
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
随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28