记录如下所示:

 

(32345126,咨询来电通话,9:10:03,108,9:13:21,2008-6-4)

 

2)员工关系数据

 

CRM定单管理系统把每个咨询人员信息都存储在一个关系数据表中。号、姓名、工作组。表属性如下所示:

 

Yonghb(daim,xingm,bum)

 

这个关系的一个记录如下所示:

 

(108,彭霄,1)

 

3)工作组关系数据

 

呼叫中心系统按被拨打的咨询热线号码不同,设置了多个工作组来接人电话工作组的没置信息存储在一个关系数据表中。对于每个工作组,存储的数据说明了该工作组的组号、组

 

名、优先级(对于咨询热线号码常用的几个,又按优先级接入到同类型的工作组中,有效分流同类咨询电话的接听、处理量)。表属性如下所示:

 

Dm_bum(daim,neir,jib)

 

这个关系的一个记录如下所示:

 

(j,咨询,1)

 

3.2.2 UML diagram的生成

 

1)由关系数据转换的CTI来电的UML diagram如图2所示。

 

 

 

介绍性文字

 

图2 CTI来电的UML diagram

 

2)由关系数据转换的员工的UML diagram如图3所示。

 

 

 

介绍性文字

 

图3 员工的UML diagfam

 

3)由关系数据转换的工作组的UML diagram如图4所示。

 

 

 

介绍性文字

 

图4 工作组的UML diagram

 

3.2.3 UML星系模式

 

通过CTI的来电号码、来电事件类型、来电日期、来电时间、来电接听人和来电组号,构建一个UML星系模式,以便为服务中心的管理人员能对CTI话务有全方位的预测。

 

这个UML星系模式的分析主题是服务中心CTI的话务量。

 

这个UML星系模式如图5所示,有2个事实类和4个共享维。2个事实类为co_fact和qy_fact。

 

 

 

 

介绍性文字

 

图5 UML星系模式

 

Ce_fact事实类的内容由CTI关系数据以及经过计算的数据产生。Qy_fact事实类的内容中客户关系数据以及经过计算的数据产生。4个共享维为员工维、工作组维、来电事件维和时

 

间维。员工维来自员工关系数据表的内容,有“gongh”类。工作组维来自工作组关系数据表,有“group”类。来电事件维来自来电事件关系数据表,有“event_type”类。时间

 

维包含3个类“month”、“day”、“time”,有两个概念分层。一个是“day”—“month”,另一个是“day”—“time”。这样,这个UML星系模式就构成了一个面向CTI的话务

 

量主题的多维数据概念模型,从而可进行面向这个主题的OLAP多维数据分析,通过上卷、下切、钻取等实现如:“各工作组的话务量”、“每月每日的话务量”、“各企业的话务

 

量”、“每日分时段的话务量”、“各来电事件的话务量”等查询分析。

 

4 结束语

 

本文所述的查询分析是一个实际应用,该应用成功地使管理人员及时获悉服务中心各职能邪门的工作质量,并指定有效的咨询人员排班机制。运行结果表明该应用确实提高了管理

 

者效率,并对服务中心的管理基本做到实时、量化的水平,大幅提高了服务质量和管理水平。使客户的满意率稳步上升。

赞助本站

人工智能实验室
相关内容
AiLab云推荐
展开

热门栏目HotCates

Copyright © 2010-2024 AiLab Team. 人工智能实验室 版权所有    关于我们 | 联系我们 | 广告服务 | 公司动态 | 免责声明 | 隐私条款 | 工作机会 | 展会港