以數(shù)據(jù)挖掘提升企業(yè)服務(wù)補救能力

鄭　丹

〔摘 要〕數(shù)據(jù)挖掘是當(dāng)前國際上數(shù)據(jù)庫和決策支持分析領(lǐng)域最前沿的研究方向之一。結(jié)合數(shù)據(jù)挖掘技術(shù)的特點和服務(wù)補救對信息的要求，本文探討了數(shù)據(jù)挖掘在服務(wù)補救中的具體應(yīng)用，提出了未來發(fā)展的方向。

〔關(guān)鍵詞〕數(shù)據(jù)挖掘；服務(wù)補救；顧客滿意；信息分析

〔中圖分類號〕TP274+.2；F719 〔文獻標(biāo)識碼〕A 〔文章編號〕1008-0821(2009)01-0188-03

Data Mining Promoting the Capability of Service Recovery

Zheng Dan

(International School of Business，Qingdao University，Qingdao 266071，China)

〔Abstract〕Data mining is one of the most advanced research directions of data warehouse and decision support analysis nowadays.This paper analyzed the needs of information in service recovery and the characteristics of data mining.Finally，the paper discussed the principal applications of data mining in service recovery and proposed the direction of future.

〔Key words〕data mining；service recovery；consumer satisfaction；information analysis

計算機、網(wǎng)絡(luò)和通訊技術(shù)的迅速發(fā)展，使得信息、數(shù)據(jù)收集與存儲的能力大大提高，信息過量成為人類面臨的新問題，如何在浩瀚如海的數(shù)據(jù)中尋找到符合自己需要的信息?數(shù)據(jù)挖掘的產(chǎn)生和發(fā)展順應(yīng)了這一歷史潮流的需要，因此有著極為廣泛的應(yīng)用前景，是當(dāng)前國際上數(shù)據(jù)庫和決策支持分析領(lǐng)域最前沿的研究方向之一^[1]。

數(shù)據(jù)挖掘在零售、保險、銀行、電信、電力等行業(yè)的運用已顯現(xiàn)出巨大的商業(yè)價值，相關(guān)的研究以行業(yè)為背景的居多，而針對具體管理職能、策略的研究較少。因此，基于服務(wù)補救(Service Recovery)在服務(wù)管理中的作用，探討數(shù)據(jù)挖掘在服務(wù)補救中的應(yīng)用，對提升企業(yè)服務(wù)補救能力、提高顧客滿意度有著重要的啟示。

1 服務(wù)補救及其對信息的要求

服務(wù)的無形性、異質(zhì)性、同時性和不可儲存性等特點決定了服務(wù)失誤(Service Failure)是在所難免的，正如Bell和Zemke(1987)所指出的：“服務(wù)失誤成為服務(wù)消費過程中最為熟悉的噠噠聲，每一次低于我們預(yù)期的服務(wù)經(jīng)歷，都意味著服務(wù)失誤的發(fā)生。^[2]”鑒于此，服務(wù)領(lǐng)域的實踐者和研究人員提出，應(yīng)針對服務(wù)的缺陷或失誤采取反應(yīng)與行動，即服務(wù)補救。

最早注意到服務(wù)補救的是英國航空公司在1980年進行的感知服務(wù)質(zhì)量研究，在這項研究中，研究人員發(fā)現(xiàn)對顧客感知服務(wù)質(zhì)量影響最大的因素包括：關(guān)懷與理解；響應(yīng)性；解決問題的能力；服務(wù)補救能力。這項研究將服務(wù)補救問題納入了服務(wù)質(zhì)量研究范疇，服務(wù)補救從此開始逐漸成為服務(wù)管理研究中一個重要的領(lǐng)域，而此之前，服務(wù)補救并沒有引起研究者和管理人員的足夠重視，其含義等同于顧客抱怨管理。從20世紀80年代開始，服務(wù)補救逐漸不再局限在解決具體服務(wù)問題的反應(yīng)(Andreasen and Best，1977)^[3]，而是強調(diào)服務(wù)補救帶來的長期利益，諸如提高顧客的忠誠度和積極的口碑傳播等。1990年，Hart，Heskett和Sasser發(fā)表了題為“服務(wù)補救贏利的藝術(shù)”的經(jīng)典論文^[4]，聚焦于服務(wù)補救在競爭市場中所起的主動的、戰(zhàn)略的作用。而服務(wù)管理理論權(quán)威Grinroos(2002)在其新版的著作中，進一步將服務(wù)補救定義為——與顧客建立關(guān)系過程中對服務(wù)失誤和服務(wù)問題的處理策略^[5]，將服務(wù)補救提升到關(guān)系營銷的層次。服務(wù)管理研究領(lǐng)域的諸多研究和實證也都證明，有效的服務(wù)補救對提高顧客滿意度、忠誠度和企業(yè)競爭力都有著積極的作用^[6]。

