数据一定是结合业务才会产生价值。不结合业务的话，孤立的数据本身价值事非常有限的，只有将数据运用到业务场景里才能体现出其价值。所以基本的数据分析路径是：从业务到数据，然后再返回业务，不断支撑业务的改善。

 

关于数据操作的效率

大多数情况下，整个数据分析流程中，70%以上的耗时是在数据的清洗、整合及转换上。数据越不规范，所消耗时间越长。 

很多所谓的加班实际是Excel\WPS应用水平低的表现，做张报表排序筛选、嵌套公式，嵌套函数，还不停地拷贝粘贴，算了半天还老报错。好不容易掌握了个vlookup函数，还弄得数据操作越来越慢，不断崩溃。多表数据整合更是头疼，开五六个文件，一点一点复制粘贴。

 

实际上，呼叫中心日常的运营和绩效报表用好智能表和透视表两个功能都可以是非常高效的，甚至是自动化的。如果能熟练掌握Power Query，则大部分数据源的整理与同步都能实现自动化。

 

这里面还有另外一个问题，那就是数据质量问题。所需要的数据都拿到了，但加减乘除运算都做不了，到底出了什么问题？这是数据人员经常会遇到的一个问题：数据格式问题。无论是从数据库或系统导出，还是来自于他人，数据格式不严谨的问题一直很让人头疼。

这里面最常见问题就是数据以文本的格式存在而导致不能进行正常的运算。还有一些诸如合并单元格、随意隔行、空列等习惯都会对后期的数据处理造成很大的麻烦。

 

问题：图片中标出的数据有什么问题？

数据分析的思路从哪里来？

 

我在上课过程中或者平常微信群的交流中经常会遇到学员困惑于没有思路，不知道如何下手的情景。那么分析的灵感和思路从哪里来呢？它实际上来源于业务。就像前面所讲的，先定义了业务问题，然后才是数据分析。具体来讲，数据分析的思路要来源于对业务的理解，对运营框架及各环节逻辑驱动关系的理解。下面我们来一起回顾一下呼入型呼叫中心的业务运营逻辑：

比如说，如何提升员工工时利用效率这个业务问题需要我们看哪些数据呢？

 

从业务运营的角度，员工的工时分为有效工时和无效工时，什么是有效工时？就是可以处理（抵消）外部客户所带来的工作量的时间。那么对于一线话务人员来说，其实就两个状态：通话+后处理，剩下的都是无效工时，因为它不能抵消外部客户所带来的工作量。因此，这时的业务问题就变成了如何提升通话+话后时长占比的数据问题。

 

要想提升有效工时占比，还需要分析员工的无效工时都花在了什么地方，哪些地方是可以优化的。所以从数据的角度我们还需要知道总付薪时长、出勤损耗、现场损耗、线上损耗等指标。这样我们就有了明确的数据收集和测算目标。

 

实际上如果我们真正的去分析一个问题的话，一定要先具备非常清晰的业务逻辑。如果你的业务的逻辑不清楚的话，你就会感到茫然无助，你不知道你的思路从哪里来。举例：如何去优化我们的服务水平；如果你对于业务非常熟悉，你的逻辑思维就会非常清晰，服务水平是由：客户带来的工作量和一线员工的处理能力之间的平衡来驱动的。再进一步，工作量是由客户的来电量和来电的平均处理时长所构成的。内部的处理能力由时段的当班人数和每个人的有效工时所构成的。业务逻辑清晰了，分析优化的目标也就有了：

 

1、想办法降低人工来电量；

2、无法降低人工来电量，能不能优化平均处理时常；

3、无法控制外部工作量，内部能否匹配足够的员工；

4、此外还要保证每个人的有效工时；

数据的具体分析路径

 

以上谈到了数据质量问题和数据分析的思路问题，那么接下来我们看一看数据的分析路径问题。从具体的分析操作方面来讲，数据分析可以分为现状描述——原因探究——未来预测——行动建议等四个阶段，这也是运营报表里面应该涵盖的主要元素。

