来源：董成龙,单位为中国移动南方基地客户服务中心；

20世纪90年代，被称为百货商店之父的美国人约翰•沃纳梅克曾说过这样一句话：“我的广告费有一半浪费掉了”。当时的我不理解也无从了解“被浪费掉的广告费”是指哪些，因为数据十分零散，想要收集数据进行分析十分困难，投入非常大。

大多数客服中心对于数据分析一定也不陌生，都或多或少地设有相关岗位，但是数据分析人员的实际工作效能却千差万别。比较普遍情况是，许多客服中心的数据分析人员主要从事报表数据的汇总整理，加上一些简单的统计，之后交给相关业务人员或管理层。他们的工作不仅枯燥乏味，自身价值也没有得到很好的体现。如何才能在客服中心做好数据分析工作，真正发挥出相关岗位的价值呢？笔者认为需要从以下三个方面进行思考。

关键点一：数据分析作用何在，是否需要培养自己的数据分析人员？

在国内许多传统的企业中，做决策往往都是靠管理者“拍脑袋”，而很多管理者，包括客服中心的管理层对于经验都十分看重，他们认为通过自己过去的经历，就能够很好地在管理中做出正确的选择。

事实上，随着国外先进管理理念的传入，越来越多的管理者选择利用数据分析来辅助决策。因为管理经验与市场需求存在差异，经验决策并不能保证任何时候都能准确把握方向。数据分析的作用就在于通过真实可靠的数据，用事实说话，使管理者能真正把握市场的声音，这样的决策才更客观。

有些管理者认为，在客服中心内部设立数据分析岗位会增加成本。而选择专业的第三方来进行数据分析更加有效。其实，且不说数据保密的要求，客服中心在日常运营中可能遇到很多问题，比如排班吻合度是不是足够好，质检抽检多少条才能在保证抽样可靠性的同时确保人员工作负荷不过大。有决策就有分析需求，如果把这些全部交给第三方，成本太高，也不现实。

关键点二：数据分析人员成长路线如何规划？

前面已经提到，许多客服中心数据分析人员从事的工作简单枯燥，无法体现自身价值。这和企业没有对数据分析人员做好定位、规划成长路线有直接关系。在客服中心，数据分析人员简单来说可以分为三个层级“助理数据分析师---数据分析师---高级数据分析师。

助理数据分析师：能够在他人指导下，识别需求、认识问题。助理数据分析师主要做一些描述性统计分析，能够基本说清“是什么”。例如，对上半年各月接通率进行分析，说清楚每个月变化规律如何，整体趋势是增加了还是降低了等等。

数据分析师：能够独立处理需求，完成一个分析任务。具备了推断和多元统计分析能力，对于一项数据分析工作，能够条理清晰地设计分析方案，并能回答“是什么，为什么”。

高级数据分析师：不仅能够独立处理数据分析需求，还十分熟悉各业务内容，明白数据分析需求背后隐藏的问题，并有效推动解决问题。高级数据分析师不仅能够对现有问题进行分析，还能根据现有问题进行探索和验证性分析，相比于数据分析师，更擅长回答“怎么办”。

关键点三：数据分析岗位如何设置？

不同的客服中心，对于数据分析岗位的设置有所不同，这个问题其实是一个组织架构问题。具体说来有两种：一种是项目式，即各个项目在业务上各自独立，各自设有自己的数据分析岗位，从事本项目内的数据分析工作；另一种是职能式，即全中心设立统一的数据分析部门，平行于各项目，统一承担全中心的数据分析任务。

两种设置方式各有利弊：项目式的设置，数据分析人员与各项目接触频繁，对业务熟悉，提取数据也方便，自主分析能力强。而且数据从提取到分析都控制在自己部门手里，不易泄密。而缺点也十分明显，主要是做项目间的全面分析，存在部门利益的矛盾，对于分析师而言，如果要做一份全面分析，内容同时涉及呼入、外呼两部分，相关数据分别属于不同部门，而分析人员只属于呼入部门，那外呼部分的数据则受制于人，获取数据困难，最终的分析结果很难达到期望水平。而各部门数据不能共享，会造成懂呼入的人不懂外呼，反之一样，而没有统一的部门协调全中心的信息，直接影响运营效率。

而对于管理者而言，各部门容易陷入报喜不报忧，各自为自己部门争取利益从而影响到整体利益的囚徒困境，导致管理者无法从整体上真实有效把控客服中心整体情况，做出正确决策。

而职能式的设置，是指所有的数据分析人员都集中在一个独立的数据部门，数据部门直接对公司管理层负责，地位平行或高于各业务部门。这样，数据部门可以从各业务部直接提取数据，根据业务部门的需求，为业务部门提供相应的支持。

对于管理者而言，数据部直接站在客服中心层面做整体的分析，可以有效辅助管理者做好业务部门之间的配合、资源协调等。职能式组织虽然解决了部门利益与全面利益的矛盾，但由于和各业务部门独立，熟悉度不高，容易产生业务部门对于分析报告理解上的偏差。

数据分析对于客服中心而言是一个永恒的主题，如何真正做好数据分析，让每天无时无刻不在产生的大量数据告诉我们运营该何去何从是每一个管理者都想知道的答案。只有真正重视数据分析，才会在最终的运营中得到收获。