大数据分析在通信客户营销服务中作用初探

■王小康

（中国移动通信集团山东有限公司）

引 言

在数字经济席卷而来的大潮中，大数据、人工智能、云计算等新兴数字化信息技术已经逐渐从理论阶段走向实用阶段，并在人们的工作、生活学习等多方面发挥着越来越重要的作用。本文以作者亲自主持参与的项目为例，分析了借助大数据和人工智能技术，以客户需求为导向，深入挖掘客户咨询申诉的关键业务、关键时刻和关键触点，前置营销服务，用合适的产品服务合适的人，积极推进通信运营商“服务即营销、营销即服务”建设的过程，供移动通信、运营管理、数据挖掘、客户服务等领域的同行参考。

1 通信运营商“营销服务一体化”建设任重道远

当前，移动通信运营市场已经进入极大饱和状态，不论是移动、联通还是电信，都已经很难找到全新的客户来源拉动市场份额的快速、显著增长。在这种情况下，通信运营商纷纷选择了通过对现有存量客户的“深耕细作”，来提升老客户的收入贡献。在存量运营的诸多手段中，外呼营销因能在极短时间内与客户达成交易一致，而备受青睐。

但相对应的，外呼营销作为一个长流程管理链条，其间仍存在有待改善的地方。

（1）未形成规范的审核流程，营销策划部门和服务支撑部门之间只是通过邮件往来，导致脚本设计和落实的中间环节缺失。

（2）各项营销政策的话术关键点未进行细致分类，导致脚本的审核标准不够精细化。

（3）对审核过的脚本没有系统性的留存，导致后期追溯难度系数大。

2 具体实施措施

2.1 系统化开展外呼营销脚本审核等系列工作

外呼营销脚本是推动外呼营销工作顺利开展的基础，能够规范话务员话术、提高营销成功率、规避投诉风险点。因此，外呼营销脚本审核的工作是一项极为重要的，长期性、持续性的工作。

一是“平台化”。在制定了脚本审核的具体流程中，我们在“业务运营管理中心”系统（Business Operation Management Center，以下简称“BOMC系统”）中增加了外呼脚本审核的关键节点，固化了外呼营销脚本审核的标准和流程。实现了大数据背景下，从非数据驱动的人工流程到数据导向驱动的自动化流程、从传统客服软件时代到新一代智能客服时代的转变。

二是“可视化”。自2020年5月起，我们已经开始通过BOMC系统对外呼脚本进行审核，实现了从脚本制作到脚本审核再到脚本落实的各个环节的可控性操作。对审核过的脚本有了痕迹留存，实现了可视化统计。

三是“软实力”。提升脚本审核人员的能力，是脚本审核流程的灵魂，是促进的生产的催化剂，更是客服满意度的有力保障。为此，我们开展了对生产单位脚本审核的技能培训，让脚本审核人具备标准脚本撰写的能力。实现在统一的标准下，外呼营销人员形成属于自身的个性化外呼话术，用更精准的服务去推动更精准的营销。

2.2 搭建并强化营销活动前置管理系统

精准服务需要流程再造和管理革新。在企业运营中，精准服务的成本消耗最低、营销效果最明显，无疑是最有效率的运营方式。一旦摸清了客户的个性化需求，就可以针对性的提供有效的产品。精准服务并不只是局限在内部大数据上，还可以通过人工智能和社会资源进行更完备的整合，将精准营销推向更高层次。从运营商的角度来说，通过客服热线积累的大量与客户之间的沟通数据，就是客户潜在需求的数据化表达。在这个基础上，我们开发了营销案前置管理系统，并着重研发了以下的功能模块，尝试通过技术手段将海量、零散、非规范的客户通过客服热线交互的数据，通过一些列操作转化成业务运营服务能快速借鉴、统一使用的有价值信息。

2.2.1 实现投诉语音文本的转换

这个功能的核心是语音识别，将这些语音转换为文本后，不仅减少了存储空间，这些文本数据还可以用于后续的信息挖掘，用来会改进服务和发现商机。

通过大数据语音转写技术，将转写引擎分布式部署在AI平台算力中，利用GPU组成的强大算力，可以实现全省投诉语音大批量并发实时转写；针对本省不同地区的方言差异，AI平台的语音转写引擎因地制宜，将地区方言转换处理，最大保留客户信息表达，在精准捕捉客户投诉事项、定位客户不满意度原因、挖掘客户潜在消费需求点等提供数据保障。

2.2.2 实现通过转换后的文本定位到用户提及营销案、涉及的具体业务和用户在乎的关键点

客户通过热线通道表达或咨询自己的业务诉求，其中多数电话诉求是与营销案某一具体业务相关，在投诉文本与营销案匹配过程中利用人工智能自然语言处理技术(Natural Language Processing，缩写为NLP)。其中，主要处理有投诉文本与营销案自动匹配、投诉文本与营销案关键词自动提取并不断丰富关键词库、投诉文本与营销案业务自动关联等。

