在贴地飞行和服务人伙伴们深入交流的过程中，我们发现越来越多的服务团队更加重视数据沉淀和分析。通过服务数据的基础设施搭建，推动业务有效增长。
在本次大会上，亦优客服总监——应红英老师分享了她在数智化服务方面的经验。
以下为应红英老师的演讲内容。
亦优这几年一直在做数智化的服务，打造底层的数据中台，反哺业务端。
因为传统的客服团队一直是成本中心，我们希望突出客服的价值，把成本中心转化为价值中心，把亦优的服务、管理做成品牌，让行业越来越多的人认识亦优。
今天和大家从数据化管理的难点、如何做数智化平台搭建、如何做业务反哺这3个方面，做一些简单的分享。
01 数据化管理的难点
亦优目前的客服团队大约有一百多人，基本的团队架构是前台、中台还有后台，其中中台包括了所有的质检、智能团队、数据分析团队等。
在搭建的过程中，我发现服务团队的数据化管理普遍存在几个难点：基础弱、应用浅、无闭环。
基础弱
基础弱，其实并不是说数据分析专员的基础能力弱、专业度不够，怎样理解呢？
我相信在座的各位有非常深刻的感受，我们在培养或者招聘一个数据分析专员的时候，最大的难点是他可能懂数据，但不一定懂客服团队的业务链路。
所以很多时候数据分析出来只是一个纯数据，没有办法应用于业务端。
同时，亦优现在是多店、多平台模式，拥有很多店铺，涉及天猫、抖音、快手、拼多多等多个平台，多平台的数据很难全部打通。
这就造成了系统分散，数据难以沉淀，数智化基础薄弱。
应用浅
数据应用浅是基于我们对行业的观察看到的一些现状。
因为现在很多客服团队规模还比较小，甚至可能只有组员、主管这样基础的管理结构，并不具备专门的数据分析团队。
基于这样的情况，客服团队可能更多就是通过绩效看下业务数据，不会对数据做复杂的针对业务链路的输出，缺少深层的数据分析和业务洞察。
无闭环
除了应用浅，没有对数据进行深入分析，很多时候数据化管理还处于只产出、无推动的情况。
这一点也很好理解，因为很多时候做数据主要是做给老板看，能够保证产出。但在后续推动的时候，就会涉及到很多链路，以及很多跨部门的环节，很难去真正推动这件事。
亦优比较特殊的一点是，我们是一家客服公司，所以客服团队有绝对的话语权，并且有很多自己的流程，甚至可以搭建一些技术化的团队。
在推动到运营端、仓库端的时候，客服团队有专业的流程体系可以给到他们反哺和输出。
所以想要解决基础弱、应用浅的问题，关键是要让数据闭环，能够真正反哺到业务端。
02 数智化团队搭建
刚加入亦优的时候，团队中没有太专业的数据分析人员，于是我就开始着手数智化团队的搭建。
因为我有过数据分析的岗位经历，本身对数据比较感兴趣也比较了解。在搭建平台的时候，我基于上一年画的数据框架，规划了一个能够实现聚合天猫、抖音、淘系、天猫等多平台数据的中台。
我们搭建的数据库，底层是内部的店铺数据、客服数据还有成本数据，没有借助任何外部的IT部门，客服团队自己开发了数据中台。
我们数据库搭建的核心一共有4点：
第一点是一定要做好数据的底层搭建。
比如说天猫平台上百个指标要做标准化的统一和沉淀，确保所有标准、KPI能统一化输出。包括所有的报表输出逻辑、输出时间，包括多平台的账号，全部都要做统一化的管理。
第二点是团队一定要有做数据的人才。我们在培养人才时，首先要关注他原来读的专业是什么？有没有数据化的基因？
另外一定要给数据人才一定的空间，因为公司的规模不同，需要搭建的数据中台复杂程度也不同，没有一个适用于所有商家的方案。要给他们一定空间，根据公司本身的业务情况去搭建适合的中台。
在第一部分我们提到过，数据如果只是数据，就还是一个孤岛。所以数据库搭建的第三个核心是要做数据和工具化的结合，让数据可以做更好的输出，并且提高数据化产出的能力，让数据最终可以服务于业务端。
最后一个核心叫数据驱动业务。
现在我们团队的数据分析人员，具备自己做基础数据开发、小程序的开发以及现在比较流行的RPA自动化开发能力。
