京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Verint指点迷津:大数据从呼叫中心数据
Hadoop、YARN、全数据分析、数据建模等这些大数据名词纷至沓来时,不由你漠视大数据的趋势。但趋势归趋势,当你着手大数据应用时,从何着手就成为了一个非常现实的问题。
99%被忽视的数据
所谓大数据,让我们抛开其4V的特性,思考一些究竟有哪些数据应该进行分析,很多人将大数据理解为微博、微信等非结构化数据,实际上,很多行业/企业并不拥有这些数据,这些数据通常掌握在互联网厂商手里,对于很多行业/企业来说,基于互联网的应用很多还都是一个尝试性的阶段,对于互联网大数据分析还不是一个急迫的需求。
行业/企业拥有海量数据,这些数据大多是多年积累下来的经营性数据,如财务数据、生产制造、人力资源和办公管理数据等,很多数据属于结构化的数据,在行业/企业的经营管理中,其实非常依仗这些数据,已经得到了很好的分析和利用。对于行业/企业来说,没有得到重视和利用的数据其实并不多。
在行业/企业所拥有的海量数据中,最容易被忽略,也是企业与客户连接最为紧密的数据,实际上是Cal Center数据。据Verint数据分析公司所提供的数据,大部分Call Center能够利用的数据<1%(如图所示),其中,被使用的1%数据也仅限于日常管理,没有能够和企业战略和业务发展产生交集。
大数据分析创造价值
作为企业与用户连接作为紧密的部门,Call Center是企业面向用户交互的窗口,也是企业接触用户的主要途径,因此对于这些交互数据进行分析,很容易掌握用户的需求,为企业调整业务流程,开展新的服务提供决策依据。但在现实应用中,Call Center并没有发挥了解用户需求,指导研发、市场、制造和销售的效果,很多时候,Call Center不过扮演了售后服务,亡羊补牢的角色,最多承担部分线上销售工作,与其应该有的战略角色相去甚远。
“其中有一个重要原因在于Call center数据是音频,很多行业/企业缺少处理音频数据的分析工具。”Verint数据分析公司北亚区售前及售后服务总监汪志伟在接受采访时说。
数据容量巨大,数据类型多样,这是大数据的典型特点,而Call Center数据恰恰符合这样的特点。对于音频、视频等非结构化数据进行分析和处理,很多人很容易想到语音识别、人脸识别等技术,最典型的如iPAD Siri、微软Cortana(小娜)和小冰,无论在识别率,还是人工智能水准上都达到了令人满意的程度。
“但是行业/企业Call Center的数据处理并不是一个简单的语音识别转换,外加数据分析的过程。”汪志伟说。
Verint针对Call center数据分析提供了一整套完整的解决方案。
洞察信息价值
在Verint提供的解决方案中,看似散乱、无序的Call Center数据,其实蕴藏着很大的商业价值,提供对于数据分析归类,就可以将数据区分为忠诚客户、粉丝客户、成功/失败营销、潜在客户、投诉抱怨客户、重复来电和超长通话等类型(如图所示),对这些数据集进行洞察,很容易转变为商业价值。
对语音数据构建索引和聚类,这是一个非常具有技术含量的工作,其水平高低将直接影响到数据分析的使用和效果。
汪志伟表示,Verint数据分析公司的技术优势就在于完整的语音索引和聚类。Verint公司具有20多年的技术和经验积累,可以在几秒之内构建基于文件的索引、分析、查询和相应,提供了简单易用的索引和语音对照播放工具。其提供的语音分析系统,不仅能够自动侦测情绪激动的来电,也能够针对来电内容进行分析。
智能语音分析
完整语意索引和聚类
侦测情绪激动来电
克服建模难题
实际上,智能语音分析的过程不仅是一个全文转录及语义识别的过程,也是一个数据建模和数据分析的过程。在Verint解决方案中,通过设立产品和业务类别列表,就可以对代表每个业务类别的术语进行建模,并可以通过实践不断进行优化,从而也就解决了数据建模的问题(参见下图)。
解决了数据建模问题,接下来就可以对归类数据进行多维度分析。多维度数据分析给行业/企业用户创造了巨大商业价值。根据介绍,某保险公司,借助数据分析发现,可以针对某年龄端用户,提供针对性的保险金融服务。相比较以往,创新险种和服务,需要精算师结合大量的调查和经验,反复验证。如今,大数据分析部分代替了计算师的工作,为保险公司带来的新的工作方式。在电信运营商市场,针对不同客户群的各种套餐和定制服务,其种类之丰富,服务之灵活,很多都是建立在Call Center用户数据分析的基础上。
小结
显而易见,Call Center数据洞察本身就能带来巨大商业价值。除此之外,如果Call Center数据能够与企业ERP、CRM、E-mail、Web以及社交媒体数据进行交叉、稽核分析,用于指导研发、生产、销售等各业务部门的工作,这样在企业内部就可以形成一个完整的闭环,比较大大提高企业的竞争实力。
对于大数据分析支撑系统而言,这就需要其能够支持开放数据接口,对于Verint这样的平台而言,已经具备了这样的分析能力。所以,对于用户而言,当务之急还是能够充分重视Call Center等用户交互数据的价值,通过数据分析,改进企业业务流程,所谓大数据应用落地,不妨从Call Center音频数据开始!很见效,也很简单!尽快行动吧!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19