在投入文本与营销案匹配过程中，需要实现将投诉文本的内容特征与众多营销案的特征进行比对，从中找到匹配度较高的营销案，目前全省营销案每年多达1400余份，每个营销案特征都需要充分准确提取；针对现有情况，利用多项技术，从关键词、特征抽取、文本摘要、主旨分析等多个维度综合处理，在分析现有业务特点后建立深度学习模型，利用人工智能神经网络等技术充分学习业务专家在同类问题判断方法：

（1）模型首先对接营销案库获取营销案文件，因营销案会先与投诉文本发布（业务关系）。会对营销案做处理，提取营销案关键词，生成营销案关键词库以及营销案关键词向量库(词向量可以有效提取词特征)，为后续与投诉文本关键词做特征值对比，相似度比较做铺垫；对不同营销案提取文本主旨、文本摘要等信息要素，将营销案中不同营销案方案的主要特征提取出来，并对不同的文本特征建立不同的特征权重值，确保提取的特征的准确性。

（2）营销案运行一段时间后，客户经投诉产生语音转写投诉文本，输入投诉文本后，模型对投诉文本进行预处理，预处理包括：

①投诉文本关键词提取，其中对需要对与投诉内容无法信息进行过滤，如停用词、助词等。②日常用语处理；如，语音:每月消费一二百元—〉转写： 100到200百元。③业务语料处理，建立运营商业务语料库：如“机顶盒”、“融合宽带”、“手机流量”等词汇。

2.2.3 客户信息深度挖掘

在互联网时代，除了用户数、营业额等，数据已经被认为是未来的核心资源。相对于交易记录等传统数据而言，在网页浏览、APP应用、电话交互、现场业务办理中，所产生的形式各异、规模庞大的网页、文本、语音、视频等数据中，更多的包含传统交易数据中不那么容易获得的偏好、情感、期望等信息。而客服部门作为企业前端的客户直接接触窗口，每天都可以从客户身上获取大量的信息，甚至可以在客户比较满意的实际，主动获取一些爱好、职业等信息。同时随着定位技术成为了手机的标配，个人位置信息已经成了客户服务领域待被开采的金矿，以上这些信息可能是非标准化的，需要进行初步的处理才更方便使用。

基于用户多种行为属性，在客户信息挖掘方面从多种维度入手，主要包括：客户来电情感分析、客户来电潜在消费需求挖掘、客户主要关注信息等方面。

（1）情感分析方面：根据投诉文本提取客户情感程度信息，建立情感分析模型提取客户正向、负向等情感表达，根据模型分析客户情感值建立情感分类用户，对不同情感表达客户关联业务内容，及其近期历史使用记录，定位客户不满意关键因素。

（2）客户潜在消费需求挖掘：在客户投诉文本中，在伴随投诉内容中往往存在其他方面业务咨询及自身通信需求说明，如“每月98元套餐很多流量用不完”，利用信息抽取、文本摘要等技术将此类信息提取，结合客户网络数据实现客户主要消费特点，根据此类用户消费需求智能化推荐符合业务，定向满足客户需求提升客户满意度。

（3）客户关注信息挖掘：根据客户投诉文本初步意向表达，利用NLP技术抽取其中的关键信息，如“每次在动车或酒店信号极差”等，可以提取其中关键信息并建立个人信息图谱，对客户主要关注信息强化，针对此类客户自动匹配符合业务或智能化分析此类人员消费特点为新的营销案建立提供辅助建议。

3 项目使用的成效

3.1 用大数据分析结果反向助力营销活动设计

2020年上半年，我们在脱敏状态下，通过系统分析了58000余客户交互信息，获取较集中的关键词2000余个，并基本形成了对应的营销活动脚本设计关键线索。在此基础上，客服部门针对160余项营销活动提供了方案优化支撑建议，营销策划部门采纳率达到了100%，并实现了经客服部门审核的营销活动“零重大投诉”的管控目标。

3.2 经优化外呼营销效能明显提升

实施本性项目以来，根据在线公司运营统计数据来看，经过客服参与优化的外呼营销脚本，整个外呼均长缩短57.97秒/通话（约16%），办理成功率提升0.5个百分点。

3.3 营销服务一体化确保客户满意度领先

根据上级集团公司下发的满意度通报，本省“资费套餐”、“资费规则清晰度”、“套餐适配度”、“业务宣传”、“账单服务”等多项满意度商业过程指标的表现值，均在全国前五名。

4 结 语

通过整合分布在不同的网络业务的用户级别的数据、根据不同业务的投诉分类客户、相关客户在经分领域数据等，通过机器学习的方法分析影响用户网络使用体验的权重指标，结合用户投诉文本中主要诉求表达，综合构建评估用户网络体验的指标体系，并以此体系持续监控用户的网络使用体验情况，结合客户经分及消费类数据形成个性化客户画像，网络使用体验的指标进行精准的优化和改善，消费套餐进行精准定位推荐，从而达到持续提升用户使用满意度及个性化定制的业务目标。