服務(wù)補救與傳統(tǒng)意義上的抱怨處理是截然不同的。服務(wù)補救是站在戰(zhàn)略的、關(guān)系營銷的層面來思考的，而不是戰(zhàn)術(shù)的、交易營銷層面；它強調(diào)關(guān)注顧客價值、外部效率，而不是企業(yè)成本、內(nèi)部效率，是圍繞顧客滿意、顧客保留的主動反應(yīng)機制、是持續(xù)的質(zhì)量改進過程。因此，服務(wù)補救與抱怨處理在對信息的具體要求上也是不同的：

(1)服務(wù)補救是針對服務(wù)失誤和服務(wù)問題所采取的處理策略。當(dāng)顧客面臨服務(wù)失誤或問題時，大多數(shù)情況下并不會直接向企業(yè)抱怨。根據(jù)美國TARP的研究發(fā)現(xiàn)：在公司每一個投訴者后面，都隱藏著另外19個不滿意的顧客；每100位不滿意的顧客中，約有13%的顧客平均每人向20人傳播不滿的信息，其余的不滿意顧客平均向9人傳播不滿的信息；而在中國進行的關(guān)于耐用消費品行業(yè)顧客抱怨行為的研究數(shù)據(jù)表明，與國外相比，國內(nèi)顧客直接抱怨的次數(shù)更低^[7]。因此，與抱怨處理是針對顧客提出的抱怨進行處理相比較，服務(wù)補救所需要的信息大多是隱藏在大量的、有噪音的各類信息中的，包括：顧客資料、顧客以往消費信息、顧客抱怨信息、專項研究獲得的信息、企業(yè)外部信息等，獲得有助于服務(wù)補救決策的信息的難度可想而知。

(2)服務(wù)補救是一個持續(xù)的質(zhì)量改進過程，它不是只停留在對一次服務(wù)問題或服務(wù)失誤的糾正上，更重要的是找出問題或失誤的原因，對服務(wù)程序或相關(guān)方面不斷進行改善。因此，服務(wù)補救要求的信息是動態(tài)的、不斷更新的。

最重要的是，服務(wù)補救強調(diào)信息的及時和預(yù)警功能。有研究表明，如果顧客問題得到解決，抱怨的顧客中有60%會繼續(xù)購買企業(yè)的產(chǎn)品或服務(wù)；如果問題的解決是非常及時的，該比例會上升到95%^[8]。因此，服務(wù)補救應(yīng)是一種主動的反應(yīng)機制，而不是被動的臨時處理。這種反應(yīng)機制應(yīng)能在服務(wù)過程中及時反映、甚至預(yù)警服務(wù)問題或錯誤，提醒服務(wù)人員及時進行服務(wù)補救或在顧客抱怨前采取適當(dāng)?shù)姆?wù)補救措施。

2 數(shù)據(jù)挖掘與服務(wù)補救在信息要求上的契合點

數(shù)據(jù)挖掘(Dtta Mining)是用專門算法從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中提取可信的、新穎的、有效的、數(shù)據(jù)需求者感興趣的知識和規(guī)則的過程，這些知識和規(guī)則是隱含在數(shù)據(jù)中的、先前未知的、對決策有潛在價值的有用信息。通過數(shù)據(jù)挖掘，有價值的知識、規(guī)則或高層次的信息就能從數(shù)據(jù)庫的相關(guān)數(shù)據(jù)集合中抽取出來，為決策提供依據(jù)，從而使數(shù)據(jù)庫成為一個豐富可靠的資源。

作為一門新興的交叉學(xué)科，數(shù)據(jù)挖掘融合了統(tǒng)計學(xué)、模式識別、人工智能、機器學(xué)習(xí)、數(shù)據(jù)庫等多個領(lǐng)域的理論和技術(shù)，其主要特點與服務(wù)補救對信息的要求非常一致：

