在贴地飞行和服务人伙伴们深入交流的过程中,我们发现越来越多的服务团队更加重视数据沉淀和分析。通过服务数据的基础设施搭建,推动业务有效增长。
,在本次大会上,亦优客服总监——应红英老师分享了她在数智化服务方面的经验。
,以下为应红英老师的演讲内容。
,亦优这几年一直在做数智化的服务,打造底层的数据中台,反哺业务端。
,因为传统的客服团队一直是成本中心,我们希望突出客服的价值,把成本中心转化为价值中心,把亦优的服务、管理做成品牌,让行业越来越多的人认识亦优。
,今天和大家从数据化管理的难点、如何做数智化平台搭建、如何做业务反哺这3个方面,做一些简单的分享。
,01 数据化管理的难点
,亦优目前的客服团队大约有一百多人,基本的团队架构是前台、中台还有后台,其中中台包括了所有的质检、智能团队、数据分析团队等。
,在搭建的过程中,我发现服务团队的数据化管理普遍存在几个难点:基础弱、应用浅、无闭环。,
,基础弱
,基础弱,其实并不是说数据分析专员的基础能力弱、专业度不够,怎样理解呢?
,我相信在座的各位有非常深刻的感受,我们在培养或者招聘一个数据分析专员的时候,最大的难点是他可能懂数据,但不一定懂客服团队的业务链路。
,所以很多时候数据分析出来只是一个纯数据,没有办法应用于业务端。
,同时,亦优现在是多店、多平台模式,拥有很多店铺,涉及天猫、抖音、快手、拼多多等多个平台,多平台的数据很难全部打通。
,这就造成了系统分散,数据难以沉淀,数智化基础薄弱。
, 应用浅
,数据应用浅是基于我们对行业的观察看到的一些现状。
,因为现在很多客服团队规模还比较小,甚至可能只有组员、主管这样基础的管理结构,并不具备专门的数据分析团队。
,基于这样的情况,客服团队可能更多就是通过绩效看下业务数据,不会对数据做复杂的针对业务链路的输出,缺少深层的数据分析和业务洞察。
, 无闭环
,除了应用浅,没有对数据进行深入分析,很多时候数据化管理还处于只产出、无推动的情况。
,这一点也很好理解,因为很多时候做数据主要是做给老板看,能够保证产出。但在后续推动的时候,就会涉及到很多链路,以及很多跨部门的环节,很难去真正推动这件事。
,亦优比较特殊的一点是,我们是一家客服公司,所以客服团队有绝对的话语权,并且有很多自己的流程,甚至可以搭建一些技术化的团队。
,在推动到运营端、仓库端的时候,客服团队有专业的流程体系可以给到他们反哺和输出。
,所以想要解决基础弱、应用浅的问题,关键是要让数据闭环,能够真正反哺到业务端。
,02 数智化团队搭建
,刚加入亦优的时候,团队中没有太专业的数据分析人员,于是我就开始着手数智化团队的搭建。,因为我有过数据分析的岗位经历,本身对数据比较感兴趣也比较了解。在搭建平台的时候,我基于上一年画的数据框架,规划了一个能够实现聚合天猫、抖音、淘系、天猫等多平台数据的中台。
,我们搭建的数据库,底层是内部的店铺数据、客服数据还有成本数据,没有借助任何外部的IT部门,客服团队自己开发了数据中台。
,我们数据库搭建的核心一共有4点:,
,第一点是一定要做好数据的底层搭建。
,比如说天猫平台上百个指标要做标准化的统一和沉淀,确保所有标准、KPI能统一化输出。包括所有的报表输出逻辑、输出时间,包括多平台的账号,全部都要做统一化的管理。
,第二点是团队一定要有做数据的人才。我们在培养人才时,首先要关注他原来读的专业是什么?有没有数据化的基因?
