大数据时代的到来，敲响了唤醒沉睡中的海量信息及突破传统分析理念的钟声。利用技术手段，针对看似散乱、无序、低价值的海量数据进行深入挖掘和分析，洞察深藏其中的业务价值，盘活数据资产，引来各行业竞相角逐。如何捕捉并探寻符合自身行业特色、务实有效的大数据应用发展思路，是时代赋予的重要发展机遇。

历经概念炒作、技术完善、场景探讨，客户心态从被动了解渐渐走向主动拥抱，大数据应用在若干失败的风投案例中逐渐走向成熟，应用项目从尝试走向更广更深的实践应用，应用方向从技术主导型逐渐转向价值应用型。针对客服中心沉睡多年的海量音频数据，技术的关键性突破使全量数据分析及价值挖掘成为可能。以下结合中国银行客服中心实践对大数据应用进行交流探讨。

客服中心大数据的应用场景

客服中心传统管理手段是基于系列系统统计报表、抽样质量检查和人的经验，而跨系统数据分析、数据项的重新组合分析是难以基于全量数据进行的，基于员工效能的多维度分析、对欺诈风险的侦测与防范往往更多依赖于人的经验和从事后的教训中习得。

利用大数据技术建立基于客户电话行为的数据分析平台，汇集各应用系统数据、语音数据形成基础数据池，再依据业务服务与管理需求的特点进行建模分析，如：深度挖掘客户数据，洞察客户行为模式，构建外呼预测模型，有效提升外呼座席利用率和整体产能；针对客户电话交易型风险和座席操作合规性风险，构建数据全量筛查及报警模型（例如：同一来电号码为多个客户办理高风险业务），自动抓取风险线索，为风险稽核提供数据支持等。通过建模、模型训练、有效性验证、结果展示等动作，提供一般查询定制、业务分析、运营指标监控，甚至敏感客户名单及其特征等，将如同大数据在其他领域的应用一样，成为业务与管理决策的基本工具。

另外，客服中心在密集接触客户的过程中汇集了海量信息。以中银金融商务有限公司为例，通过电话和网络渠道为客户提供服务，全年转人工电话量过亿通。客服中心作为银行连接客户的重要触点，日均数十万次的交互，客户的需求也通过语音、文本和工单传递到客服中心。

海量的客户交互信息中，通过对这些信息的归类分析，理解每一个呼叫的真正价值，将其提取并客观反馈到银行各相关环节。一方面，可帮助银行管理部门、产品部门、市场部门等有效掌握客户需求信息，了解自身产品功能、服务、业务流程等方面的不足，为其优化和创新提供直接依据；另一方面，每一次呼叫中也许可以捕捉到新的商业机遇，可以通过对客户需求的跟踪，及时推动创新和进行客户挽留。

以往，这些数据主要用于客服中心业务处理和内部管理，客户通话的录音数据一般仅仅用于抽样质检和纠纷处理。越来越多的银行高管已经看见其中蕴含的价值，大数据技术的发展洽为其价值的充分挖掘与展现提供了技术支撑。

中国银行客服中心在探索实践中逐步丰富应用场景，逐渐形成“提升内部管理效能，服务集团价值分析，提高营销精准度，防控相关业务风险”四大客服中心大数据应用。以下将针对客服中心增值转型中最具代表性应用场景——“客户之声”的价值挖掘进行阐述。

“客户之声”大数据挖掘助推呼叫中心价值转型

客服中心作为对外交流的巨大窗口，汇集了盈千累万的客户联络信息，包含着客户的需求、问题、投诉、建议及偏好等重要信息；蕴含着企业改善产品设计、优化服务流程、提升客户体验及加强营销效果的重要价值信息和参考依据，是企业以客户为中心战略转型和持续发展的推动力。

“客户之声”的价值挖掘奠定了客服中心作为“价值中心”的基础。这里的价值挖掘是指以发现有助于提升服务水平、产品质量、流程效率及客户体验等为目的，针对各渠道客户联络信息进行收集、汇总和深度挖掘的大数据应用场景，其应用实现主要分为以下三个层面：

一是源数据采集汇聚。以客户联络信息为主线，针对各渠道信息进行数据提取、转写和清洗等数据准备工作，采集范围包括语音通话数据，文本客服、微信、微博及社区等渠道的文本数据，以及相关业务系统所产生的结构化数据。

目前，客服中心数据量最大的依然是语音数据，这部分数据需通过以声学模型、语言模型及发音词典为基础的语音识别技术实现音频数据到文本数据的准确转换。近年语音技术取得较大发展，市场上一般用户解决方案有关语音识别引擎识别率能达85%以上，用户环境训练后可达到更高，已基本可支撑基于大数据的分析应用。

二是数据分类体系。数据能够按照业务属性进行分类和标注是大数据应用的前提，分类的目的是根据数据集的特点构造一个分类函数或分类模型，该模型能把未知类别的样本映射到给定类别。

由于文本数据的半结构化甚至于无结构化的特点，当用特征向量对文档进行表示的时候，特征向量通常会达到几万维，需要使用特征选择、特征抽取等降维技术，降低特征空间的维数，提高分类的效率和精度。而从实际应用层面来看，分类准确性的提升需建立在业务专家对业务知识的全面分析和梳理之上，需按照业务参数对文本进行反复的聚类分析和验证，迭代优化聚类效果，建立完备的数据分类体系。

三是业务主题分析模型。在完成数据准备的基础上，运用趋势分析、根源分析、关联分析及回归分析等数据挖掘算法，构建业务主题分析模型。例如：产品主题分析、投诉主题分析、同业情况主题分析、突发事件主题分析、高风险业务主题分析、服务态度主题分析等，从产品、服务及流程等各个方面深度挖掘价值信息，洞察客户关注点、市场敏感点、服务薄弱点、疑似风险点等热点及重点信息。

大数据应用在实践中遭遇的窘境