(1)數(shù)據(jù)挖掘不是簡單的檢索、查詢、調(diào)用，而是對數(shù)據(jù)進行深入的統(tǒng)計、分析和推理，發(fā)掘數(shù)據(jù)間的相互關(guān)系、規(guī)則、模式，完成從業(yè)務(wù)數(shù)據(jù)到?jīng)Q策信息的轉(zhuǎn)換。而服務(wù)補救是通過發(fā)現(xiàn)服務(wù)失誤、分析服務(wù)失誤的原因，然后在定量分析的基礎(chǔ)上，對服務(wù)失誤進行評估并采取恰當(dāng)?shù)墓芾泶胧┯枰越鉀Q的過程(Tax and Brown，1998)^[9]，數(shù)據(jù)挖掘完全能勝任服務(wù)補救對信息分析、研究以及支持決策的要求。

(2)數(shù)據(jù)挖掘的數(shù)據(jù)處理規(guī)模巨大，并且，在用戶不能形成精確查詢要求的情況下，能為用戶尋找其可能感興趣的東西。這非常符合服務(wù)補救從隱藏在大量的、有噪音的各類信息中提取有用信息的要求。

(3)數(shù)據(jù)挖掘中所發(fā)現(xiàn)的規(guī)則通常是基于統(tǒng)計規(guī)律的，發(fā)現(xiàn)的規(guī)則不必適合于所有的數(shù)據(jù)，當(dāng)達到某一閾值時，便可認為規(guī)則存在。而在服務(wù)中，不同顧客遇到同樣程度的服務(wù)失誤時，由于容忍區(qū)間不一樣，其反應(yīng)也是不同的，企業(yè)的補救策略也應(yīng)該是有所差別的(Parasuraman，Berry and Zeithaml，1991)^[10]。數(shù)據(jù)挖掘中閾值概念，對分析不同顧客對服務(wù)失誤的反應(yīng)非常有效，并可據(jù)此實現(xiàn)預(yù)警功能。

(4)數(shù)據(jù)挖掘能隨著新數(shù)據(jù)的不斷加入，及時發(fā)現(xiàn)潛在的規(guī)則，有助于服務(wù)補救快速反應(yīng)機制的實施。

3 數(shù)據(jù)挖掘技術(shù)在服務(wù)補救中的應(yīng)用

數(shù)據(jù)挖掘在數(shù)據(jù)處理上的特點與服務(wù)補救對信息要求的契合，為數(shù)據(jù)挖掘在服務(wù)補救中的應(yīng)用奠定了基礎(chǔ)。在具體應(yīng)用時，同大多數(shù)數(shù)據(jù)挖掘過程一樣，可通過定義問題、建立數(shù)據(jù)倉庫、洞察數(shù)據(jù)、準(zhǔn)備數(shù)據(jù)、建立模型、評價等步驟來進行。服務(wù)補救中可采用的數(shù)據(jù)挖掘技術(shù)包括關(guān)聯(lián)規(guī)則、決策樹、聚類、神經(jīng)網(wǎng)絡(luò)、遺傳算法等，具體應(yīng)用包括：

3.1 挖掘顧客不滿意的真實原因

有效服務(wù)補救的前提是明確顧客不滿意的原因。很多情況下，顧客是不會直接向企業(yè)抱怨的，或者顧客抱怨的原因并非真正原因。因此，除了了解、鼓勵顧客抱怨外，企業(yè)還應(yīng)通過各種途徑和方法掌握顧客不滿意的原因，并通過特定的技術(shù)，如多元回歸、神經(jīng)網(wǎng)絡(luò)等，分析顧客不滿意的真實原因。

神經(jīng)網(wǎng)絡(luò)(Neural Network)是指模仿人腦建立的、具有和人類大腦相似功能的統(tǒng)計模型。在學(xué)習(xí)和訓(xùn)練的基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對大量非線性數(shù)據(jù)進行快速建模，在沒有人干預(yù)的情況下進行模擬識別，以解決特定領(lǐng)域中的問題。其分析過程是在輸入層放置一個或多個神經(jīng)元(自變量)，在輸出層放置一個或多個神經(jīng)元(因變量)，然后通過部分訓(xùn)練個案的學(xué)習(xí)和歸納，確定隱藏層各個神經(jīng)元的權(quán)數(shù)值。從而在輸入層神經(jīng)元和輸出層神經(jīng)元之間建立起映射關(guān)系，達到預(yù)測和解釋因變量的目的。神經(jīng)網(wǎng)絡(luò)分析對收集的數(shù)據(jù)容許相當(dāng)?shù)膹椥?，克服了傳統(tǒng)多元回歸統(tǒng)計分析中對具體數(shù)據(jù)要求苛刻的缺陷，因此，在顧客不滿意原因分析中更具有實用價值。

