从均值管理到差异管理

Froc推荐理由:我第一次认识到数据的力量,是在许乃威先生的呼叫中心管理管理培训里。许老师通过方差分析,就能发现很多运营问题,这对我影响深远。后期,我在做绩效管理、运营分析等,都应用到了差异管理的思想。差异管理的思想,可以应用到各行各业,离散系数是一个重要的质量指标。本文我一直收藏着,今天推荐给大家,希望对提升大家的管理和分析有帮助。


呼叫中心一路走来,就算以美国或欧洲的角度来看,都只有30年不到的历史,是一个很短的历程,大部分的管理理论都很不成熟,借镜于其它产业的管理理论,却发现这些理论不完全适用于呼叫中心。

其中一个最严重的管理难题就是,其它产业高度仰赖的平均值管理,到呼叫中心突然发现不灵光了。

平均值管理有什么问题?

我们先看几个例子。

1990年,我在美国待了相当长一段时间,当时看到美国加州有一个郡的郡长发布了一个新闻稿,说他们郡的人均收入比前一年同期大幅提升了不少,新闻稿的用意很明显,就是要表现这个郡长所做的功绩。

人均收入提高,是不是一个很值得大书特书的政绩?人均收入提高,听起来这个郡的居民收入提高了,大家应该都过得更好了。

但当地报纸显然不买帐,写了篇文章去讥讽郡长,说郡长大人,本郡人均收入提高,是因为有一个人搬进了本郡啊,这个人就是比尔盖兹先生。

比尔盖兹先生搬到了这个郡,人均收入当然会大幅提升,可能还提升了几十倍不止,但这个郡的其它居民的收入有提升吗?这个郡的人均收入提升,跟其它居民有关系吗?

我最近上课,常常会讲一个脑筋急转弯,有一个城市(叫做城市甲吧)人均收入是一万,城市乙的人均收入是8千,有没有什么办法可以仅仅靠着把城市甲的一群人搬到城市乙,然后两个城市的人均收入同时都会增加?

这答案很简单,就是把收入在一万到8千的居民,从城市甲搬到城市乙,两个城市的人均收入都会同时提高。

是的,只要把收入在一万到8千的居民,从城市甲搬到城市乙,两个城市的人均收入都会同时提高,因为城市甲的人均收入是一万,而这些收入在一万到8千的居民,因为收入低于人均收入,所以如果搬走,人均收入自然就会提高。而城市乙的人均收入是8千,这些居民的收入高于城市乙的人均收入,这些人搬进来,城市乙的人均收入自然就会上升。

仅仅靠着把这些居民从城市甲搬到城市乙,这两个城市的人均收入都会同步提高,但请问,这两个城市有做了任何的努力吗?还是说这两个城市都只是在玩数字游戏而已?

我再举一个更令人困惑的例子来说明平均值这个数字的矛盾性。

大家觉得有没有可能两个座席员,过去8、9、10三个月的质检平均分数,座席员甲是高于座席员乙的,而11月这个月的质检平均分数,座席员甲还是高于座席员乙的,但是如果把这四个月的分数放在一起重新统计,突然座席员乙的平均分数却高于座席员甲?

应该不可能吧,8、9、10三个月座席员甲的平均分数都高于乙,11月甲还是高于乙,怎么可能把四个月的分数放在一起平均,乙却高于甲呢?

万一有这种可能,那我们过去在计算质检平均分数的时后,不是全乱了套了吗?

甲的平均分数一直都高于乙,怎么可能把分数放在一起统计,却出现了大逆转呢?

如果这有可能,那到底是甲比较好,还是乙呢?

还是我们根本无法辨认谁比较好呢?

我用下面这个例子来说明这真的是有可能的(见表一):

上面这张表,把甲和乙两位座席员过去8、9、10三个月的质检分数列了出来,大家可以看到,座席员甲被抽听了40通,其中合格数是36通,显然合格率是90,而座席员乙被抽听了100通,合格数是86,合格率是86。

过去8、9、10三个月的质检合格率,座席员甲显然是高于座席员乙的。

到了11月,座席员甲被抽听了20通,合格数是13通,合格率是65,而座席员乙被抽听了8通,合格数是5通,合格率是63,11月的的质检合格率,座席员甲显然又是高于座席员乙的。

但如果我们把这四个月的成绩放在一起统计,我们会看到一个令人非常困惑的情况:四个月的累计,座席员甲被抽听了60通,合格数是49,合格率是82,而座席员乙被抽听了108通,合格数是91,合格率却是84!

座席员乙的合格率突然高于座席员甲!

你没有听错,而我没有讲错,大家仔细的详细看看上面这表格的计算,是的,我没有算错,分开来看,座席员甲都领先座席员乙,但放在一起统计,座席员甲却输给了座席员乙!