,另外一定要给数据人才一定的空间,因为公司的规模不同,需要搭建的数据中台复杂程度也不同,没有一个适用于所有商家的方案。要给他们一定空间,根据公司本身的业务情况去搭建适合的中台。
,在第一部分我们提到过,数据如果只是数据,就还是一个孤岛。所以数据库搭建的第三个核心是要做数据和工具化的结合,让数据可以做更好的输出,并且提高数据化产出的能力,让数据最终可以服务于业务端。
,最后一个核心叫数据驱动业务。
,现在我们团队的数据分析人员,具备自己做基础数据开发、小程序的开发以及现在比较流行的RPA自动化开发能力。,我们使用的排班系统、售后数据登记系统等等,都是内部开发的,我们的数据化需求通过内部团队可以全部自主实现。
,亦优在数智化应用方面有三个环节的应用:
,l 自动化抓取:VBA技术形成数据报表,统一上传到数据库,节省了1.5人力;,l 售后自动化:应用于ERP换货建单、自动化开票,节省1.5人力;,l 班牛数智化应用:批量打款、下行式卡片,解决95%超卖信息;
,这些自动化的流程,给我节省了人力成本,同时也让客服工作能够更加高效敏捷。搭建数智化团队,给客服团队带来了明显的效率提能。
,03 如何通过数据反哺于业务端?
,完成了数据的底层搭建,就可以从前端和后端两部分来反哺业务了。
, 前端业务 ,
,前端更多的是服务营销能够触达到的业务,所有的售中挽留、售后挽留、退换货工单沉淀等等,亦优一直在根据数据反馈去优化这些业务。
,前端的业务我们主要分成几个板块:用户属性分析、店铺数据诊断、店铺爆款分析、询单流失分析。
,1、用户属性分析
,用户属性分析的重点在于参数打标。比如说通过参数获取店铺用户的消费能力等级,因为不同消费能力等级的用户需求的服务是有差异性的。
,像两百块钱以内的用户基本在价格上是比较敏感的,他肯恩非常在乎是否包邮、有没有优惠券。
,年龄层也是一个重要的参数。亦优是做女装的,我们有一些店铺的用户基本在35-45岁区间,这个客户群体的特点是大多数是生过小孩的妈妈,身材可能不太胖,但比较在乎版型,在意衣服腰身是不是凸显小肚子。
,如果是同样身高体重的小姑娘穿,可能s码就可以了,但根据我们洞察到的用户画像,客服就要针对这类客户的特点去推荐m码的衣服,不然退货率就会很高。
,所以根据数据的反馈,我们的客服团队会在整个销售链路、接单链路去做优化和辅导,针对性地去看案例技巧,提高转化率和挽留率。这个是在用户画像上面的一些应用。
,2、店铺诊断
,店铺诊断的逻辑和用户属性分析差不多,在这部分我比较重视店铺分层。不同的店铺下各自售卖的商品不同,代表的用户群体也有不同。
,有一些店铺属于中高层次,这部分用户群体中,静默下单、不太联系客服,但对于商品品质要求比较高的客户占比非常高,同时也很重视物流体验(发件速度、包裹破损、是否错发漏发等)。
,基于这样的情况,我们会对店铺进行分层,针对各个层次的不同用户需求去做差异化的服务。
,3、店铺爆款分析
,在做店铺爆款分析时,我们会重点看SKU是否设置准确,以及一些商品详情。可能大家会有疑问,有必要做这么细的分析吗?
,这么多年来,我有一个深刻的感受:不是所有运营都那么专业。给大家讲一个案例。
,我们有一个店铺,运营引流的时候设置的关键词是“小个子”,因为“小个子”可能是爆款词,引流效果会比较好。
,但实际上,我们的模特是170cm的大个子,所以被关键词引流来的用户发现衣服到手根本穿不了。这就导致了我们的转化率低、退货率高。
,在发现这个问题后,我们和运营做了反馈,要求他们优化引流关键词。优化后,店铺转化提高了7%。
,这就是客服的价值,针对爆款去做详细的分析,把结果和数据推到运营端,实现整个店铺的优化。
,4、询单流失
,询单流失大家都在做,这里就不做讲解了,我们重点关注流失到底是店铺运营还是服务问题导致的。
, 后端业务 ,
,在我们的数据库打通各个平台后,我们的品控段、运营端都很关注我们的数据分析结果。他们非常关注客户退换货的原因到底是什么?