USAA是美國德克薩斯州的一家大型保險和金融服務(wù)公司，該公司建立了一個聯(lián)網(wǎng)系統(tǒng)，稱之為回音(ECHO，即每一次接觸都存在著機會)，它能使電話銷售和服務(wù)人員及時將顧客的各種建議或怨言輸入進去，自動聯(lián)入數(shù)據(jù)網(wǎng)絡(luò)。經(jīng)理人員通過定期分析所有數(shù)據(jù)來尋找存在的問題，糾正以前的錯誤程序，不斷改進服務(wù)。由于公司對識別和解決服務(wù)失誤和問題的重視，USAA幾乎沒有顧客流失，年顧客保留率達到了98%。

3.2 將不滿意的顧客進行劃分

顧客滿意取決于顧客感知與顧客期望的比較，尤其在服務(wù)中，這種感知和比較是模糊的。在一定范圍內(nèi)，顧客對遇到的服務(wù)失誤或問題是可以容忍的，所以，表面上“滿意”的顧客，可能實際已處在不滿意中。傳統(tǒng)的分類法中，分類規(guī)則是事先確定的，例如，根據(jù)顧客最近是否購買來判斷顧客是否滿意，這種分類并不能發(fā)現(xiàn)那些不滿意但出于各種原因仍在購買的顧客，而聚類分析則能很好地解決這一問題。

聚類(Clustering)就是將數(shù)據(jù)對象分組成為多個類或簇，使得在同一個類或簇中的對象之間具有較高的相似度，而不同類或簇中的對象差別較大。分類是一種有指導(dǎo)的學(xué)習(xí)過程，而聚類是無指導(dǎo)的。在聚類之前，沒有既定的分類規(guī)則，只是以某種度量為標(biāo)準(zhǔn)，將具有相似特征的數(shù)據(jù)對象劃為一類，同時分離具有不同特征的數(shù)據(jù)對象。聚類需要考察所有的個體才能決定類的劃分，并由算法自動確定，用戶可能事先并不知道這些記錄應(yīng)該分成幾類。聚類方法包括：加入法、分解法、系統(tǒng)聚類法、動態(tài)聚類法、模糊聚類法等。對于相同的記錄集，采用不同的聚類方法，可能會有不同的劃分結(jié)果，這需要根據(jù)研究的問題來確定。

在應(yīng)用中，企業(yè)可根據(jù)顧客遇到服務(wù)失誤時的反應(yīng)，通過聚類分析，將顧客劃分為：向企業(yè)直接抱怨的顧客類、不抱怨且繼續(xù)購買類、不抱怨但減少購買類、不抱怨但傳播負面口碑類、停止購買類等。聚類完成后，企業(yè)根據(jù)某類顧客具有的主要特征，在顧客數(shù)據(jù)庫中尋找這些顧客，并主動進行服務(wù)補救，例如，一個及時的回訪電話，可能會非常有效地挽回不滿意但又沒有提出抱怨的顧客。另外，企業(yè)可針對每類顧客的心理和行為特點，制定不同的補救策略，以便服務(wù)人員在遇到問題時能“對癥下藥”，盡快讓顧客恢復(fù)滿意。

3.3 通過關(guān)聯(lián)分析發(fā)現(xiàn)規(guī)則

關(guān)聯(lián)分析(Associations)的目的是挖掘隱藏在數(shù)據(jù)間未知的相互聯(lián)系，也稱為購物藍分析。關(guān)聯(lián)分析的目的是發(fā)現(xiàn)規(guī)則，數(shù)據(jù)庫中所有可能的規(guī)則都要被系統(tǒng)地抽取出來，然后再以“支持度——置信度”的框架評估它們的正確性和重要性，以判斷規(guī)則令人信服的程度有多高、再次出現(xiàn)的可能性有多大。