平均值的计算,是要非常小心的,当你抽听的通数不一样,而两次的平均值差异又过大(甲原来合格率是90,11月掉到了65),这时平均值就可能会出现上面这种可笑的情况。

我常常拿下面这两个例子来说明在呼叫中心平均值的计算,是拿来罚钱,而不是拿来管理的。管理是需要不断地问为什么,而平均值看不到个体差异,问不出为什么这三个字。

先看第一张图(见图一):

这是两个呼叫中心从早上8点开始,一直到晚上6点,每隔半个小时的服务水平。可以很清楚的看到,蓝色这条线,它服务水平在91到48这中间震荡,平均服务水平是73左右,粉红色这条线,虽然平均服务水平也是在73左右,但震荡幅度却小了很多,服务水平只在81到68这中间震荡。

图一

要请问的是,大家觉得哪一个呼叫中心的管理比较好?

你会觉得这两个呼叫中心的管理一样好吗?

我们来看看另外一张图,这是从通话利用率来看(就是座席员一天的通话时长除以该座席员一天的签入时长)(见图二):

图二

这是两个座席员每天的通话利用率,横轴是这个月从月初到月末,纵轴是通话利用率,蓝色这位的平均通话利用率在70左右,粉红色这位的平均通话利用率也是在70左右,但上下震荡的很厉害,月初表现的很好,但从月中开始,通话利用率就一直明显的下降。

如果是从平均数来看,这两个座席员的通话利用率平均都是70,都是一样。但两个人的表现真的是一样吗?

呼叫中心过去主要的管理手段,我们称为平均法,利用平均表现来进行考核。

例如某座席员这个月的通话利用率是否有达标,就是看这个月里面,每一天的通话时长进行加总,然后除以这个月这个座席员的签入总时长。

平均法的最大问题,就是只能看到平均,而看不到差异。

通话利用率这张图是某个呼叫中心真实的故事,它的座席员每个月有固定的接听总通数这个指标必须达成,在月初时,座席员就拼命接电话,到了月末,接听通数的指标达成了,大家就开始拼命的小休,通话利用率就大幅的下降,造成通话利用率是月初高,月末低的情况。

这是你要的绩效管理效果吗?

如果你只看平均数,你可以看出这个问题吗?

追求差异的缩小,是最小方差管理法最重要的精神,而最小方差管理法用来测量差异最重要的测量工具就是:

标准差和离散系数

如何使用标准差和离散系数,我在前几期的文章中写得相当详细,现在大约再说明一次。

标准差计算方法很简单,在EXCEL里面,只要利用“STDEV”函数,选中你要计算标准差的数列,如下图,我们要计算7月1号到30号平均处理时长的标准差,7月1号到30号平均处理时长的数据,就是B2到B31这数列,只要选中这数列,按“确定”,就会得出标准差(见图三)。

图三

如我们之前几篇关于最小方差管理法的文章所说,平均数看不到个体差异,只知道7月1号到30号的平均处理时长是99.5秒,但这数字对管理者而言,其实是没有办法用来做管理的,因为管理者要做的是找出差异,管理差异,而标准差才是可以提供个体差异这重要信息的工具。

但每一次计算平均值,因为采用的天数可能不一样,或是采用了不同的班组来检查,平均值都可能会不一样的,这时如果只是用标准差来做互相之间的比较,就会产生不公平的情况,所以将标准差除以平均值,得出一个系数,就称为离散系数。

离散系数是一个最重要的控制指标,最小方差管理法大量使用离散系数来测量某一个KPI指标是否已经达标。

最小方差管理法把离散系数分成四个等级:

稳定 0.1

控制 < 0.16

失控 > 0.16

严重失控 > 0.8

有了这四个等级,呼叫中心的差异管理,有了明确的界定,只要你把某个KPI指标的离散系数计算出来,你就知道自己目前的差异状况是在稳定,还是控制,或是失控中了。

这是一个非常重要的观念,质量管理之父戴明是一位改造了日本的质量大师,他却是一位美国人,本来在1950年到1960年,日本制就等于是劣质货、黑心货的代名词,日本以廉价但质量差的产品大量倾销美国,让美国人非常鄙视,但到了1980年,美国最大的电视台NBC制作了一套震撼美国人的节目,节目名称就是『为何日本能,而美国不能!』,因为到了1980年代,美国人赫然发现日本制产品的质量,远远超过了美国货,全世界都开始买日本车,买日本家电,质量尽然超过了一直在帝国大梦中的美国,而改造了日本的这位大师,就是戴明。

可惜国内目前很少戴明的书,戴明对我的影响非常的大,他的理论最重要的核心思想就是:

管理企业,首先要让关键指标进入控制状态,不然所有的管理手段都是无效的!