我们使用的排班系统、售后数据登记系统等等，都是内部开发的，我们的数据化需求通过内部团队可以全部自主实现。
亦优在数智化应用方面有三个环节的应用：
l 自动化抓取：VBA技术形成数据报表，统一上传到数据库，节省了1.5人力；
l 售后自动化：应用于ERP换货建单、自动化开票，节省1.5人力；
l 班牛数智化应用：批量打款、下行式卡片，解决95%超卖信息；
这些自动化的流程，给我节省了人力成本，同时也让客服工作能够更加高效敏捷。搭建数智化团队，给客服团队带来了明显的效率提能。
03 如何通过数据反哺于业务端？
完成了数据的底层搭建，就可以从前端和后端两部分来反哺业务了。
前端业务
前端更多的是服务营销能够触达到的业务，所有的售中挽留、售后挽留、退换货工单沉淀等等，亦优一直在根据数据反馈去优化这些业务。
前端的业务我们主要分成几个板块：用户属性分析、店铺数据诊断、店铺爆款分析、询单流失分析。
1、用户属性分析
用户属性分析的重点在于参数打标。比如说通过参数获取店铺用户的消费能力等级，因为不同消费能力等级的用户需求的服务是有差异性的。
像两百块钱以内的用户基本在价格上是比较敏感的，他肯恩非常在乎是否包邮、有没有优惠券。
年龄层也是一个重要的参数。亦优是做女装的，我们有一些店铺的用户基本在35-45岁区间，这个客户群体的特点是大多数是生过小孩的妈妈，身材可能不太胖，但比较在乎版型，在意衣服腰身是不是凸显小肚子。
如果是同样身高体重的小姑娘穿，可能s码就可以了，但根据我们洞察到的用户画像，客服就要针对这类客户的特点去推荐m码的衣服，不然退货率就会很高。
所以根据数据的反馈，我们的客服团队会在整个销售链路、接单链路去做优化和辅导，针对性地去看案例技巧，提高转化率和挽留率。这个是在用户画像上面的一些应用。
2、店铺诊断
店铺诊断的逻辑和用户属性分析差不多，在这部分我比较重视店铺分层。不同的店铺下各自售卖的商品不同，代表的用户群体也有不同。
有一些店铺属于中高层次，这部分用户群体中，静默下单、不太联系客服，但对于商品品质要求比较高的客户占比非常高，同时也很重视物流体验（发件速度、包裹破损、是否错发漏发等）。
基于这样的情况，我们会对店铺进行分层，针对各个层次的不同用户需求去做差异化的服务。
3、店铺爆款分析
在做店铺爆款分析时，我们会重点看SKU是否设置准确，以及一些商品详情。可能大家会有疑问，有必要做这么细的分析吗？
这么多年来，我有一个深刻的感受：不是所有运营都那么专业。给大家讲一个案例。
我们有一个店铺，运营引流的时候设置的关键词是“小个子”，因为“小个子”可能是爆款词，引流效果会比较好。
但实际上，我们的模特是170cm的大个子，所以被关键词引流来的用户发现衣服到手根本穿不了。这就导致了我们的转化率低、退货率高。
在发现这个问题后，我们和运营做了反馈，要求他们优化引流关键词。优化后，店铺转化提高了7%。
这就是客服的价值，针对爆款去做详细的分析，把结果和数据推到运营端，实现整个店铺的优化。
4、询单流失
询单流失大家都在做，这里就不做讲解了，我们重点关注流失到底是店铺运营还是服务问题导致的。
后端业务
在我们的数据库打通各个平台后，我们的品控段、运营端都很关注我们的数据分析结果。他们非常关注客户退换货的原因到底是什么？
我们把数据大致分为几个板块，包括退换货、退款、物流单等等，结果非常一目了然。这样的数智化产出，是多平台数据打通的最大价值。
我们会要求客服在填写退换货工单时，细化到退换货原因到底是尺码大了还是小了、客户身高体重是多少，其中新款、爆款的数据会做更细节的信息收集。
当我们做好这部分的反馈，商品端、运营端就可以更好地应用数据。商品端可以做一些版型的调整，甚至面料、尺码问题的优化。运营端可以去做详情页的调整，包括抖音直播话术的优化等等。
所以说当数智化服务真的作用于整个链路时，会体现出非常大的价值，这也是我们一直坚持数智化服务的原因。