精明的天蝎座最喜歡問轉賬收不收費，迷糊大條的射手座最愛查余額寶明細對賬單，浪漫的雙魚座總是喜歡順道調戲下客服MM，而天秤座提問量最多，是當之無愧的十萬個為什么”……最近，網絡上流行一篇名為 余額寶大數據告訴你十二星座寶粉最愛問客服啥問題？”的文章，該文章由于將余額寶和星座建立了聯系，引起了很多人的興趣。

余額寶和星座有什么關系？星座不是迷信嗎？其實不然，占星的神秘正是源自大量樣本群的收集分析。比如百度大數據揭秘了哪個星座最有愛？哪個星座總被黑？招聘還要挑星座？姻緣要看合不合？在百度知道中有關星座的問答有357萬條，每天有70萬用戶訪問有關星座的問答。而余額寶海量樣本已超過1億用戶，它針對全樣本”的年齡、容客量、地域、使用習慣、交易頻率等數據甚至是星座信息，通過多個維度以生動、活潑的內容向公眾展示了大數據”的真實魅力。從多個維度分析海量數據，精確得出客戶的行為路徑，并對業務給予指導。大數據”正滲透生活的方方面面。

數據將是未來銀行的核心競爭力之一，這一觀點已經成為銀行業的共識。面對大數據時代所帶來的機遇和挑戰，作為銀行后臺，一方面要樂于接受紛繁的數據，體驗思維的大變革，同時要悉心關注事物關系，在大數據思路引導下開啟智慧大搜索。

一、用數據說真話，科學制定成長目標。

從事呼叫中心呼出業務6年有余，筆者深知培訓工作對于業務支持的重要性。一般人常常有這樣的慣性思維——培訓工作無法數據化來體現。培訓課程的設計，培訓方式的選擇常常靠經驗”來定奪。在技術發展的推動下，當前的數據技術完全可以幫助決策，員工各階段成長目標的設定更是要實現由依賴經驗”逐步過渡到有據可依”。大數據其實并不遙遠，大也不是絕對意義上的大”，要嘗試讓數據發聲”，從而使得行為決策更為科學。以筆者所在單位為例，業務運營初期擬定新員工成熟周期為3個階段共計6個月，為了幫助新員工健康茁壯成長，我們根據經驗制定了新員工各階段成長目標。通過對44名新員工進行6個月的數據采樣，然后將新員工目標達成時長和實際達成時長進行對比，得出的結論是整體成長時長與初期制訂基本吻合。但逐月比對來看，有2個階段4個月都與既定的目標差異較大：基礎期達成進度較既定目標快30.3%，而成熟期達成進度卻較既定目標慢了35.29%。看似整體成長周期制定較為合理，實際上新員工的成長曲線卻表明這應該是一個先快速后勻速”的成長模式。管理者根據44名新員工的成長情況數據及時調整了后續284名新員工的成長階段目標，調整后員工處理能力提升明顯，前3個月較初期既定目標分別提升了100%、50%和20%，前3個月整體產能提升了36.36%。通過嘗試，讓據發聲”，遵循先快起來，后勻速保持”的成長曲線，科學制定新員工成長進度，讓員工在上線初期最大化釋放產能，盡可能為后續產能瓶頸騰出充分的時間和空間。

二、用數據去預測，有效預警風險管理。

谷歌對2003年和2008年間的5000萬最常搜索的詞條進行大數據訓練”，試圖發現某些搜索詞條的地理位置是否與美國流感疾病預防和控制中心的數據相關。疾病預防控制中心雖然蹤全國各地的醫院和診所病人，但它發布的信息往往會滯后1-2周，谷歌的大數據卻可以發現實時的趨勢。谷歌并沒有直接推斷哪些查詢詞條是最好的指標。相反，為了測試這些檢索詞條，谷歌總共處理了4.5億個不同的數字模型，將得出的預測與2007年和2008年疾病預防控制中心記錄的實際流感病例進行對比后，谷歌公司發現，它們的大數據處理結果發現了45條檢索詞條的組合，一旦將它們用于一個數學模型，它們的預測與官方數據的相關性高達97%。數據往往都是不完美的，拼寫錯誤和不完整短語很普遍。為什么谷歌可以實現這么精準的預測？如果從因果關系看，是因為人感到不舒服，或聽到別人打噴嚏，或者閱讀了相關的新聞后感到焦慮嗎？谷歌不是從這種因果關系去考慮，而是從相關性的角度，去預測一個持續發展的大方向，因為大眾的搜索詞條處于不斷變化之中，外界的一個蝴蝶翅膀的煽動，就會使搜索發生系統的、混沌的變化。

回到我們的日常工作中，管理者總是在探討為什么新員工產能提速會導致質量下降？呼叫中心運營經驗告訴我們新員工因提升產量而導致質量隱患并不是健康成長的表現。所以業務培訓團隊總是在比較哪種節奏更利于新員工平衡、均衡成長。在將2013年新員工處理質量以及風險控制和2014年的相比較后，管理者們驚奇的發現，2014年新員工成熟周期較2013年成熟周期長了25%，但處理質量和風險控制卻均不及2013年好，于是未來是否需要參考2013年的培訓模式和成熟周期”又引來了新一輪的探究。隨著深入分析2014新員工質效平衡為何不及2013年保持得好”，我們開始不僅僅看數據的因果關系，而是更為直觀地看它呈現的趨勢。新員工上線初期也就是基礎期為新員工差錯預警期，而成長期與成熟期之間的過渡期是新員工風控意識薄弱期，根據趨勢找到新員工的成長規律，提前有針對性地對其開展風險培訓，防范于未然。

三、用數據看本質，合理實施過程管理。

我們常常認為新員工技能不足，加班完成既定工作目標是再正常不過的事情了，但加班”這一現象又該如何數據化”呢？剛才提及到的44名新員工基本按照成長周期完成了既定目標產量，然而大數據”告訴我們，需要將加班”這一現狀數據化”，如果將員工每日工作時長分為4個階段，可以發現新員工越接近下班、處理效能越高，由此可見新員工處理節奏不均，是導致加班”現狀的重要因素之一。再一次通過大數據將現狀數據化，我們開始合理實施過程管理，培訓團隊為新員工重新設定了處理時段，全天分為3個處理時段，同時也合理規劃了新員工每時段的處理節奏，目標就是讓新員工用8個小時的工作時間完成既定目標產量。過程管理實施以來效能提升明顯，新員工第二階段加班時長明顯減少。

大數據無處不在，在培訓中大數據”實現了科學”，數據比對探虛實；在培訓中大數據”體現了預警”，跳脫因果測趨勢；在培訓中大數據”顯現了過程”，透過現象看本質。它能優化、提高、高效化并最終捕捉利益。大數據為我們提供的不是最終答案，只是參考答案，什么是誘發新員工離職的首要原因？什么是男性新員工服務質量提升的瓶頸？更好的方法和答案等待我們去探索，去創新。

作者單位為交通銀行武漢金融服務中心