我们该如何爬出大数据陷阱？

简介：大数据革命是一座企业一直在为之奋斗并试图翻越的山。没有企业没有数据，但很少有企业能很好地利用数据。本文结合金融业一线工作经验，从大数据运营的角度提出了小数据运营思路的设计方向，供您参考和学习，提高数据价值。 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。拥有完整清晰的第一手客户行为数据，应成为大数据业务的先锋。 随着服务渠道体系的完善，我们与客户的沟通渠道已经覆盖了热线APP、微信微信官方账号、网银等。数据中心作为客户服务的大脑，应该对现有的沉淀数据提供更多的了解，并积极学习和总结。 从大数据运营的角度来看，对企业的帮助就像触及更多信息的手臂；小数据运营思维就像细胞，让企业学会造血，创造价值。 02 设计小数据运维思路 1. 隐藏在大数据中的小数据的价值 乍一看，大数据是一个很高的词，但我们需要考虑的是如何实施大数据。通过与一线数据用户的沟通，我们了解到，目前我们的报告数据主要包括员工与客户的电话沟通、业务咨询处理、操作行为等，统计维度相对完整，基础数据相对准确。 然而，从更好地实现数据应用的角度来看，我们发现相关人员往往无法在第一时间从密集的统计报表中发现问题。后台管理人员需要花很多时间处理数据，以获得所需的分析结果。 以金融呼叫中心为例，很多时候只是简单的EXCLE数据显示统计，我们真正想知道的是平均呼叫时间、处理时间、后处理市场、铃声响应时间等数据指标的分布，以及每个团队的工作状态，做一些水平比较，更好地关注每个员工的日常工作。在这方面，提出： 基本数据报表-统一数据格式，消除数据障碍； 数据处理过程-做好分组分类，消除无效数据； 价值赋予的结果——形成个性标签，增加创新指标。 将统计报表模型化，实现分析结果的自动化、正常使用，使不起眼的小数据创造更大的管理价值。 2. 消除依赖人工经验的工作模式 以金融呼叫中心为例，与负责调度预测管理人员沟通，在月度人力安排中，往往需要花大量时间比较冗余的历史数据，借助前人的经验，预测话语，耗时，部分计算公式背后的判断逻辑复杂，工作时间长。事实上，这个问题反映了在数据处理阶段，人工显然反映了计算能力不足和经验有限的特点，没有办法充分发挥沉淀数据背后的价值。 因此，有必要收集、分类和清理历史数据，整理和总结影响交易量波动的时间、活动、短信等因素，建立分析模型，通过优化应用模型，不断培训，提高机器解决方案的场景覆盖率。 事实上，许多原本依赖手动操作的内容可以通过模型化、系统化和自动化来解决，效果更好。为什么不呢？ 3. 使用大数据需要冷思考 大数据这个词很热，我觉得要用好大数据，发挥它的应用价值，做一些冷思。 (1)从无问题到探测问题 大多数时候，数据是欺骗性的，通常没有问题是最大的问题。例如，统计服务客户的服务量数据，数十人的统计结果乍一看是相似的，平均指标非常漂亮。但在深入挖掘数据后，我们可以探索更多的问题： 1)分析服务水平的波动率，可以发现活动推广日的服务水平波动率较大。因此，在活动推广前判断客户的影响范围，提前沟通，减少临时活动推广，提前安排足够的人力，确保客户的在线服务； 2)对新员工的话务量结果进行分类，会发现他们的电话处理时间较长，说明培训工作还需要深入，以提高新员工的工作技能； 3）对每个团队的箱线图进行比较，可以将团队的整体绩效评价从平均值等基本指标转变为极值、中位数和异常点的精确统计，帮助管理者更好地了解员工的工作能力，可视化技能是否参差不齐、大多数人员的表现、异常工作状态等，关注员工更深层次的工作表现。 (2)从统计数据到翻译数据 对大数据的第一印象是要有高算法、成堆的计算工具、无数的数据等。这些都很重要，但数据就像血液，工具就像肌肉和脉搏。只有将它们整合起来，共同服务于每一种肌肉能量，才能更好地完成复杂的任务。如果我们用大数据的想法翻译现有的沉淀数据，也会产生锦上添花的效果。翻译工作的核心是处理数据： 1）数据是精确的。对于可以收集到的话务数据，我们不能把它们放在一起。我们应该分析它背后的逻辑，问为什么这个指标需要统计，总结可以结合的分析指标，然后交叉分析数据； 2）数据是准确的。对分析结果要有质疑的态度，确定是否符合现场的真实情况。如果一致，则取决于统计口径是否准确，系统计算是否快。如果不一致，应深入现场调查，相信数据分析报告或现场收集结果，不断优化数据统计方法，更好地反馈真实情况。 3)数据是聪明的。数据不是统计越多越好，使用聪明，对于没有创造性的电话数据收集口径，如价值创造率、服务成本系数等，找到方法建立到系统埋点，不断丰富电话数据统计维度，匹配业务数据统计需求，让数据，已经思考、统计。 03 大数据的应用管理应接地气 未来，大数据探索将在组织中处于重要地位，深入一线场景，贴近业务需求。 1. 模板化原始数据处理，做好预测性分析 数据波动有一些不可避免的因素（假日、账单日等），也有许多偶然因素（活动推广、短信发送等），但归根结底，它会影响客户的服务体验。因此，有必要从源头清理数据收集过程，保留有价值的数据，并通过模型结构、算法分析和系统配置更清楚地显示数据预测结果。 2. 分析客户的行为，为营销提供支持 事实上，与客户沟通的过程是他对产品感兴趣或有疑问的过程。一方面，他应该超越客户的期望，做好服务工作。另一方面，他应该利用大数据匹配和分析客户在处理业务、咨询产品和遇到的问题时的记录，构建客户服务肖像，形成差异化的客户结构，促进管理中心从公共服务向点对点服务的转变，深入挖掘客户的产品兴趣和分期付款意愿，为前端营销过程提供支持。 3. 通过智能机器优化统计，分析多渠道数据 充分利用智能软件，对不同来源的数据进行目标分析。充分利用智能机器人，形成多渠道知识交互，收集客户问题，考虑其准确性、体验、流畅性，统计客户经常问热词，找出客户通过多次互动问答案，检查答案设置是否不够准确和优化。 对于不同的渠道，沉淀的数据是不同的。不仅要建立不同的客户数据分析规则，还要整合不同的渠道。系统掌握客户服务数据状态，实现全面分析。 因此，对于许多企业来说，大数据是一个黑盒子。你永远不知道里面会发生什么，为什么会发生。然而，小数据的操作和维护就像打开盒子的钥匙，让盒子里的每一条规则和原则都能清晰地呈现给经理，并做出更准确的判断。 特别说明：本网站的主要目的是收集与互联网运营相关的干货知识，为运营伙伴提供便利。本网站收集的公共内容来自互联网或用户的贡献，这并不意味着本网站同意其观点，也不对网站内容的真实性负责。如有侵权行为，请联系网站管理员删除，。