目录
01 大数据与企业服务的关系
金融一线是与客户互动的重要窗口，拥有完整、清晰的一手客户行为数据，应当成为开展大数据业务的排头兵。
随着服务渠道体系的健全，我们与客户的交流渠道已涵盖热线、APP、微信公众号、网银等诸多方面。作为客户服务的大脑，数据中心应当对现有沉淀数据提供业务端更多的理解，要主动进行学习归纳。
大数据运营视角，对企业的帮助，就像是臂膀，触及到更多的信息；小数据运维思路，就像是细胞，让企业可以学会造血，创造价值。
02 小数据运维思路设计
1. 小数据的价值隐藏在大数据中
大数据乍一听是很高大上词汇，但我们要思考的是怎样将大数据进行落地。通过与一线数据使用人员，进行沟通了解到，目前我们的报表数据主要包含员工与客户的话务沟通、业务咨询办理、操作行为等内容，统计维度较为完整，基础数据较为准确。
但从更好做到数据应用的角度出发，我们发现相关人员往往不能第一时间从密密麻麻的统计报表中发现问题，后台管理人员需要二次付出大量的时间，将数据进行处理，才能够得到需要的分析结果。
以金融呼叫中心为例，很多时候拿到的只是一份简单的EXCLE数据陈列统计，而我们真正想知道的是平均呼入通话时长、处理时长、事后处理市场、振铃时长等数据指标的分布情况，以及各团队的工作状态，做一些横向的比较，更好关心到每一位员工的日常工作。在这一方面，提出：
- 基本的数据报表——要统一数据格式，消灭数据隔阂；
- 数据处理的过程——要做好分组分类，干掉无效数据；
- 价值赋予的结果——要形成个性标签，加入创新指标。
将统计报表模型化，实现分析结果的自动化、常态化使用，让不起眼的小数据，创造出更大的管理价值。
2. 消除依靠人工经验的工作方式
依然以金融呼叫中心为例，与负责排班预测的管理人员进行沟通了解到，在对每月人力进行安排时，往往需要花费很大的时间对比冗杂的历史数据，并且借助前人经验，对于话务量进行预测，耗时耗力，而且部分计算公式背后的判断逻辑较为复杂，工作上手时间较久。这个问题其实反映出的是在数据处理阶段，人工明显体现出算力不足、经验有限的特点，没有办法充分发挥出沉淀数据的背后价值。
因此，需要将历史数据进行收集分类和清洗，并对影响话务量波动的时间、活动事件、短信等诸多因素进行整理归纳，建立出分析模型，通过应用模型调优，不断训练，提升机器的解决场景覆盖率。
其实，很多原本依赖人工进行操作的内容，都可以通过模型化、系统化、自动化进行解决，而且效果更好，何乐而不为呢？
3. 大数据使用需要冷思考
大数据这个词很热，我认为要用好大数据，发挥它的应用价值，要做一些冷思考。
（1）从“没有问题”转为“探测问题”
很多时候数据是会“骗人”的，往往没有问题才是最大的问题。比如，对服务客户的话务量数据做统计，几十号人的统计结果一眼望去结果相近，而且指标的平均数非常漂亮。但是深挖数据后，我们可以探测到更多的问题：
1）对服务水平的波动比率进行分析，可以发现活动推广日的服务水平波动比率较大，因此要在活动推广前对客户影响的范围进行判断，做好提前沟通减少临时性的活动推广，提前安排好足够的人力，保障客户的进线服务；
2）对新员工的话务量结果进行分类，会发现他们的通话处理时长更久，说明培训工作还需要深入，要提升新员工的工作技能；
3）对各个团队进行箱线图比较，能够将团队的整体表现评价从平均数等基本指标转化为对极值、中位数、异常点的精确统计，帮助管理人员更好了解员工工作能力，对技能是否参差不齐、绝大部分人员的表现如何、异常工作状态等进行可视化呈现，关切到员工更深层次的工作表现。
（2）从“统计数据”转为“翻译数据”
对于大数据的第一印象，是要有高大上的算法、成堆的计算工具、数之不尽的数据等等，这些固然重要，但是数据就像血液，工具就像筋脉，只有它们融合起来共同服务于每一项肌能，才能更好完成复杂的任务。如果用大数据的思路对现有沉淀数据进行“翻译”，也会产生锦上添花的效果。而“翻译”工作，核心是对数据进行治理：
1）数据在精。对于能够收集到的话务数据，不能囫囵吞枣的放在一起统计，要分析它背后的逻辑，多问一句为什么这项指标需要统计，把能够结合在一起的分析指标进行归纳，再进行数据交叉分析；
2）数据在准。对于分析出的结果要有质疑的态度，要判定是不是符合现场的真实情况，若一致，要看统计的口径准不准，系统计算快不快，若不一致，要深入现场进行调研，是相信数据分析报告还是相信现场收集的结果，并不断优化数据的统计方式，更好反馈出真实情况。
3）数据在巧。数据不是统计的越多越好，要用巧劲，对于目前还没有收集口径的创造性话务数据，比如价值创造率、服务成本系数等，要想办法把它建立到系统埋点中，不断丰富话务数据的统计维度，匹配业务端的数据统计需求，让数据在进入报表前，就已经“思考过”、“统计过”。
03 大数据的应用管理要接地气
未来大数据探索要在组织中放在重要位置，深入到一线场景中，紧贴业务需要。
1. 原始数据处理模版化，做好预测性分析
数据的波动有必然因素（节假日、账单日等），也有诸多偶发因素（活动推广、短信发送等），但归根结底会影响到客户的服务体验。因此，要从源头对数据收集过程进行清洗，保留有价值的数据，同时借助模型构造、算法分析、系统配置的方式，将数据预测性结果更清晰的呈现出来。
2. 对客户进行行为分析，为营销提供支持
与客户交流的过程，实际上是他对产品产生兴趣或者有疑问的过程，一方面要超越客户期待的做好服务，另一方面要用好大数据将客户在办理业务、咨询的产品、遇到的难题等记录和客户数据库进行匹配分析，构造客户服务画像，形成差异化的客户结构，促使管理中心从大众服务向点对点服务转变，对客户的产品兴趣、分期意愿等进行深挖，为前端营销过程提供支持。
3. 借智能机器优化统计，剖析多渠道数据
要利用好智能软件，对不同来源的数据做好目标分析。要充分利用好智能机器人，形成多渠道的知识交互，收集到客户的疑问，对这些数据要更多考虑其精准性、体验感、流畅度，统计出客户常问的“热词”，找出客户通过多次互动才询问出答案的问题，查看答案的设置是否不够精准并进行优化。
对于不同的渠道，沉淀的数据各不相同，既要分开来看，不同的渠道建立不同的客户数据分析规则，也要整合来看，系统掌握客户服务数据状态，做到全面分析。
所以，大数据对于诸多企业来说，就是个“黑箱”，你永远不知道里面会出现什么，为什么出现，但是小数据运维，就像是打开这个箱子的钥匙，让箱子内的每一个规则、每一项原理，清晰的呈现在管理者面前，并作出更加精准的判断。