很多企業(yè)積累了大量的顧客資料、數(shù)據(jù)，但往往面對這些雜亂無章的資料、數(shù)據(jù)感覺無從下手，關(guān)聯(lián)分析能夠通過從中抽取形如“if A then B”的規(guī)則，幫助企業(yè)透過表面現(xiàn)象或假象尋找到更為真實的聯(lián)系。例如，影響住店旅客滿意的因素很多，管理人員通常會關(guān)注客房硬件、人員服務(wù)等問題，忽略了其它因素的影響。在對某酒店顧客抱怨數(shù)據(jù)挖掘中，通過關(guān)聯(lián)分析發(fā)現(xiàn)“婚禮筵席”與“住店顧客投訴”同時出現(xiàn)的比率較高，這種關(guān)聯(lián)說明酒店情景因素可能是導(dǎo)致顧客投訴增加的因素之一，酒店應(yīng)該考慮適當(dāng)控制婚禮筵席的規(guī)模和數(shù)量或?qū)⒒槎Y筵席的場所同住店顧客就餐場所適當(dāng)分開。

3.4 通過數(shù)據(jù)挖掘進行補救預(yù)警

服務(wù)補救是一種主動的反應(yīng)機制，不僅體現(xiàn)在發(fā)現(xiàn)問題后及時補救，而且應(yīng)具有預(yù)警的功能，將問題消除在萌芽狀態(tài)。例如，通過對會員制顧客的多次購買行為進行序列模式分析(Sequential Patterns)，會發(fā)現(xiàn)顧客消費在時間序列上的模式。通過對這些模式的分析，能清楚顧客在一些消費事項上的次序，進而可以優(yōu)化服務(wù)流程或提前采取措施，避免無謂的服務(wù)失誤；另外，通過對顧客消費模式的監(jiān)測或數(shù)據(jù)挖掘技術(shù)中的孤立點分析，可以發(fā)現(xiàn)顧客消費的異常，企業(yè)及時進行預(yù)警或回訪，避免有價值顧客的流失。

4 結(jié) 語

作為一門新興的技術(shù)，數(shù)據(jù)挖掘已在眾多行業(yè)、領(lǐng)域得到應(yīng)用，并顯示出其巨大的潛力。在挖掘技術(shù)上，未來發(fā)展方向和研究焦點是對各種非結(jié)構(gòu)化數(shù)據(jù)的挖掘，如對文本數(shù)據(jù)、空間數(shù)據(jù)、視頻圖像數(shù)據(jù)、圖形數(shù)據(jù)的挖掘，這將使數(shù)據(jù)挖掘技術(shù)更加符合服務(wù)補救對信息的要求。因此，我們有理由相信數(shù)據(jù)挖掘在服務(wù)補救中的應(yīng)用將有著更為廣闊的前景。

參考文獻

[1]萬安華，等.數(shù)據(jù)挖掘技術(shù)的理論及應(yīng)用[J].大學(xué)數(shù)學(xué)，2004，20(6)：111-114.

[2]Bell C R.and Zemke R E.Service breakdown：the road to recovery[J].Management review，1987，76(10)：32-35.

[3]Andreasen A R，and Best A.Customer complaint-does business respond [J].Harvard Business Review，1977，55(4)：93-101.

[4]Hart C W L.，Heskett J.L，and Sasser W E.The Profitable art of service recovery[J].Harvard Business Review，1990，68(4)：148-156.

[5]克里斯廷·格羅魯斯.服務(wù)管理與營銷(第二版)[M].韓經(jīng)綸，等譯.北京：電子工業(yè)出版社，2002：85.

[6]于坤章，李尤，殷玉婷.服務(wù)補救對顧客忠誠度的影響機理探析[J].財經(jīng)理論與實踐，2008，29(2)：104-107.

[7]趙平，莫亞琳.中國耐用消費品行業(yè)顧客抱怨行為研究[J].清華大學(xué)學(xué)報：哲學(xué)社會科學(xué)版，2002，17(2)：32-38.

[8]詹姆斯A.菲茨西蒙斯，等.服務(wù)管理——運營、戰(zhàn)略和信息技術(shù)[M].張金成，等譯.北京：機械工業(yè)出版社，2000：211.

[9]Tax S S，and Brown S W.Recovering and learning from service failure[J].Sloan Management Review，1998，40(1)：75-88.

[10]Parasuraman A，Berry L L，and Zeithaml V A.Understanding customer expectation of service[J].Sloan Management Review，1991，32(3)：33-46.