客户服务决策统计

本文档以实用的方式描述了统计数据在客户服务决策中的应用。为了进行此练习，选择了由哥伦比亚州一个实体管理其公民的税收信息的服务。

应当指出的是，在客户服务领域，尚未广泛开发用于测量和控制它的方法，并且一般来说，它的管理是将大部分时间将这种类型的决策留给没有另一方面，知识的包less又是导致最佳决策的知识包，它是基于主观主义而以一种不精确的方式来决定的，尤其是在预测和数据管理方面。

客户决策中的统计决策1

项目选择：

观察到的数据是在2005年1月至2005年12月的典型一天中进行的，这些用户是进行财产税和车辆税结算申请的用户，这些数据是由负责该工作的工作团队成员之一提供的。设计应对服务以应对信息需求意外增加（特别是税收）的策略。没有理论可以证明，因为需要分析信息以将注意力集中在服务需求上。

定义并证明感兴趣的变量：
- NS =满意度QTY =提供的服务数量ME =等待时间MA =注意时间TS =服务类型
构造一个图表，以观察变量之间的关系类型：根据要使用的度量范围和数据源对变量进行分类：
- NS =满意度。获得的数据可以将NS归类为定量变量，该变量使用数字序数标尺和数字数据来分配满意度。它是一个使用区间标度的定量变量，数据为有序ME =等待分钟。它是一个使用区间标度的定量变量，数据为序数MA =注意分钟。它是使用区间标度的定量变量，数据为有序TS =服务类型。所获得的数据允许将TS分类为使用区间标度的定量变量。

对于我们的研究，我们可以将研究变量视为定量的。

定义一个必须为连续定量类型的主变量：

主要变量是NS =满意度

从选定的基准或来源获取已定义变量的数据：

请参阅Excel文档“按服务器抽样”

检测极端或异常值：

根据点8的数据分布，我们可以将它们以分布形式视为钟形。

为了找出是否存在离群值和/或极端值，我们根据经验法则构建了z值表，以识别z值小于-3或大于+3标准偏差的元素。

变量ME的z = -1.5的值以及MA的z = -1.12的值在从-3到+3的标准之内，因此z的值表明数据中没有异常值。

我们可以为这种情况考虑的是极值，这将使我们能够在此统计研究之后进行分析。下表中显示了这些数据：

构造频率分布图和图表，以描述和分析变量的行为：记录获得的集中趋势，离散度和位置的度量：制定相关结论，分析对所研究问题的影响：

从中位数开始，作为数据中心位置的度量，可以看出，对于满意度，它几乎是不可接受的（3 =可接受），这似乎与等待时间长有关，仅两个多小时每位客户平均可以接受11分钟的注意力，平均可为其提供2项服务；但是，每个客户重复最多的服务数是两（2）。该结果应导致与请求服务的客户一起检查将要选择的程序类型的事先选择，以将其定位在特殊的窗口中，或将其引导给可以更快撤离案件或获得更高授权级别的顾问。从这一分析得出的结果，建议国家实体提供税收信息服务，通过“音频-约会”系统分配以前的约会以引起纳税人的注意

关于标准偏差，等待时间大于注意时间。这与变量在每个样本中获取的值有关，但它指示顾问针对所请求的服务类型所花费的时间差异;很简单，该服务受轮班分配系统“ Info-Shifts”的约束，该系统可区分每个客户之间的等待时间，这是客户在候车室和相应窗口之间过渡的时间。注意（当然也要设法找到它；在服务超级市场中价格昂贵的商品，例如SuperCADE）。您还可以看到等待时间相对于各自平均值的变化很大，这反映了客户必须提交以能够撤回其手中的服务的一天中的持续波动，其变化程度以窗口处的关注分钟为单位，尽管该变化在相同时间内没有变化。每天等待时间的比例（如果在4到58分钟之间不断变化，中位数为11）

变量的负不对称性表示变量取非常低的值比取非常高的值的频率更高，并且被称为左尾很重或向左不对称。如果偏度为正，则该变量取非常高的值而不是非常低的值的频率更高，并且据说它的右尾巴很重或向右偏斜。如果偏度为零，则变量的低值和高值具有相等的概率，即变量。根据该定义，变量TS具有负不对称性，变量NS可被视为不对称性等于零，变量ME和MA具有正不对称性。

