呼叫中心有著非常豐富的語音和在線交互數據以及大量的工單數據，涉及到企業產品，業務和服務的方方面面，他們是企業寶貴的數據財富。通過對文本數據的分析挖掘，有助于獲得對客戶，產品業務和服務問題的一些洞察。以下筆者簡單分享下文本大數據分析實踐中的思考。
1、有了數據不一定就能做分析，我們需要先關注數據的質量
我們在實踐過程中，接觸到了不同行業的數據，但遺憾的是，發現盡管都有數據，但數據的質量上有較大差異，有的能做出全局性的分析和洞察，有些則不能。
語音數據不能做分析的核心問題是其轉譯準確率問題。轉譯準確率問題一部分是跟轉譯引擎本身的性能和是否有做過細分領域的語音標注優化相關，一部分是跟錄音源頭數據的本身質量有關。前一部分的問題基本都是共通的，依賴于技術和人工優化上的能力，后一部分問題跟呼叫中心服務過程的規范性和客戶群有關。在實踐中就發現因為客服本身語速過快，咬字不清，口音較重，客戶方言等問題導致轉譯準確率不高。在人工測聽發現都需要來回好幾遍才能大致聽清甚至還聽不清的情況下更遑論機器轉譯的效果。這個情況呼叫中心必須先從規范客服的溝通做起，客服側語音的轉譯準確率較高的情況下，客戶側如果是全國性市場，建議其盡量說普通話，雙管齊下，才能真正把語音數據較好地利用起來。否則，雖然積累了海量的數據，有可能也無法利用。
工單數據在各個呼叫中心根據業務性質和管理的需要，都不太一樣，字段多的有上百個字段，字段少的可能就個位數。工單數據除了能做傳統的結構化統計分析以外，根據其字段情況，也能做一些文本分析，比如通信類和制造類企業都有報障工單用以描述報障現象。對現象的聚類分析能較好地反映出產品主要的故障問題及表現，為優化產品和提升故障處理效率提供較好的決策參考。但實踐中依然有發現有一些問題會阻擋對數據的深度挖掘，主要是各種不規范的填寫，包括漏填、錯填（如前個字段的內容填到后面字段中）、格式規范問題（同樣是說數量，既有填寫確數也有填寫預估數的，既有寫阿拉伯數字的，也有寫中文字的）、語言一致性問題（同樣一個意思表達，不同的人用不同的文字來描述）等。這些問題如果涉及的工單的數量多，則也將影響工單數據的分析，無論是結構數據或非結構數據。解決方法一是在工單系統上做文章，如部分可封閉選擇的問題可用選擇點擊的方式而非開放性填寫；二是加強工單填寫規范性培訓指導和考核，降低工單填寫出錯率。
2、文本分析在全場景和細節洞察上有較大的優勢
傳統的結構化數據分析體系是基于管理體系的指標框架構建，其對運營效率和成本方面的反饋是相對準確的，但在質量和效果洞察（尤其客戶側反饋的洞察上）缺乏足夠的數據和細節依據，洞察全局相對較難。而這正是文本分析的一個較大優勢，其能從全量交互的語音轉譯文本中洞察全局，包括主要的交互場景，熱點的問題和需求，客戶方對產品和服務的真實評價等。
作為管理和支撐人員，我們既可以了解到產品和服務各方面的主要問題，也能從真實錄音文本中獲取到問題的具體癥狀表現或者部分原因，除了簡單的百分比數據之外，還向我們傳遞了更多的細節，或獲取有益的經驗。譬如，在電銷和催收領域，那些做得特別成功的客服代表他們在溝通策略上有哪些技巧和特征，業績普通的員工和他們之間的具體差距在哪里，就可以通過轉譯文本和錄音的分析獲取得到。同時，通過精確提取成功案例和失敗案例，可以為日常培訓提供豐富的素材。在幾乎所有的呼叫中心，員工的服務效率都是比較受關注的。以前的方法我們是通過聽錄音來發現，但現在我們可以用錄音的靜默時長和靜默次數相對較為準確地篩選出待提升員工的名單。盡管靜默時長和靜默次數中包含了客服和客戶雙方的靜默，但從長期大量數據的角度，靜默時長和靜默次數數據遠高于平均水平的員工，其在效率上還是有可提升空間的，比如在通話過程控制能力上，客戶需求理解能力上，專業知識和技能熟練程度上。當然也不能排除本身就是比較慢性子的員工。
3、文本分析不是沒有缺陷，但瑕不掩瑜
盡管文本分析在全場景和細節發掘上有著傳統結構化數據分析所沒有的優勢，但從完整的分析項目角度而言，其所耗人工甚費，主要在數據預處理及人工語義解讀上。預處理的人工主要花在人工檢查數據和做優化標注的時間，特別是一個新的行業或新的業務領域，未經標注的文本可能轉譯準確率比較低，會影響分析。人工語義的解讀主要是消耗在系統工具聚類結果的語義解讀翻譯方面的時間較長。這方面成本的削減有賴于未來語義技術的持續進步。
盡管文本分析從技術和成本上都有提升空間，但瑕不掩瑜。從文本分析中汲取的場景、產品、業務、流程和服務的洞察和細節將有效地幫助企業做出更加有針對的優化對策，同時也能梳理出一些較好的案例或服務和營銷的具體話術，幫助客服團隊持續提升，同步地，我們也可用于機器人客服的持續智能化
