现代国际

扫一扫,关注公众号二维码

MIMR视角

    数据挖掘在客户满意度闭环管理的应用

    发布者:MIMR 发布日期:2012-02-11 浏览量:

    前言

            随着通信行业竞争日益激烈,中国移动与中国联通、中国电信在服务范畴和业务范畴的每一个细节会决定客户对通信运营商的满意度和忠诚度。

            有见及此,如今中国移动更加重视客户满意度的提升,一方面推动内部流程(包括服务细节和一线服务人员能力优化营销案预审流程优化),另一方面着手通过满意度修复提升客户满意度。

            客户不满意现状分为两大块,一是已经表达不满的客户,即显性不满意客户,二是已经存在不满,但没有表达的客户,即隐性不满意客户。隐性不满意客户极有可能在短期内通过各种渠道表达不满(省公司/集团公司调研、热线投诉、营业厅投诉等)。

            隐性不满意客户群体相对较大且难以发现,一旦爆发会对中国移动的客户数量、业务收入产生巨大影响。所以,对隐性不满意客户的把控势在必行。

             现代国际市场研究公司在此范畴进行深入研究,通过数据挖掘,对隐性不满意客户进行准确定位,并且根据客户行为特征设定标签,对不同标签的客户实行人性化的不满意客户修复,使中国移动对客户满意度现状与发展趋势了如指掌且做到防范于未然!


        客户满意度闭环管理闭环流程构思            


      

            数据回收:

            从区域中心、外呼团队、数据业务室、渠道室和省公司回收各类满意度数据,结合服务管理室可以提取的短信满意度数据,汇总为该阶段的数据库,其后把数据库中的数据进行分类,将无效数据(省公司、外呼、热线满意度调研结果:过期、停机、空号数据;飞信、官网、短信满意度调研结果不完整或无结果数据;营业厅意见卡填写不完整数据)分离。

            定位显性客户:

            将数据库里的投诉客户、评价一般和评价差的客户定义为显性不满意客户,将评价非常好、很好、好的客户定义为显性满意客户;

            通过数据挖掘,寻找出显性不满意客户和显性满意客户的各种特征,并进行对比,发现两者的共性和差异性;

            显性不满意客户的特征将为下一步定位隐性不满意客户提供有力的数据支撑。

            定位隐性不满意客户:

            建立数据挖掘体系:根据客户各类行为特征,将字段分为基本信息、语音通话、GPRS、短信和业务使用情况五大类;

            其中客户五大类别的行为特征会再进行细分,形成二级、三级行为特征指标,从而建立数据挖掘体系。

            BOSS系统内提取数据:将已经整理好的显性不满意客户号码库导入BOSS系统,导出该号码群在一个季度内的行为特征,形成EXCEL格式的数据库;对提取结果进行检查和整理:去重、补充缺失值、逻辑查错。

            显性不满意客户频数分析:通过对显性不满意客户的频数分析可以发现客户一些共性特征。

            数据导入决策树模型:将数据导入SPSS Clementine决策树模型,模型会对各个字段的重要性进行预测,并对重要性进行排序;

            决策树模型根据条件的排序,将数据库进行聚类,分析数据库之间的共性和差异性,将数据的共性从小到大往上聚集,形成决策树。

            重要性排序:决策树模型通过数据分析,模型内会自动生成各个字段的重要性(importance);

            重要性较低,甚至为0的字段,决策树模型在运行过程中会对该字段群忽略处理;

            重要性分析结果,会对后期隐形不满意客户数据筛选顺序产生指引性作用;

            需要注意的是,重要性分析结果是模型根据数据特性所分析出来的,在后期隐形不满意客户数据筛选中,顺序可以根据实际情况进行调整。

            形成决策树初步结果:凡是涉及数字区间的区分,模型会自动形成一个判定条件,此条件可以根据实际情况进行调整,如:众数、中位数、均值等;

            决策树的树枝部分的F表示不符合上一个判定条件,相反T为符合上一个判定条件。

            决策树的节点部分的F表示不符合神州行这个品牌条件,即不是本次决策树分析的目标数据,相反,T为符合本次决策树分析的目标数据。

            判定条件调整:结合显性不满意客户行为特征频数分析,我们可以根据实际情况调整判定条件。

            形成阶梯式结果:数据挖掘结果导出后,根据决策树分析结果形成阶梯式的挖掘结果,该结果内包含品牌、字段群、条件、频数、基数、基数占比和总体占比;