那么要做好每个阶段的分析，我们还需要掌握一些常用的分析方法以及它们的应用场景。比如，想要知道整个中心在平均处理时长这项指标上的表现情况，只看均值是不够的，需要用到分布分析来查看高中低各个区间的员工分布比例或频次；想要知道员工在效率和质量方面的平衡表现怎样，需要用到双维的象限分析，通过观察四个象限中的员工分布情况来确定当前存在的主要问题以及如何针对员工进行分群管理；再比如如果分析指标是否达标，需要我们用到对比分析去跟设定的指标去对比；如果想看一个员工是否在成长，需要用到趋势分析；

如果想发现一个员工最需提升的技能项是什么，就需要对他进行个人技能优劣势分析和个人小组绩效对比分析等等；如果想发现质检所发现的突出问题，又会需要用到排列图二八分析等等。

下面我们结合服务水平分析来举一个例子。大家已有的一个共识是，如果你真的想提升服务水平（接通率）的话，是不能只看均值的。因为由于均值自身计算的缺陷会掩盖很多具体时段的真实情况。那看什么？看时段达标率。（假设你的呼叫中心是7X24服务的）就是一天当中48或96个时段中有多少比例的时段是达成你所设定的服务水平目标的。如果再进一步，我们可以剔除夜间及早间非繁忙时段，只看白天最忙碌时段的时段达标率。如果对自己再狠一点，还要去分析控制达标率，因为服务水平太高和太低都不好，我们是期望它在一个合理的区间之内波动的。那么到底有多少比例的时段服务水平落在这个区间里了呢？这才是运营真功夫。

 

下面我再分享一些其它的示例分析思路和图表：

 

客户联络的构成分析：

客户与来电构成的对比分析：

清晰可见：左边14%的客户共享了右边53%的话务

渠道话务构成趋势分析：

人工话务占比在下降，而增长最快的自助渠道是APP客户端。

 

某中心员工某一时间段平均处理时常的分布分析：

预测排办或现场调控模型图：

员工质量技能优劣势分析：

问题描述与定位清楚之后，下一步就需要进一步去探寻问题发生的原因了，也就是表象背后的根源。

 

一提到探究原因大家一定会想到因果分析，鱼骨图。是的，鱼骨图根源分析的确是原因探究的一把利器。但其实前面提到的很多分析方法同样可以用来探究原因。比如接听量指标，有些员工的月度接听量处在整个中心的末四分之一区间，那么我们再同步看一下他们的有效工时利用率表现，如果大多数人也是同样处在末四分之一区间，问题根源就基本明了了。再比如，服务水平指标白天时段总是达标困难，我们只要拿白天时段的时段所需人数和实际线上人数一对比，可能结论就出来了。

 

除此之外，还有一些应用更广泛的根源探究分析方法也是必须要熟练掌握的。比如，相关与回归分析，不但能够告诉我们两项或多项指标间的关联关系，而且还可以通过回归系数的测定发现不同指标对结果的影响重要性排序。

在职时长与服务质量相关分析：

薪酬与满意度对比分析：

发现问题，分析问题之后，按照逻辑顺序的话就该解决问题了。过去的已然过去，除非特殊情况需要补救，否则就往前看吧。往前看就要针对已经或正在发生的问题提出解决或应对预案。到这一步，其实分析的重心又回到了业务上。因为预案一定是针对业务的，数据分析只是帮我们发现问题，找出原因，并预测趋势而已。

 

例如，通过以上的分析我们发现，造成客户满意度不高的原因:

 

一是队列等待时间长，

二是问题解决能力差。

 

那我们的预案或者说建议的解决方案应该是什么？

 

按照业务的逻辑关系来讲就是提升接通率和首次解决率。如何提升这两个指标，就要根据上述分析得出的结论看看影响接通率的主要因素有哪些，影响首次解决率的主要因素有哪些，然后真对这些因素提出或长期或短期的方案建议。