Verizon 使用 Tableau 将支持电话减少了 43％，从而改善了客户体验
将呼叫中心、数字和调度团队的客户服务分析时间减少 50％
将某些客户群的呼叫量降低了 43％，技术调度量降低了 62％
创建了 1,500 多个仪表板，这些仪表板从 Hadoop、Teradata 和 Oracle 引入数十亿行数据
Verizon Fios 提供通过光纤传输给数百万客户的住宅连接解决方案，包括宽带互联网、座机语音和有线电视服务。这些服务包括 690 万个宽带连接、450 万电视订户和 1,220 万座机用户，因此他们的分析卓越中心团队需要管理多个数据源中生成的数十亿行数据（每天多达 4TB）。直观地讲，这几乎是美国国会图书馆馆藏量（总计 10TB）的一半。
Verizon 的卓越分析中心 (ACE) 是一个由 80 多人组成的团队，该团队在公司的数字、呼叫中心、调度、营销和财务部门中使用数据科学和高级分析来优化运营并改善客户体验。他们从 Hadoop、Teradata 和 Oracle 中获取在线和离线数据，将其提取并缩减为较小的数据集，然后在 Tableau 中进行分析。这种有效的做法意味着 200 多个利益相关者可以及时获得仪表板并进行分析。利益相关者既包括高管也包括面向客户的呼叫中心员工。借助每天在 Tableau 中发现的见解，他们可以制定更好的决策，或者提供更加出色的客户服务。
ACE 使用这个平台创建了 1,500 多个自助式仪表板，供运营、业务转型、产品开发、市场营销和软件工程团队使用。这些交互式仪表板的查看次数超过 125,000 次，并且借助受管控的基础架构来确保数据经过清理并且具有可用性。Tableau 的采用率不断提高，Fios 团队越来越多地使用地理空间绘图功能来进行基于位置的影响评估并分析客户聊天对话中的文字，充分利用 Tableau + R 集成和 Tableau + Mapbox 集成。这些举措有助于解决客户服务问题并提升了客户对 Fios 的满意度，同时还通过减少呼叫量和服务调度次数降低了运营成本。
分析卓越中心为数字和呼叫中心运营部门扩展了分析流程
Verizon Fios 使用手动 Excel 表来分析数字和呼叫中心指标等数据。然后以静态报告的形式将结果分发给多个团队。在分析之前联接数据也是一项非常棘手的工作，因为他们需要从多个数据源拉取数据，包括：Oracle、Hadoop 和 Teradata。由于分析资源有限，而且需要为大量具有多样性的利益相关者提供服务，该流程效率低下并且会导致瓶颈和重复，让用户无法轻松理解数据并回答问题。客服中心分析副总监 Gregory McConney 解释说，分析人员“努力进行高级分析并建立可推动业务向前发展的预测模型和机器学习解决方案...我们不想提供业务利益相关者自己可以获得的初级见解。”
Verizon 安排了专门的人员来负责创建分析卓越中心 (ACE)。在这个由 80 多人组成的团队中，近 30 名成员在 Tableau 中进行分析并向主要利益相关者提供见解。其他成员则负责支持数据治理、数据准备和建模，然后向 Tableau 开发人员和服务器管理员移交相关内容。Verizon 数据分析高级经理 Sid Dayama 解释道，“我们要做的第一件事是正确地构造数据，使其具有可扩展性并支持自动执行。我们仔细思考了如何正确构建数据，以及如何在这些数据的基础上构建能够以最直观的方式传递信息的视图。”
在构建仪表板套件之前，ACE 与利益相关者举行了规划会议以确定需求。他们开发了经过优化、能够快速加载的仪表板，支持用户进行更加有效的对话，彻底改变了由上至下的决策方式。
一旦每个人都开始使用仪表板，该团队就可以更有效地利用工具提示等功能发现见解、在可视化中反映详细信息、阐明字段定义。他们打算使用其他平台功能以及不同的图表类型进一步改善客户体验。
Tableau 非常出色，因为它可以和众多不同的软件进行通讯。对于我们来说，这是一个重要的里程碑 — 将它们整合在一起，在仪表板中提供文字挖掘功能。
呼叫中心提高了容量，改善了客户路由和情绪，并将分析时间缩短为原来的一半
客户可通过几种不同方式与 Verizon 的支持团队互动：在线聊天、呼叫中心以及跨渠道方式（在数字渠道中开始，在呼叫中心结束）。但 Verizon 希望客户以数字化方式获取自助服务并避免使用呼叫中心，这样就无需等待答案或技术访问，从而保持较高水平的满意度。更重要的是，他们不希望客户反复联系呼叫中心，因为这意味着问题没有得到解决，从而导致呼叫中心和调度团队的效率降低、运营成本增加。
ACE 了解到不同的客户细分群有不同的呼叫行为模式，因此他们为特定的客户群构建了经过优化的路由解决方案，让业务转型、分析、IT 和呼叫中心运营等团队能够充分利用 Tableau 仪表板，在其中分析呼叫中心客户互动情况并监控通话情绪。