            随后对阶梯式结果进行总结归纳,归纳原则为:

            1、同一条件层,以频数较高者为主要条件(使用年限1年以上);

            2、当某一条件层其中一个条件频数少于总体的1%时,终止总结归纳;

            3、当阶梯出现分叉时,以原则“1”为基准进行总结归纳,但需要注意的是:当两个分叉点的基数占比相差少于等于20%时,此分叉点则为决策改进点

            决策改进点分析:决策改进点:显性不满意客户通过此判定条件后,没有形成明显共性(T or F频数相差在20%以内),此判定条件则为决策改进点;

            从数据挖掘的角度分析,数据经过此判定条件后没有形成共性,是因为该判定条件下,客户都会存在不满意,则说明此判定条件对客户满意度的影响相对较大,且该判定条件TF都会在数据量充足的条件下形成决策树分支,对不满意客户修复有较高价值。

            客户满意度修复执行:

            分析各品牌的共性与差异性:通过归类整理中国移动三大品牌的显性不满意客户特征,对各自品牌的显性不满意客户特征进行分析,为制定人性化、贴心的修复方式提供支撑。

            确定提数规则:提数规则是以全字段决策树模型得出,是根据不满意客户所有行为字段的共性进行排序;若根据N个提数规则的提数结果数据量相对较少,则可以相应减少提数规则,直至数据量合适为止;理论上,在此提数规则下,不会出现数据量太多的情况,若数据量太多,可根据决策树模型结果相应增加字段。

            客户分类标签:客户标签分为促销优惠无覆盖、语音消费预警、GPRS消费预警和短信消费预警四大类型;四大类型的客户特征对应一系列的客户特征,特征间有并存关系、独立关系等;不同标签对应不同的修复方式,达到人性化、贴心修复。                 


            过程跟踪:

            客户满意度修复的重点之一在于过程跟踪,一方面通过月度外呼满意度、短信满意度、投诉量来检验赠费/赠送新业务的效果,另一方面通过短信、外呼团队对目标客户的赠费/体验新业务返还费用到账情况进行说明,与此同时,告知客户剩余到账费用/新业务体验期的情况,在客户新业务体验期结束前一个月,提醒客户体验期即将结束,并告知客户新业务到期会自动关闭。

            结果跟踪:

            针对客户关系维系与关怀的结果跟踪,现代国际建议每个季度进行一次,跟踪的核心为省公司季度调研的结果,可以将客户关系维系与关怀的结果直接体现在KPI得分、三类地市排名上面,其次是季度统计的客户投诉量、清远移动满意度内部自查结果;

         此外,参与新业务赠送体验的客户对该业务的续用率也是很重要的一个跟踪指标,若客户对新业务的续用率相对较高,便能够说明上一季度的隐性不满意客户特征分析相对到位;

         流程更新:

         客户关系维系与关怀流程的跟新分为三个阶段,赠送话费名单更新为每月一次、赠送新业务名单、新业务内容、隐性客户特征设定更新为每个季度一次、整体流程更新为每年一次;

         整体流程更新(1/次):根据省公司KPI指标、三级地市排名重新梳理流程,调整年度规划;

         赠送新业务名单、新业务内容、隐性客户特征设定更新(1季度/次):根据省公司季度调研结果、内部自查结果和季度投诉量,调整赠送新业务名单和隐性客户特征设定;根据产品室季度营销方案调整赠送新业务内容;

         赠送话费名单更新(1/次):根据季度安排,更新赠送话费名单;

         适用性:

         此类技术可应用于省级移动公司和地级市移动公司,相对来说,KPI考核压力较大的地级市移动公司比较适用。

         结束语

         客户满意度,是各行各业的发展根本。能像一般预知和发现不满意客户群体并及时进行修复,是维持客户满意度稳步提升的重要因素。如今,通过数据收集数据处理数据挖掘,便可形成常态化、高效率的满意度修复工作,使客户满意度尽在掌控之中!

     

公司网站二维码

公众号二维码

一键分享,轻松分享更多精彩内容
点击这里给我发消息

咨询热线
020-22260475

在线询价
online rfq

MIMR项目
满意度调查