提到数据驱动运营,说的比较多的是产品运营、用户运营、内容运营和活动运营，而对服务运营却鲜有提及。并非大数据在服务运营中就无能为力了，事实上，用数据化的方法和手段在服务运营中也是大有可为的。今天我们要讨论的话题是如何用数据来驱动服务运营。

一、什么是服务运营

在商业领域，服务指为用户做工作，满足用户需求或解决用户遇到的问题，并使用户从中受益的一种有偿或无偿的活动。服务运营则是指为解决服务过程中存在的问题而开展的一系列的运营工作，这些工作包括：服务内容设计、标准制定、资源协调、服务执行与交付、服务监测和评估等。服务运营虽然是产品价值链的后端延伸部分，但却是产品最终实现价值的、不可或缺的组成部分。

二、为什么需要用数据驱动服务运营？

传统的服务运营通常存在四个方面的问题：

1、需求洞察：主要依靠实证调查，数据获取成本高

为了解用户的服务期望与需求，企业通常的做法是采取用户调研，通过电话访问、问卷调查等实证手段来收集用户反馈和评价。采取这些用户调查的手段收集用户需求，往往需要借助外部市场调研公司的力量来完成，市场调研的执行周期长、费用高，还对用户有一定的骚扰，但用户调研回收的数据量有限，不一定能找到用户的真实诉求。如果服务运营人员亲自去业务场景中挖掘用户需求的话，一方面耗费时间长，另一方面可能会加入个人主观因素，看到的不一定很全面。所以，需要在实证调查之外，开发更多的用户需求挖掘和分析的手段。

2、质量监测：以结果性指标为主，缺乏过程性指标

为诊断服务问题、发现服务短板，企业经常会开展服务质量监测与评估工作，通常的做法就是进行用户满意度调研。类似于满意度等感知类指标往往都是结果性指标，是用户在事后才反馈出来的数据，这种数据的时效性较差，不一定能真实反映当时的情况。因此，为真实测评每次服务的真实感知，需要让用户很方便的对每次服务做出及时的评价。同时，服务质量监测应增设更多的过程性指标，特别是涉及服务动作分解的行为类指标。因为，有时候用户服务感知的评价指标不一定准确可靠，需要结合每次服务交付过程中的具体动作做联合分析，才能给出较全面的服务质量监测结果。

3、服务交付：以被动服务为主，服务重标准化、轻个性化

在服务交付过程中，企业通常的情况是被动救火式的处理各种问题，见招拆招、疲于应付。如果能在问题出现之前，提前做好预判，并将相关服务前置的话，就可能会减少很多投诉问题的发生，这对于提高用户感知是大有益处的。另外，一线服务人员在服务交付时是按照服务标准来执行，往往能按部就班的去做到，但是缺乏在标准之下的灵活性，用户的个性化需求难以得到满足，这样即使企业提供了很符合标准要求的服务，但还是不一定能用户有好的服务体验。

4、服务效率：服务主要依赖人工，效率低、成本高

在劳动力密集型的服务行业，服务的交付往往靠人工面对面来完成，服务作业的在线化程度低，人工服务成本高，人均效率还不一定高。特别是对于一些简单的、重复性较高的标准化服务环节，可以逐步的分流给机器和自助设备来操作。这样就能减少对人工服务的依赖，解放部分人工和物力，将这些资源投入到更有价值的服务场景中。

以上这四个方面的服务运营问题，在充分融合数据技术后，能在一定程度上得到缓解。在用户需求分析时，利用自然语言处理、音视频处理技术，可以采集到更多的用户数据，细致全面的侦测到用户的需求；在服务质量监测时，引入更多过程性指标数据，结合前后台相关数据，可以形成更及时、更客观的分析；在服务交付时，利用数据可以侦测到问题征兆，可以提前做好服务准备，还可以基于用户分类分级，为用户提供更贴心的个性化服务；在服务效率提升方面，可以基于知识图谱技术等手段建立机器人服务机制，提高服务效率。总之，数据驱动的服务运营将更高效、更智能。

三、如何用数据驱动服务运营？

数据化的方法和手段可以渗透到服务运营的诸多环节，笔者选取了以下六个方面进行阐述：

1、 利用自然语言处理和文本挖掘技术洞察用户需求

自然语言处理研究的是能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，而文本挖掘是对文本进行分析处理，将其转化为结构化数据，并从中提取有价值信息的计算机技术。文本挖掘，首先对文本做分词的基础上抽取特征，将文本数据转化为可供分析的结构化数据，然后利用分类、聚类、关联分析等技术实现相应的目标。

随着电商购物的渗透率越来越高，用户在购物网站上会留下越来越多的在线评论，这些在线评论中往往隐藏着用户的需求，通过自然语言处理（NLP）技术和文本挖掘技术能提取评论中的有价值的信息，已经被证实是可以高效挖掘用户需求的新模式。例如：某公司技术人员从某电商平台上随机抽取15000条护肤品类产品的评论，采取自然语言处理与文本挖掘技术提取了用户需求（如下图），并将提炼的结果与其他同事访谈法提炼的需求作对照。他们发现，超过95%的已知用户需求都能从在线评论中提取。此外，还从用户评论中发现了5个新需求。