峰度指示分布采用的形式以及数据集中的位置。因此，变量MA的峰度大于零（g2> 0），因此该分布在分布中心具有最高浓度的数据。变量NS，CANT，ME和TS的峰度值小于零（g2 <0），因此分布的数据集中在分布的中心，但在中心峰处呈扁平化的分布形状。

为所涉及的两个变量（分类变量或定量变量）构造一个列联表，以显示它们之间的关系，从而说明表的原因：使用表中的信息来制定和解决与边际概率，联合概率和条件概率有关的问题：确定所分析事件的依赖性或独立性：

从以上问题可以看出，一个人执行一项以上服务的可能性很高（57.14％），而且当请求的服务只有1个时，满意度也很高（66.67％）。当执行多于一项服务时，大于3的满意度较低。（25％）。

分析这些观察结果，可以得出结论，考虑到超过一半的人执行一项以上服务，并且当提供一项服务时，满意度很高，满意度和服务数量是依赖的。您必须考虑人员将要执行的服务数量并精简管理来重组人员，以减少这些人员的服务时间。

现在通过联合概率分析证明了在第10点分析中提出的替代方案。这也可能是后续解决方案的一部分，以区分这些服务的处理者和通过专门化服务或通过设置事先咨询终端以访问该组客户的服务而直接进行服务的人。

确定主变量是否为正态分布，并从该分布的应用得出两个结论：

根据第10点对峰度和不对称系数的分析，我们可以将主变量NS作为正态分布工作，其不对称系数接近零，峰度表示钟形形式，中心值位于它们集中在平均值附近，曲线的样式在中央部分变平。

为主变量构造一个置信区间，其显着性为5％：

作为主要变量NS及其平均值3.48，可以这样表示

95％的置信区间（重要性= 5％）

该变量的平均值为3.48，如下所示：

3.48±（1.96）（1.121223821 /）

3.48±0.37

也就是说，置信区间（95％）的平均值是

满意度水平为3.48，在3.11和3.85之间。

对主要变量进行假设检验，显着性水平为1％和5％

对于客户服务主题，尽管始终期望获得最高评级，但在本例中为5，除了其他外部变量之外，还考虑了本文档中的关联变量和相关变量，可以确定可以提供服务以3/5的分数接受，则有明显的改善，并且从这个向下的衡量标准可以认为是质量较差的服务，对于客户而言，这不是满意而是不合格。所以：

出现一种情况，地区政府在呼叫中心收到投诉，指出该实体在联系点提供的服务较差，并且政府在这方面未采取措施；在持续通话之前，主管机关决定，如果样本数据表明不能拒绝H，则不会对服务器采取强制措施；另一方面，如果可以拒绝H，则将进行统计检验以证明对H的投诉呼叫中心已根据实际情况进行了调整，因此有必要采取纠正措施。

由于我们以3.48为NS的样本均值，因此测试统计量的值计算如下：

将z = 2.34的值与测试的临界值z =-2.33进行比较时，可以看出2.34大于-2.33。因此，z = 2.34不在拒绝区域中，因此不拒绝替代假设H：<3，并且接受零假设H：3。

根据所进行的演练，由于样本中心的平均值不符合呼叫中心服务质量差（<3）的呼叫中心收到的呼叫的统计意义，因此主管部门不会对服务器采取任何强制措施。是3.48。

对于显着性水平5％= 0.05，表z中的值为-1.65（测试的临界值）；

拒绝H：如果z <-1.65

比较z = 2.34的值和测试的临界值时，我们得出2.34大于–1.65。因此，替代假设H：<3再次被拒绝，因为z = 2.34不在拒绝区域内。

因此，对于重要性级别为1％和5％的情况，似乎某些客户打给呼叫中心的电话没有足够的统计“基础”来确认由客户提供的服务。国家实体的状况不佳（<3），因此，由于平均满意度为3.48，主管机关不会对服务器进行报复。