,我们把数据大致分为几个板块,包括退换货、退款、物流单等等,结果非常一目了然。这样的数智化产出,是多平台数据打通的最大价值。
,我们会要求客服在填写退换货工单时,细化到退换货原因到底是尺码大了还是小了、客户身高体重是多少,其中新款、爆款的数据会做更细节的信息收集。
,当我们做好这部分的反馈,商品端、运营端就可以更好地应用数据。商品端可以做一些版型的调整,甚至面料、尺码问题的优化。运营端可以去做详情页的调整,包括抖音直播话术的优化等等。
,所以说当数智化服务真的作用于整个链路时,会体现出非常大的价值,这也是我们一直坚持数智化服务的原因。, ,
,除了应用浅,没有对数据进行深入分析,很多时候数据化管理还处于只产出、无推动的情况。
,基础弱
,
,
在贴地飞行和服务人伙伴们深入交流的过程中,我们发现越来越多的服务团队更加重视数据沉淀和分析。通过服务数据的基础设施搭建,推动业务有效增长。
在本次大会上,亦优客服总监——应红英老师分享了她在数智化服务方面的经验。
以下为应红英老师的演讲内容。
亦优这几年一直在做数智化的服务,打造底层的数据中台,反哺业务端。
因为传统的客服团队一直是成本中心,我们希望突出客服的价值,把成本中心转化为价值中心,把亦优的服务、管理做成品牌,让行业越来越多的人认识亦优。
今天和大家从数据化管理的难点、如何做数智化平台搭建、如何做业务反哺这3个方面,做一些简单的分享。
01 数据化管理的难点
亦优目前的客服团队大约有一百多人,基本的团队架构是前台、中台还有后台,其中中台包括了所有的质检、智能团队、数据分析团队等。
在搭建的过程中,我发现服务团队的数据化管理普遍存在几个难点:基础弱、应用浅、无闭环。
基础弱
基础弱,其实并不是说数据分析专员的基础能力弱、专业度不够,怎样理解呢?
我相信在座的各位有非常深刻的感受,我们在培养或者招聘一个数据分析专员的时候,最大的难点是他可能懂数据,但不一定懂客服团队的业务链路。
所以很多时候数据分析出来只是一个纯数据,没有办法应用于业务端。
同时,亦优现在是多店、多平台模式,拥有很多店铺,涉及天猫、抖音、快手、拼多多等多个平台,多平台的数据很难全部打通。
这就造成了系统分散,数据难以沉淀,数智化基础薄弱。
应用浅
数据应用浅是基于我们对行业的观察看到的一些现状。
因为现在很多客服团队规模还比较小,甚至可能只有组员、主管这样基础的管理结构,并不具备专门的数据分析团队。
基于这样的情况,客服团队可能更多就是通过绩效看下业务数据,不会对数据做复杂的针对业务链路的输出,缺少深层的数据分析和业务洞察。
无闭环
除了应用浅,没有对数据进行深入分析,很多时候数据化管理还处于只产出、无推动的情况。
这一点也很好理解,因为很多时候做数据主要是做给老板看,能够保证产出。但在后续推动的时候,就会涉及到很多链路,以及很多跨部门的环节,很难去真正推动这件事。
亦优比较特殊的一点是,我们是一家客服公司,所以客服团队有绝对的话语权,并且有很多自己的流程,甚至可以搭建一些技术化的团队。
在推动到运营端、仓库端的时候,客服团队有专业的流程体系可以给到他们反哺和输出。
所以想要解决基础弱、应用浅的问题,关键是要让数据闭环,能够真正反哺到业务端。
02 数智化团队搭建
刚加入亦优的时候,团队中没有太专业的数据分析人员,于是我就开始着手数智化团队的搭建。
因为我有过数据分析的岗位经历,本身对数据比较感兴趣也比较了解。在搭建平台的时候,我基于上一年画的数据框架,规划了一个能够实现聚合天猫、抖音、淘系、天猫等多平台数据的中台。
我们搭建的数据库,底层是内部的店铺数据、客服数据还有成本数据,没有借助任何外部的IT部门,客服团队自己开发了数据中台。
我们数据库搭建的核心一共有4点:
第一点是一定要做好数据的底层搭建。
比如说天猫平台上百个指标要做标准化的统一和沉淀,确保所有标准、KPI能统一化输出。包括所有的报表输出逻辑、输出时间,包括多平台的账号,全部都要做统一化的管理。
第二点是团队一定要有做数据的人才。我们在培养人才时,首先要关注他原来读的专业是什么?有没有数据化的基因?