也就是说,必须首先测量关键指标是否在控制状态,如果不是,首先要让事情进入控制状态,不然就算你采取再多的改善措施,都是这里失火,这里救火,那里失火,那里救火,为何这里那里会到处失火,却没有找出问题的源头,只是在事情的最末端进行亡羊补牢的补救措施而已。

最小方差管理法认为差异管理最重要的,就是首先进行关键指标的离散系数测量,测量关键指标目前的控制情况。

如果指标是在失控状态(离散系数大于0.16),最小方差管理法藉用两个关键图来找出差异的来源,这两张图一个是常态图,另外一个是控制图。

常态图的画法可以参考我前面一篇文章『Excel2007对呼叫中心管理产生的革命性影响』当中,有详细介绍怎么用Excel来画常态图(见图四)。

图四是某呼叫中心平均处理时长的常态图,我们希望常态图是一个高峰,这代表只有一股力量在里面,如果出现了两个以上的高峰,就代表有两股以上的力量在里面,差异被这两股以上的力量给拉开了。

同样从图四中,我们看到大部分人的平均处理时长是5分钟左右,但在8分钟这里,又出现了一个小高峰,甚至在10分钟这里,出现了第三个小小高峰。

常态图可以帮助我们在指标失控时,看到这指标有几股力量在里面,针对第二和第三个高峰应该要采取适当的手段来改善情况。

换句话说,看常态图的重点,就是看有几个高峰,我们希望看到的理想情况是一个高峰,但只要指标是失控的,通常一定会看到两个以上的高峰。

常态图也轻易可以看出长尾来,长尾理论最近在互联网变成一个影响很大的理论,就是由网民共同创造的网站(例如小区网站)虽然网民力量小,但却是真正互联网将来的主流方向。

但在差异管理中,长尾却是你最不想看到的,在图四中,右边显然出现了一条长尾。

图四

本文刊载于《客户世界》2007年12月刊,作者为客户世界研究院顾问专家,台湾客服中心发展协会TCCDA监事。

原文发布于微信公众号 - 数据的力量(shujudeliliang)

原文发表时间:2018-08-15

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

来自专栏新智元

17岁!Kaggle史上最年轻Grandmaster诞生:高中自学3年登顶

在AI和大数据圈的人,应该没有不知道Kaggle的,这是全球首屈一指的数据科学、机器学习竞赛和分享平台。去年被谷歌收购时还一度引发业界轰动。企业和研究者可以在K...

14420
来自专栏DT数据侠

当空间数据遇上机器学习,城市的颜值有了新的度量方法

每个人都生活在一定的空间,城市的各项公共服务设施也需要占据一定的空间。通过对这些空间数据的挖掘和分析,我们能够比以往更科学、更清晰地观察我们所在的城市。9月27...

9200
来自专栏AI科技评论

干货 | 数学通大道,算法合自然?

算法对我们的生活中的有着各种潜移默化的影响,但算法是否存在被滥用的情况?本文对算法使用问题提出了自己的看法。

9320
来自专栏钱塘大数据

人脸识别太强大,张学友演唱会又双叒抓逃犯了!

张学友作为90年代的歌坛传奇,是很多人的美好回忆,《吻别》、《心如刀割》一首首经典歌曲传唱至今,陪伴许多人度过青春岁月。

17540
来自专栏机器之心

深度 | 从规则推理到数据学习:人工智能该学习人类的思维方式吗?

16180
来自专栏大数据文摘

11张图带你走过数据可视化的前生今世

254150
来自专栏机器之心

观点 | NIPS 2017经典论文奖获得者机器学习「炼金术」说引热议,LeCun发起反驳

机器之心报道 参与:路雪、刘晓坤、李泽南 去年的 NIPS 曾因 GAN 引发了一场风波,而今年的 NIPS 同样有着不同思想的碰撞,而这场机器学习「炼金术」讨...

434130
来自专栏机器学习算法与Python学习

最强数据集50个最佳机器学习公共数据,可以帮你验证idea!

外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息,整理了一张50个最佳机器学习公共数据集的榜单,量子位为大家分享一下~

15250
来自专栏镁客网

研究表明:狗的神经元数是猫的两倍,狗或比猫聪明 | 黑科技

16400
来自专栏互扯程序

谷歌AI版“你画我猜”背后是什么样的原理?

我们先看看这个小程序是什么,打开微信小程序搜索页面,搜索“猜画小歌”,打开这个小程序,点击开始作画。小程序会先出题,告诉你画什么,20秒倒计时,你画完内容,然后...

9220

扫码关注云+社区

领取腾讯云代金券