随着客服中心的规范化、精细化管理成为行业发展方向，数据分析在运营管理及决策支撑中扮演了越来越重要的角色，很多客服中心认识到数据分析的重要性并积极开始追求各种复杂数据分析技术的应用，但效果往往不佳。其实，笔者认为就国内客服中心运营管理的发展状态而言，能够熟练运用基础的数据分析方法就能够解决运营管理中的大部分问题。分析方法的优劣不在于数学复杂度或者理论高度，而应该注意的是能否科学有效地达到分析目的。
说到分析工具的选择，笔者认为有两点原则需要分析人员注意。第一条原则是选择能够达到分析效果的最简单工具，第二条原则是选择最能够清晰展现分析结果的工具。在目前服务运营分析中出现最多的工具就是Excel，Excel的好处是操作简单，不像SAS、MATLAB需要输入代码命令，对于没有统计分析基础的人来说使用Excel是再好不过的选择。但这是有前提的，就是数据分析人员必须对业务有深刻的了解，因为数据是属于业务的，一个不了解业务的分析人员分析出来的结果往往会偏离现实，不会对管理层的决策与执行层的实施起到任何帮助。下面就介绍一些利用Excel就可以实现的简单有效的数据分析方法。
1、对比分析法
对比分析是客服中心运营分析中运用最多的基础方法，对比分析适用于指标间的横纵向比较、时间序列的比较分析、不同业务或不同人员的比较。
举个例子，拿中国移动某省客服中心接通率数据来看，从时间的维度上分析，我们可以看到品牌A、品牌B与品牌C三个品牌之间接通率随时间的变化趋势，了解在此期间哪个品牌的接通率相对较高，趋势比较稳定。再例如我们分析各品牌话务量情况，首先可以从单一品牌做分析（如图1），各年份话务量基本保持在一致的水平上，但2009年11月份与12月份相对于其他年份话务量明显过高，这可能是由于某些突发事件导致。其次还可以从某一时间点上做分析（如图2），整体上来看，2011年的话务量相对于前两个年份显著降低了很多，这就需要进一步挖掘原因了，一方面可能是已经有一部分客户流失，需要我们找出客户流失的原因并马上制定出客户挽留计划，防止客户继续流失；另一方面就是我们在日常运营时通过有效的方法对话务做分流处理，缓解了一线的话务压力。
（如上图）
图1
图2
2、帕累托分析法
帕累托法则又称20/80定律、最省力法则、不平衡原则，指的是原因和结果、投入和产出、努力和报酬之间本来存在着无法解释的不平衡。一般来说，投入和努力可以分为两种不同的类型：多数，它们只能造成少许的影响；少数，它们造成主要的、重大的影响。比如对一个公司来讲，80%的利润常常来自于20%最畅销的产品；80%的利润来自于最忠诚的20%客户；80%的收获往往来自于20%的时间或投入，而其他80%的投入只产生了20%的收益。所以经典的商业理论都是提醒大家找到那最有效的20%的热销产品、渠道或者销售人员，在最有效的20%上投入更多努力，尽量减少浪费在80%低效的地方。
例如各项业务的投诉情况（如图3），前五项业务类型的投诉量占总体投诉的80%以上，我们只需要重点关注这前五项业务类型，及时有效地降低其投诉量，这样就能够在整体上降低整体投诉，提高日常运营水平。帕累托分析适用于找出数据中的主要影响量，可以用于研究哪些业务或哪些客户群体创造了大部分的贡献或者投诉等。
图3
3、周期性分析
周期性分析是观察某个变量随着时间变化而呈现出某种周期变化趋势，周期性趋势相对较长的有年度周期性趋势、季节性周期趋势，相对较短的一般有月度周期性趋势、周度周期性趋势，甚至更短的天、小时周期性趋势。
一般情况下客服中心话务量数据受到众多因素影响，例如客户群体增长、新科技影响、营销活动或事件影响等，当然还有很重要的一个影响因素——周期因素。在此除去其他因素影响，单纯对话务量数据进行周期性分析会有怎样的结果？观察一个月中每天话务量的整体趋势，这样我们就可以发现每天的话务规律（如图4），从零点开始到六点的这段时间里话务量是骤减的，在之后的时间一直到中午12点话务量持续增长，在12点至23点之间话务量保持在一定水平。这样我们就知道了客户一般都在什么时间拨打电话，从而掌握了客户的拨打习惯。这对日常的话务预测起到不可忽视的参考价值（如图5），我们可以通过客户以往的拨打数据预测出下一期的拨打情况，同时对后续的排班也有很大的帮助，做到人员的充分利用和成本的有效降低。
注意：话务量变化是一个多因素影响的过程，这里的例子是在排除其他因素的理想化状态下分析周期性的影响，准确的话务量预测需要在此基础上加入客户群体增长、营销活动甚至气候等因素进行综合考虑。
周期性分析除了用于话务预测也可以用于日常运营数据的分析，能够从指标的周期性变化中发现管理上或人员服务质量上的问题。例如通过大量数据的周期性分析能够发现，一般情况下温度过高或过低都会对质检人员的打分尺度产生影响。
图4
图5
4、相关性分析
相关性是指两个指标或变量之间的联动关系，典型的表现是一个变量会随着另一个变量变化。相关又分成正相关和负相关两种情况，一般我们用相关系数作为衡量两个因素之间关联程度的指标，相关系数的绝对值越大说明两个因素之间关联程度越高；反之，关联程度越低。
在做相关性分析的时候，我们一般会用到散点图（如图6），当所有的点都集中在某条趋势线附近的时候我们就认为变量之间是相关的。集中程度越高则相关性就越高；如果是毫无规律，则认为其没有相关性。相关性分析可以用于客服中心指标间的关联分析，平衡质量指标与效率指标之间的变化关系，例如找出与客服人员服务质量关联性较强的指标、研究客户投诉与哪些服务质量指标有正相关的关系等。
图6
其实在日常的工作中我们不仅仅会用到对比分析、帕累托分析、周期性分析、相关性分析，还会用到回归分析、结构分析等方法，最重要的是我们应该选择简单有效的分析方法，能够达到我们预期的分析目标、解决实际工作中遇到的问题，这就足够了。再有还想重申一下，衡量一个优秀的数据分析人员不在于他会多少这样那样的分析方法、能够用到多么高深的数学理论，而在于他是否能够有最简单的方法揭示出最深层次的问题。最后希望这篇文章能够带给读者或多或少的帮助，随时欢迎就某些相关问题与笔者进行讨论。