[背景]

呼叫中心始終是連接企業(yè)和市場、消費者的重要環(huán)節(jié)。其服務質量的優(yōu)劣直接決定消費者的直接消費感知。尤其在移動時代，實時、在線、動態(tài)、即時反饋的消費特性對精準統(tǒng)計客戶滿意度，進而快速、無誤地對客戶需求做出反應提出更高要求。因此，呼叫中心的考核標準亟需重新定義。

傳統(tǒng)上，企業(yè)一般通過質檢成績同客戶滿意度進行相關性檢驗。但是，這種質檢往往和呼叫中心的客戶滿意度不相一致。這直接影響到呼叫中心的服務質量把控，對企業(yè)的消費者感知造成潛在風險。

那么，什么原因造成了傳統(tǒng)方式的失靈?如何更新質檢方式，保證客戶滿意度的準確以及提升，以適應移動時代的新要求?這一切都將從現(xiàn)有的呼叫中心客戶滿意度優(yōu)化方式說起。

為了對呼叫中心的客戶滿意度進行準確把控，企業(yè)紛紛建立起一套統(tǒng)一的質量控制(QC)打分標準。然而，這套QC標準往往和呼叫中心的客戶滿意度不相關。這源于其評估方式的統(tǒng)計方法問題。

[正文]

衡量相關性常規(guī)做法是使用質檢成績同客戶滿意度來做相關性檢驗，檢驗使用的是皮爾森相關系數(即Excel里面常用的CORREL函數)，從統(tǒng)計學的角度來看這個問題：皮爾森相關系數是對于符合正態(tài)分布的連續(xù)型變量進行的檢驗，即需要對于N名員工的質檢成績與N名員工的滿意度結果數據進行操作。其中滿意度的數據獲取非常容易，且符合樣本量的需求，但是N名員工的質檢成績是通過抽查計算的質檢分數，并不能代表員工的實際質檢成績，因此，由這些數據得出的皮爾森相關系數并不準確。

來看一下《抽樣計算器》的計算結果：

假設呼叫中心的客戶滿意度為90%，那么歷史缺陷比為10%;22個工作日，每日接線80通，一個月的樣本量為：22x80=1760，計算下需要抽查的樣本量為315通(具體數據見附一)

據業(yè)內水平，一個坐席一個月能被抽到的錄音數量約為20通。

統(tǒng)計學結論：本身通過抽查計算的質檢分數，并不能代表員工的實際質檢成績，因此無法得出正確的結論。

問題隨之而來，究竟如何來判定質檢成績和客戶滿意度的相關性?質檢標準究竟是不是和客戶的實際需求相關的?

其實操作很簡單：引入單通錄音評分和單通錄音客戶滿意度的相關性，即使用Logistic回歸分析方式，對于N列離散數據計算相關性。

單通錄音打分表事例如下：

打分表和客戶評價的滿意度的相關性是多少呢?

使用JMP軟件中的Logistic分析操作下，得出的W檢驗數據如下：

可以看出這三個評分標準與客戶滿意度的卡方值非常高，且P值低于0.005，表明此標準與客戶滿意度相關。

同時也可以使用JMP中特有的“刻畫器”工具進行預估，它使我們能夠清楚的知道，這三項的質檢成績對于滿意度的影響情況。

如果這三項都得1分的情況下，客戶的不滿意度為3%。

如果這三項都得0.7分的情況下，客戶的不滿意度為32%。

備注：此數據結論是基于200通錄音打分后的結果

如果運用這個評估質檢標準同客戶滿意度相關性的計算模型，對公司的打分表和客戶滿意度進行相關性計算，不出意外的話，質檢標準和客戶滿意度的相關性會很差。

如果從業(yè)務的角度來看這個問題：

質檢評分標準中的多個項目是公司要求的，例如：稱呼客戶姓氏、要確認客戶問題、語速適中語調上揚等，更不用說后臺的CRM錄入、流程的執(zhí)行、工單派發(fā)準確率等，但是也別灰心，通過這個方式，如果能夠找到2-3個打分標準有較高的相關性就已經非常好了!

舉例：