另外一定要给数据人才一定的空间,因为公司的规模不同,需要搭建的数据中台复杂程度也不同,没有一个适用于所有商家的方案。要给他们一定空间,根据公司本身的业务情况去搭建适合的中台。
在第一部分我们提到过,数据如果只是数据,就还是一个孤岛。所以数据库搭建的第三个核心是要做数据和工具化的结合,让数据可以做更好的输出,并且提高数据化产出的能力,让数据最终可以服务于业务端。
最后一个核心叫数据驱动业务。
现在我们团队的数据分析人员,具备自己做基础数据开发、小程序的开发以及现在比较流行的RPA自动化开发能力。
我们使用的排班系统、售后数据登记系统等等,都是内部开发的,我们的数据化需求通过内部团队可以全部自主实现。
亦优在数智化应用方面有三个环节的应用:
l 自动化抓取:VBA技术形成数据报表,统一上传到数据库,节省了1.5人力;
l 售后自动化:应用于ERP换货建单、自动化开票,节省1.5人力;
l 班牛数智化应用:批量打款、下行式卡片,解决95%超卖信息;
这些自动化的流程,给我节省了人力成本,同时也让客服工作能够更加高效敏捷。搭建数智化团队,给客服团队带来了明显的效率提能。
03 如何通过数据反哺于业务端?
完成了数据的底层搭建,就可以从前端和后端两部分来反哺业务了。
前端业务
前端更多的是服务营销能够触达到的业务,所有的售中挽留、售后挽留、退换货工单沉淀等等,亦优一直在根据数据反馈去优化这些业务。
前端的业务我们主要分成几个板块:用户属性分析、店铺数据诊断、店铺爆款分析、询单流失分析。
1、用户属性分析
用户属性分析的重点在于参数打标。比如说通过参数获取店铺用户的消费能力等级,因为不同消费能力等级的用户需求的服务是有差异性的。
像两百块钱以内的用户基本在价格上是比较敏感的,他肯恩非常在乎是否包邮、有没有优惠券。
年龄层也是一个重要的参数。亦优是做女装的,我们有一些店铺的用户基本在35-45岁区间,这个客户群体的特点是大多数是生过小孩的妈妈,身材可能不太胖,但比较在乎版型,在意衣服腰身是不是凸显小肚子。
如果是同样身高体重的小姑娘穿,可能s码就可以了,但根据我们洞察到的用户画像,客服就要针对这类客户的特点去推荐m码的衣服,不然退货率就会很高。
所以根据数据的反馈,我们的客服团队会在整个销售链路、接单链路去做优化和辅导,针对性地去看案例技巧,提高转化率和挽留率。这个是在用户画像上面的一些应用。
2、店铺诊断
店铺诊断的逻辑和用户属性分析差不多,在这部分我比较重视店铺分层。不同的店铺下各自售卖的商品不同,代表的用户群体也有不同。
有一些店铺属于中高层次,这部分用户群体中,静默下单、不太联系客服,但对于商品品质要求比较高的客户占比非常高,同时也很重视物流体验(发件速度、包裹破损、是否错发漏发等)。
基于这样的情况,我们会对店铺进行分层,针对各个层次的不同用户需求去做差异化的服务。
3、店铺爆款分析
在做店铺爆款分析时,我们会重点看SKU是否设置准确,以及一些商品详情。可能大家会有疑问,有必要做这么细的分析吗?