2、构建更全面的服务质量监测指标体系

 由于服务实际上是由前后台相关部门共同完成的，而用户往往接触到的只是交互界面上的部分环节。为了全面监测服务质量，需要从服务的实现过程到交付完成、再到用户感知层面进行综合评估，评估指标既要有结果类指标，还要有过程性指标。例如：某运营商在做服务质量监测时，从支撑、交付和感知三个维度构建了监测指标体系，并制定了各指标的评分标准，通过数据大屏的形式实时监测这些指标的变化。

3、基于用户画像开展“渠道-用户-服务”相匹配的精准服务

为提升服务体验，满足用户个性化需求，企业需要基于标签画像对用户进行进一步的分类分级，开展“渠道-用户-服务”三方面相匹配的精准服务。以某公司为例，他们首先构建以客户基本特征、兴趣爱好、社会特征及电信特征为中心的PCST客户标签分类体系。再根据数据标签，提炼用户相关偏好，基于每个细分用户群的偏好特征，不断匹配和积累产品、渠道、场景等方面的服务规则。结合细分用户群特征，支撑各类营销活动的目标用户识别和提取，为产品和服务找到目标用户。基于用户等级提供差异化服务，满足用户个性化服务需求。

4、基于用户智能识别模型提供主动服务

 艾伯特-拉斯洛·巴拉巴西是美国东北大学教授网络科学研究中心的创始人、主任，也是全球社会网络的领军人物、“无尺度网络”创立者，他曾指出：人类行为93%是可以预测的。无论是自然界还是人造世界，许多事情遵循幂律分布，一旦幂律出现，爆发点就会出现。基于此理论可以做出以下推断：大量用户在与企业的长期接触和互动过程中会留存很多痕迹，这些痕迹是能提炼出一些有规律的用户行为模式，具有相同模式的用户应该存在类似的需求。某电信运营商客服中心基于此推断，开展了基于用户智能识别模型的主动服务尝试。用户智能识别模型基本原理如图所示，其基本思想是从种子用户群的数据中提炼出典型的行为轨迹模式，再将其他用户的行为轨迹与这些行为轨迹模式进行比对，才从而预测目标用户的可能需求。

用户智能识别模型的结果可应用于用户实时画像、话务分流和精准营销场景下。在话务分流场景下，提前识别用户的呼入需求，并针对用户呼入后可能产生人工话务的环节进行提前干预，采取主动服务方式，可抑制用户的人工话务量。在实际项目试点中，筛选出可做话务分流的规则和用户后，通过优化短信内容、IVR个性化设计、其它渠道推荐等方式，可减少人工呼入约13.8万次/月，可减少人工服务时长约11.9万分钟/月。

5、基于知识图谱和智能语音技术提供机器人应答服务

用户联络中心沉淀了大量的用户服务案例，对这些案例的海量内容资源进行碎片化、结构化处理，将内容切成不同颗粒度的知识片段，并加注语义标签，挖掘各类关系，组织领域知识图谱，可构建专业的知识库。在服务过程中，将相关知识输入到在线服务机器人的大脑中，可以大大提升其专业度与处理效率。例如：某移动公司研发了智能应答机器人，通过引入语音转写软件，打造基于智能语音技术（语音合成、语音识别、自然语言理解）的交互控制系统，将客户问题即时语音转写为文本信息，无需手动输入问题内容，交互极为快捷方便。在专业知识库的支持下，系统和用户基于智能语音技术进行直接沟通，语音实时转文字，关键语义提取，以智慧、活泼的业务助理方式帮助客户解决问题，真正实现智能机器人“快捷、智能、贴心”的目标。

 6、基于NLP和CNN建立投诉工单智能分类模型

客服工作中会涉及大量的工单处理工作，客服需要将工单转发到相应的职能部门进行处理，再向客户返回处理结果。首要环节就是工单的有效分派，如果出现工单分派错误的情况，就会影响工单的顺利流转。传统的工单分类依靠人工，基于对工单内容的理解手动分类方式，这对于短期少量投诉工单分类还是很有效的。但是随着投诉工单数量的不断增长，网络新用词语的不断增多，不同客服人员理解上的偏差，传统的人工分类方式已经不能满足这一需求，如何快而准地对投诉工单文本进行分类亟需解决。

例如：某移动公司按照数据采集、数据清洗、高频次统计、模型训练四个步骤，建立了基于NLP和CNN建立投诉工单智能分类模型，不仅大大提升了投诉工单文本分类的效率，还在一定程度上避免了客服人为分类时的疏忽大意以及理解不当造成的分类错误的问题。

四、小结

服务运营虽然处在产品价值链的末端，但对于维系用户、提升用户价值具有不可忽视的作用。伴随着大数据与人工智能技术的进步，散落在各个服务接触点的文本数据、音视频数据都能很好的被收集和解析，自然语言处理技术、知识图谱技术等将有广泛的应用空间，再加上5G技术的成熟，将来会有云服务机器人、VR+AR服务等等新模式为用户提供更加智能化的服务，到时候数据驱动的服务运营将步入一个崭新的境界。

-END-