面对复杂问题，如何搭建数据分析思路

编辑导语：不同等级的数据分析师对“复杂”一词的看法不一样，那理解的意思也会有所偏差；那怎么能快速并且正确的get到领导和客户的点呢？本文用数据分析的方式巧妙的解释了这个问题。

很多同学表示：从0到1的文章很多，可面对复杂问题，该怎么搭建数据分析思路呢？

首先，“复杂”一词在不同等级的数据分析师里含义不同。对小白而言，领导传达命令的时候，有“模型”俩字的就是复杂问题，一听“模型”，新人就开始狂翻《西瓜书》《统计学习》《机器学习》誓要与“模型”血战300回合。

而有经验的同学都知道，企业里真正复杂的才不是这些。

来看个具体例子：

场景——电商行业（纸质书、视频光盘等商品为主），客服领导对物流领导意见非常大，认为物流问题影响了客户满意度；但物流领导表示：所有发货不及时，发货过程中包装破损等问题已经被处理了，怎么可能还有物流问题。现在有一份分析需求，要求：建立全面、细致的客户满意度评估指标体系。

一、什么是真正的复杂问题 问题1：收到这个需求，你会百度哪个关键词？

评估指标

客户满意度指标

客服客户满意度指标

物流客户满意度指标

很多新人一看这种问题就觉得：简单。不就是建个评估指标吗，这种文章网上一天能见8篇。而且“客户满意度”这个词我也熟悉，又不是私域流量，精准画像这种玄乎词。于是开始百度上边四个关键字，找一个看起来可行的就开始干了。

可关键问题是：眼前的问题，是大家不知道客户满意度怎么考核吗？

不是！眼前的问题是客服跟物流俩部门干上了！这才是大问题。

所谓“客户满意度”只是两边干架的一个由头。如果“客户满意度”的标准不能让两边共识，那不管书本上是怎么定义的，只要你甩出来，都会被其中一方喷到死。这才是第一大难题。

所以这一题根本就不该选。第一步要干的事，是先了解具体不满的点在哪里。

又有新人表示：既然是客服对物流不满，那客服记录用户来电里，有“客户投诉”这一项，直接把这个指标拿出来不就完了（如下图）

这就涉及到第二个难题：客户满意度，是个含义丰富，但采集数据非常难的指标。

到底啥算满意？

客户不满意是不是就一定投诉？

是不是客户满意了就不会投诉？

都不一定！特别是涉及物流问题：

可能客户假装发脾气，只是为了让客服处理速度快一点。

也可能客户闷声不响，但是最后退货！退货！退货！

更有可能客户拨打的是咨询/建议，但是发脾气：为啥还不发货！

只靠一个字段：投诉，是无法真实反映情况的。

比如客服领导给出来的“客户不满意”是以下场景

这又涉及第三个问题：如何在各种庞杂数据里，真正识别出客户投诉/非投诉。

如果按客户领导的说法，得把所有客户来电都转文字记录+关键词过滤一遍才能识别情况。可显然这么干太费时费力，得找个简单的处理办法。

然而这又涉及到第四个问题：客服的工作流程得调整。

不调工作流程，依然会有大量真真假假的投诉混杂在其他来电里，后续还是没法跟踪，客服依然会无休无止的抱怨，物流依然不知道自己错在哪。然而，调流程这事，又涉及业务部门能不能、肯不肯、想不想的问题。

这时候如果有个人冒出来，说：“你们做数据的不是会人工智能大数据吗，就不能我们照常干，你们Duang一下就分析的一清二楚吗。肯定是你能力不行”……是不是你也想打爆他的狗头了。

部门利益有冲突

指标含义不清楚

原始数据内容乱

相关流程要改动

这些才是老鸟眼中真正难解决的问题。然而这也是企业真实的经营场景，那种数据完美，含义清晰，静静躺在excel表里等着被建模的事，只存在于网上文章里。现实就是各种利益纠葛，数据混杂，流程不清，咋弄呢？？？

二、如何建立分析思路

总结下本次的问题。表面上看，是：客服反馈物流问题多，客户满意度低。

可往深入看，客服与物流对客户满意度口径不统一，导致无法解决问题。

再往深入看，客户的很多问题并非物流引起，却都怪到物流头上，客服自己没有做区分，而是一股脑打上门来。

这种场面下，有三种解决思路：

第一：中立判官