这么多年来,我有一个深刻的感受:不是所有运营都那么专业。给大家讲一个案例。
我们有一个店铺,运营引流的时候设置的关键词是“小个子”,因为“小个子”可能是爆款词,引流效果会比较好。
但实际上,我们的模特是170cm的大个子,所以被关键词引流来的用户发现衣服到手根本穿不了。这就导致了我们的转化率低、退货率高。
在发现这个问题后,我们和运营做了反馈,要求他们优化引流关键词。优化后,店铺转化提高了7%。
这就是客服的价值,针对爆款去做详细的分析,把结果和数据推到运营端,实现整个店铺的优化。
4、询单流失
询单流失大家都在做,这里就不做讲解了,我们重点关注流失到底是店铺运营还是服务问题导致的。
后端业务
在我们的数据库打通各个平台后,我们的品控段、运营端都很关注我们的数据分析结果。他们非常关注客户退换货的原因到底是什么?
我们把数据大致分为几个板块,包括退换货、退款、物流单等等,结果非常一目了然。这样的数智化产出,是多平台数据打通的最大价值。
我们会要求客服在填写退换货工单时,细化到退换货原因到底是尺码大了还是小了、客户身高体重是多少,其中新款、爆款的数据会做更细节的信息收集。
当我们做好这部分的反馈,商品端、运营端就可以更好地应用数据。商品端可以做一些版型的调整,甚至面料、尺码问题的优化。运营端可以去做详情页的调整,包括抖音直播话术的优化等等。
所以说当数智化服务真的作用于整个链路时,会体现出非常大的价值,这也是我们一直坚持数智化服务的原因。
编辑:柠檬, , ,今天和大家从数据化管理的难点、如何做数智化平台搭建、如何做业务反哺这3个方面,做一些简单的分享。
,因为传统的客服团队一直是成本中心,我们希望突出客服的价值,把成本中心转化为价值中心,把亦优的服务、管理做成品牌,让行业越来越多的人认识亦优。
,亦优这几年一直在做数智化的服务,打造底层的数据中台,反哺业务端。
,亦优这几年一直在做数智化的服务,打造底层的数据中台,反哺业务端。
,今天和大家从数据化管理的难点、如何做数智化平台搭建、如何做业务反哺这3个方面,做一些简单的分享。
,01
数据化管理的难点,亦优目前的客服团队大约有一百多人,基本的团队架构是前台、中台还有后台,其中中台包括了所有的质检、智能团队、数据分析团队等。
,亦优目前的客服团队大约有一百多人,基本的团队架构是前台、中台还有后台,其中中台包括了所有的质检、智能团队、数据分析团队等。
,基础弱
,我相信在座的各位有非常深刻的感受,我们在培养或者招聘一个数据分析专员的时候,最大的难点是他可能懂数据,但不一定懂客服团队的业务链路。
,同时,亦优现在是多店、多平台模式,拥有很多店铺,涉及天猫、抖音、快手、拼多多等多个平台,多平台的数据很难全部打通。
, 应用浅
,因为现在很多客服团队规模还比较小,甚至可能只有组员、主管这样基础的管理结构,并不具备专门的数据分析团队。
,因为现在很多客服团队规模还比较小,甚至可能只有组员、主管这样基础的管理结构,并不具备专门的数据分析团队。
,