客服运营的很多维度之间是有关联关系的。例如，不断压缩通话时长可能会导致通话质量和一解率的下降，差错率的上升；不断强调降低差错率可能会导致员工按部就班，因生怕犯错而导致服务死板，缺乏灵活性而影响客户体验；接听量阶梯计件工资制度的实施，可能会使更多的员工为了增加接听量而产生催促客户、说话语速偏快、缺乏主动意识等现象的产生；还有客服运营人所熟知的接通率与放弃率的关系、通时与接听量的关系、内部质检质量与外部客户评价的关系、满意度与离职率的关系等等。

 

那么我们应该如何从数据上去验证这种相关关系，如何解读相关关系的验证结果呢？这就要依靠数据分析的相关工具EXCEL或其它更加高级的数据数据分析工具了。

 

相关关系第一种验证方式是散点图。如果两个指标之间具有某种相关关系或趋势，散点图可以很清晰地展示出这种关系。在如下所示的散点图中，我们展示了新老员工在接听量和质检成绩上的相关关联趋势。可以看到，新员工在质量和效率两个维度上关联关系并不大，分布比较散，很可能存在不少人顾此失彼的现象；而老员工们除了个别离群值之外，整体表现呈现正相关关系，大多数人都做到了质效兼顾。

相关关系的第二种验证方式是相关系数。如果两个指标维度之间存在相关关系，那么我们也可以从相关系数上进行验证和解读。在EXCEL里面，我们可以用相关系数或相关矩阵的方式来展示两个或多个指标之间的相关关系。假设我们有如下的有关话务驱动因素的数据：

我们想了解一下客户基数与联络量之间的相关关系如何。把这两列数据分别放入CORREL函数，确定后我们就得到了两者之间的相关系数：0.97443.

Correl相关系数函数的输出值在-1到+1之间。如果相关系数处于0到+1之间是正相关关系，处于0到-1之间是负相关关系，越靠近两边的1相关关系越大，越靠近中间的0相关关系越小。0.97443非常接近+1，说明客户基数与联络量之间存在非常强的正相关关系，即客户基数越大联络量也越多，可以考虑作为业务量预测建模的候选变量之一。

 

解决了两个指标之间的相关系数问题，那么如何一次性输出多个指标之间的两两相关系数呢？那就要用到相关矩阵了。虽然其它高级软件在相关矩阵检测上都是小菜一碟，但EXCEL实现此项功能需要加载“分析工具库”插件后才能操作。这个我们留待后续再讲。

需要注意的是，两个指标之间的密切相关关系不一定都代表因果关系。密切相关只是代表两维数据之间有明显的相向或相反的运动趋势，但这种趋势也很有可能是由一个共同的第三方引起的，亦或者完全没有驱动关系。另外，CORREL相关系数的值还容易受到极端（离群）值的影响。本来密切相关的两组数据如果出现几个极端值或离群值，则相关系数会有显著下降。需要在实际应用中仔细加以甄别。