数据分析实践 | 大数据在电销领域的应用

点击「京东数科技术说」可快速关注

「摘要」本文是作者在经历传统保险电销和互联网电销的数据分析实践中进行的一些思考沉淀，或有不足不到之处，欢迎交流指正。

◆ ◆ ◆

电销过程

电话销售的过程基本可以概括为数据打标、盘点、下发、拨打、改派、回收、标签优化再到下一轮数据盘点，围绕数据形成一个不断循环往复的数据生产和使用过程。因此，可以说，电销天然属于数据密集型产业，数据资源的是电销的核心竞争力，其有效利用不仅决定公司当前电销业绩的达成，而且决定公司是否能在电销销售座席的招聘、育成及留存即电销的长远发展中形成合力。

◆ ◆ ◆

数据挖掘方法

电话销售渠道常用的数据挖掘方法有：有监督的分类模型、聚类、运筹学中的最优化理论、异常值分析、文本挖掘等。这些数据建模方法从不同的侧面提供了知识发现的思路，将电销过程中产生的有价值信息进行沉淀和复用。

一、有监督的分类模型——名单优选/名单分层

有监督的分类模型可以对历史销售记录及销售结果进行训练，提炼出销售成功特征，并将此特征用于对未来数据的筛选中，提高电销销售转化率。这一模型既可用于首次拨打或二次复拨时的名单筛选，又可以用于名单分层，在实践中，因为名单的稀缺性，一般很少会直接筛选一部分名单使用而舍弃后一部分，因此后一场景在实际业务中更加常见。分析师会根据预测转化率，将名单分为A/B/C等若干层名单，形成名单阶梯，匹配人力阶梯，形成一套有效有活力的名单晋升机制。

数据挖掘模型中，有监督的分类模型种类甚多，从传统的Logistic模型，决策树模型到随机森林，神经网络，SVM，再到XGboost, LSTM模型，种类繁多，各有优势。在实践中，Logistic模型和决策树模型因为其很好的解释性很受传统保险电销数据分析师的青睐，而XGboost模型则因为其更高的预测准确性越来越受到互联网电销分析师的喜爱，LSTM（长短期记忆网路）模型则因为其考虑到时序效应，在网销和电销的结合中发挥价值。

二、聚类——客户聚类，产品推荐/座席聚类，座席打标

聚类分析是按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。

以坐席聚类为例，不同的座席有不同的销售风格，有主打服务，多次跟进型的，也有专业快速销售型，不同销售风格的座席呈现不同的拨打状态，通过座席各维度的拨打指标（件均通次，次均通时，件均通时，成交产品等）进行聚类，对座席风格进行打标，匹配积累数据。

三、运筹学中的最优化理论——座席与客户最优匹配

运筹学最优化理论主要运用数据方法研究各种系统的最优化途径及方案，为决策者提供科学依据。最优化方法的目的是针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统的效能和效益。在电销行业，不同的座席有偏好的地区，性别，产品，年龄段，件均，不同的销售风格等，如何通过线性规划，甚至非线性规划，得出最优的分配方案实现销售业绩最大化也是分析师需要研究的一个重要问题。

四、异常值分析——座席流失预警模型

异常值包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。异常值分析可以应用到座席离职的发现、分析、识别、评价和预警方面。座席的稳定是电销业绩稳定的基石，通过对座席拨打指标的分析（日均通时，日均通次，业绩，次均通时，300秒通次占比等），准确对即将离职的座席进行预警并进行适当的数据倾斜和人为干预，可以有效减少座席波动导致业绩的大幅波动。

五、文本挖掘——拨打语音分析

文本挖掘通常涉及输入文本的处理过程，产生结构化数据，并最终评价和解释输出。典型的文本挖掘方法包括文本分类，文本聚类，概念/实体挖掘，生产精确分类，观点分析，文档摘要和实体关系模型。