案例 | 客服中心优化案例数据分析

介绍:笔者写这篇文章主要是针对那些在案例解决方面缺乏自信的初学者,这将成为在面试中被拒的一个重要原因。如果你还在读这篇文章的话,笔者相信,你肯定已经做好了和我一起进入下一阶段的准备!

为了便于理解,第一阶段我设置得比较简单,目的就是吸引大家持续跟进,能够逻辑清晰地理解客服中心的工作流程。

然而,这只是把客服中心的真实工作简化后的结果。在本文中,我将更进一步,向大家介绍一下在客服中心优化案例问题。我已经介绍过R语言的编码问题,相信这篇文章将对R语言用户更加有帮助。不过,即使你不了解R 语言,你也可以用Excel 解决问题。

我们在之前的案例里进行了很多假设。其中一些包括:

  1. 所有的电话同时打进来。然而在真实案例中这绝不可能发生。
  2. 一个呼叫者处理一位顾客所需要的时间可以被准确预测。

我们排除第一个假设使案例变得更加真实一些。

商业案例(中级)

假设你为一个中型的电子商务企业设立一个客服中心。为了满足要求,你需要知道客服人员的总人数。这个项目会被外包给一个客服中心,它需要24小时在线服务, 而且每名客服的效率是相同的。

按照这种效率,你也估测到了顾客每个电话的时长。这种预测是基于以往客户的行为而进行的市场研究和预测。你可以假设这种预测是准确的,现在你需要预测如下内容:

  1. 如果要确保顾客无须等待即可联络到客服人员(零等待时间),最少需要多少呼叫人员?
  2. 如果要确保顾客等待时间不超过30分钟(最多等待30分钟),最少需要多少呼叫人员?

你需要处理的数据

你需要处理的是一天一共有一万个电话。

数据如下:

需要考虑以下内容:

1. 通话时长以“分钟”计。2. 时间(以分钟计)从午夜00:00开始。3. 呼叫显示的是顾客的ID.4. 假设每个呼叫者效率相同,并以和数据中一致的时间接听电话。5. 同时,你要假设呼叫人员没有休息时间,每个呼叫人员24小时在线。注意该数据仅为一天的数据(1440分钟)。

开始找解决方案

探索数据

同往常一样,我想说,在最开始探索和分析数据的分布很重要,呼叫时长分布数据如下:

经观察可发现,很多电话时长在3至7分钟,5分钟居多。我们来观察下一个变量。

呼叫时段分布如下:

在我看来,这些数据也是正常分布的,也就是说,这和之前图表的形状类似。我们可以看到大多数电话是在早上9点到下午4点间打进来的,中午12点是高峰。

探索数据的过程到此为止。现在我们开始寻找解决方案。

解决方案

我们以一个简单的解决方案开始,如果我们忽略电话接进来的时间,所有电话的时长总量为50635分钟。

Available time for a caller (24*60) = 1440 minutes

Number of callers required = (50635/ 1440) = 35.14

所以如果可以选择在任何时间内给顾客回话,我们大概需要36名呼叫人员。因此,在面试期间,你时间不多却需要快速给出解决方案,这种假设就会很奏效。然而现实生活中并没有那么简单。在此我们要考虑顾客呼叫客服中心的时间。

因此,对于实际解决方案来说,你需要模拟每一名顾客-呼叫者对。我正在用R语言做这件事,你可以使用任何工具例如excel, python来完成。简单的R代码如下(在CDA微信公众号回复「客服」即可下载代码):

发现结果

我们发现的结果如下:

正如图表中观察的结果那样,确定客服人员的个数非常重要。降低百分之十的数量会大幅增加顾客的等待时间。在本案中,如果我们减少四名客服中心的代表(44),一位顾客的最长等待时间变成87分钟,任何公司都不会希望看到这样的结果。

因此,

1. 答案1是48。我们需要48名呼叫人员来确保没有等待时间。

2. 答案是47,最长等待时间为312分钟,我们需要最少47名呼叫人员确保呼叫者等待时间不超过30分钟(最长等待时间为30分钟)

尾注

为了使案情简单,我们改变了呼叫的时间,不过,两个假设保留了下来:

1. 所有的客服人员的效率相同。

2. 客服没有休息时间。

除了这两个假设以外,我们并没有触及如何预测呼叫时长和呼叫时间。不过本案会教给你如何在函数中模拟整个环境。在以后的案例分析中,我们将会放宽这些假设条件,使模拟情况更加接近现实。

原文发布于微信公众号 - CDA数据分析师(cdacdacda)

原文发表时间:2016-05-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏智能算法

IT 职业进化线路图

来自:新浪微博@互联网GIF 1、程序员 ? 2、设计师 ? 3、产品经理 ? 4、手机工程师 ? 声明:本文系网络转载,版权归原作者所有。如涉及版权,请联系删...

34630
来自专栏SDNLAB

什么是物联网的边缘计算?

越来越多的“连接”设备产生了过多的数据,随着物联网(IoT)技术和用例在未来几年的发展,这种情况将继续存在。根据研究公司Gartner的数据,到2020年,将有...

1.1K20
来自专栏大数据挖掘DT机器学习

非常好的协同过滤知识讲解

“探索推荐引擎内部的秘密”系列将带领读者从浅入深的学习探索推荐引擎的机制,实现方法,其中还涉及一些基本的优化方法,例如聚类和分类的应用。同时在理论讲解的基础上...

36480
来自专栏新智元

量子计算新突破!耶鲁科学家把量子门“传送”了

耶鲁大学的研究人员发现,构建模块化量子计算机架构的关键步骤之一:根据需要在两个量子位之间放置“远距传送”的量子门。

9220
来自专栏数据猿

干货!5个问题帮你鉴别大数据安全分析的真伪!

<数据猿导读> 当前网络与信息安全领域,正在面临着多种挑战。传统的分析方法存在诸多缺陷,越来越需要分析更多的安全信息、并且要更加快速的做出判定和响应。信息安全也...

37560
来自专栏SDNLAB

Barefoot将通过Tofino重新定义网络设备中的ASIC

软件正在改变除了网络硬件之外的世界,但在网络设备领域中功能的实现出乎意料的缓慢。 例如,主要网络供应商大约四年时间将对VXLAN的支持添加到主流的路由器和交换机...

30250
来自专栏大数据挖掘DT机器学习

【解析】网站分析:关联推荐、交叉营销与向上营销

很多网站都具备了内容推荐的功能,不仅是像B2C电子商务类的卓越的图书推荐,也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求,促进商品购...

38540
来自专栏灯塔大数据

客服中心优化案例分析(附下载)—献给在案例解决方面缺乏经验的初学者

介绍 笔者写这篇文章主要是针对那些在案例解决方面缺乏自信的初学者,这将成为在面试中被拒的一个重要原因。如果你还在读这篇文章的话,笔者相信,你肯定已经做好了和我...

34460
来自专栏CDA数据分析师

推荐 | 收藏备用:大数据分析工具采购指南

大数据分析工具使用户能够分析各种各样的信息——包括结构化事务数据和社交媒体帖子、Web服务器日志文件及其他形式的非结构化和半结构化数据。一旦组织决定要购买一个大...

21390
来自专栏BestSDK

什么是实践中,真正的大数据科学系统?

产生推荐   实际上,有非常多的方法可以由数据驱动产生推荐。例如在所谓的“协同过滤”里,所有用户的行为都可以被收集起来作为推荐的基础,然后分析发现哪些商品有相似...

385160

扫码关注云+社区

领取腾讯云代金券