分析团队分析了客户群中每一个人的 17 种不同属性，查看客户的入网时间、使用的产品、致电原因、致电频率、平均处理时间、联系时的通话情绪、年龄等等。随后他们对客户进行分类，对不同的客户群体进行区分处理。
然后将每个客户群体路由到一个特殊的支持队列中，队列中的客户请求将由技术娴熟的呼叫中心代表进行处理，避免重复问题。Tableau 仪表板为呼叫中心代表提供了上下文信息（例如当前客户的历史呼叫模式），让他们能够有效地解决问题，减少客户需要反复呼叫的情况。
该团队使用 Tableau 中的通知功能在呼叫量降至条件视阈以下时获得通知。此时，系统会激活一个算法以显示另外一组高请求量客户，并为呼叫中心代表触发一个新的客户列表。
Greg 解释说，“所有操作几乎都消除了人工环节，这真是令人赞叹。”
Verizon 能够在具体情境中知晓客户的呼叫行为以及呼叫中心的操作能力，从而提高了客户呼叫处理的有效性，减少了重复呼叫的次数，并使呼叫量减少了 43％。Tableau 仪表板还将客户服务分析时间降低了 50%，加快了客户问题的解决速度。高层管理人员使用仪表板来制定策略；而每天都要接听客户电话的一线利益相关者则使用仪表板来确定呼叫行为、模式以及历史趋势。
仪表板中的见解可帮助我们优化呼叫中心的运营，减少客户需要反复呼叫的情况。这些仪表板为我们提供了及时的信息。通过监控这些信息，我们发现，随着问题解决速度及客户满意指数的提升，呼叫数量和调度数量（重要的成本因素）下降了。
Tableau 中的地理空间绘图功能帮助团队监视服务调度的影响
Verizon Fios 需要多次派遣人员前往某些订户的家中解决问题。为了减少需要多次派遣的情况并提高客户满意度，ACE 团队构建了一套 Tableau 仪表板来帮助派遣团队监控现场技术人员派遣活动的地理影响，这种监控不但可以在州和邮递区级别进行，还可以在家庭级别进行。
这些仪表板分析了与 690 万 Fios 客户相关的调度活动，并包含各项 KPI（例如，生成的工单数、工单率、发起的调度数、总体调度率），还考查了这些调度的成本影响。用户可以按维度对这些 KPI 进行进一步的切片与切块，这些维度可以包括客户类型，作为调度依据的不同故障类型，以及其他一些有线基础设施属性。
Tableau 中的地图绘制功能（例如 Mapbox 集成）使该团队可以通过热图来确定基于位置的影响，揭示工单和调度率绩效优异或绩效欠佳的位置，并了解哪些变量导致了频繁的调度。
得益于此，Verizon 将技术人员调配分析时间缩减为原来的 50％ 以下，并发现了将地理空间绘图功能用于满足其他组织需求的方法。
借助 Tableau R 和 Python 集成实现更加深入的数字产品分析
Verizon Fios 推出了以提高客户参与度为目标的数字产品。其中一种产品是 2017 年在 Facebook Messenger 上发布的 Fios 聊天机器人。该产品和其他产品可帮助客户与品牌互动并提出问题。通过分析和报告来监测与采购、互动、客户接受度和产品有效性有关的关键绩效指标 (KPI) 至关重要。
ACE 设计了专门用于 Fios 聊天机器人的 KPI，并监测了客户的采用率和使用情况。他们在 Tableau 中使用带有自定义日期的参数，测定了各时期的产品性能 — 评估了逐日、逐周和逐月变化。为了从聊天会话中提取语义，他们还使用 Tableau R 集成功能进行文本分析。他们对以原始字符串字段的形式存储在表中的客户对话转录文字进行文本预处理，提取出分类关键词。 Sid 说，“所有这些工作都是在 R 中完成的，根据单词的出现频率进行数据汇总。然后，我将其引入 Tableau 并对文字云进行可视化，使用颜色和大小来指示出现频率。这种做法对我们很有帮助，让我们能够了解客户在与机器人谈话时的心态。”
Tableau 具有极大的灵活性，可以帮助 ACE、数字和客户服务团队针对客户对机器人提出的问题的每种类别跟踪回复内容。随后他们使用提取的信息来对机器人进行智能训练，使其可以识别更多问题，并提供正确的答案，帮助客户解决问题。他们还借助这些信息确定了客户最为活跃的时段，并安排了更多人员来处理高请求量服务事件，例如停电或 Fios TV 上按次付费的体育赛事。
这是 Verizon 第一次将 R 与 Tableau 集成。但由于看到了理想的成效（例如公司高管现在能够了解客户对产品发布的总体反应，或根据相关见解来开展营销和制定规划），Verizon 更加积极地将其他资源与 Tableau 集成。为了进一步提高分析的采用率，ACE 还通过 TabTy 在 Tableau 中利用 Python 模型。
更多资源