【翻译文章】统计工程扩大影响范围

本文由yzz翻译 校稿：perfect_0211



琳尼b .黑尔

乔治:你好吗,约翰?

约翰:没什么可抱怨的。

乔治:听起来像是抱怨我。




也许你知道在大多数公司投诉部门的情况。它们被委婉地称为“客户事务部”和“客户处理部”,实际上工作仍是一样的。这些部门大多数是接线员享有这项工作，接听那些愤怒客户打来的电话，他们为花冤枉钱而恼火不已。同样，投诉信息还来自于信件或电子邮件。尽管有发布在包装盒上的800号码、网站和其他消费界面来源,电话还是主要投诉方式。



经过同情模型的培训，接线员会针对投诉的性质进行一些询问。首先通过道歉熄灭客户抱怨的怒火。可能顾客怒火难熄,不管怎样还是道歉。然后收集与UPC、产品型号、颜色、包装和投诉的性质,比如包装损坏或产品性能令人失望等。


接待者不是产品相关所有事宜的技术专家,所以面对顾客时,他们经常根据电脑屏幕提示进行询问并记录相关数据。假使数据正确使用，成功的会面最终缓和了客户的疑虑，得到一些有价值的企业信息。毫无疑问,在一天结束时是没有心情听孩子们抱怨作业的。


公司不同，所属部门不同，利用所收集的投诉数据的的方式也不同。销售人员想了解产品的劣势,然而生产人员则希望隔离质量问题, 希望减少质量问题，甚至杜绝。


一些公司按生产产品,生产设施和投诉类型建立内部表格。这样的表格将使思维受限。对我们大多数人来说,眼睛看到第二页后就表现的有些迟钝。听说一个高级副总裁当被问到怎样使用这样一个报告时,承认他把大量报告团成团扔在废纸篓里。你会有一个办法改变这个情况,不是吗?

把数据用到工作中


怎样才能让这些原始数据更好地发挥作用?首先考虑的应该是数据质量的控制。这些数据合理的代表了推论的投诉人群吗?如果不能,任何意义的努力都是注定的。



一个缺乏接线员的企业,没有意识到这种行为的广泛影响,就是十年以后，也很少安排电话系统，了解潜在的抱怨。用这种汇总统计的做法评估消费者的不满是无用的,对一个非常已经不满的顾客，没有有任何作用。


数据表达问题解决以后,如果数据是相互独立的,你还可以对数据并进行分类。操作者应同时定义数据范围和界限,反过来包括容易出错的产品和过程,还可以扩大到一个又一个仓储地的不同产品特性。


设置的这个阶段为数理统计的思想和方法的明智应用提供了很好的环境，可以获得更多的客户满意，改进生产效率。


不要犯的错误; 已有消费者信息的过分滞后反馈，对质量和生产效率的提高有很大影响。这些当然都很重要,但是其他的质量控制技术更贴近过程，是更加锐利的武器。尽管如此,数据是不能忽视的:他们经常被送到CEO眼皮底下,而那可能是所有的精髓,你需要认真研究它们。


消费者投诉数据繁多且多变。从他们看来，这是一个大量的工作，需要时间和人员，至少一个统计员，但是，考虑到寄托在他们身上的所有期望，这儿没有-将来也不会有-足够的统计员来做。

进入统计工程

怎么办呢?统计工程理论能解决这个问题。统计学家们能够并且应该就存在问题建立投诉问题处理系统。一个团队可能包括：客诉部负责人,编程高手,相关信访部门,当然,还包括一个统计员。



总之,他们为满足组织的需要做出信息报告。这些典型的需要有:


•需要识别重要的变革和发展趋势。
需要意识到所发生的改进。

需要避免不含重要信息的表格的泛滥。

鉴于这些需要,一个特殊报告（一个提醒用户的重要情况但又不带来麻烦的文件）是很适用的。这种性质的报告在跟踪投诉的过程中产生，给它们建立模型来了解它们的基线变异，同时在投诉数量超出了预期的范围的任何时间告知用户。




那些深谙常用统计质量控制工具的人可能试图绘制C图跟踪投诉。简言之,中心线是平均投诉量，汇报周期 (通常是月),此时上限和下限是


我们不要说这个公司很正规,这里假定投诉符合泊松分布,反过来假设:


•投诉机率与投诉报告时间间隔成正比。


•同一时间多次抱怨的机率可以忽略不计。


投诉的时间间隔是一致的。


•每个时期的投诉机率是相对独立的。


凭心而论,你能发现第一假设可能不正确,因为投放到市场上的产品每月都在变化。第一个月,销售额可能高;第二个月,销售额可能低。一个有效的解决办法是用U-图替代C-图来跟踪客户每百万销售单元的投诉。

这U-图(图1)中心线是在一个相当长统计周期的平均投诉数,如24或36个月(3年),除以每月同期平均销售数。然后,控制极限取决于月度销售。他们计算出,第一个月百万销售单元的投诉数。






这个U-图是在C-图基础上改进的一个应用,但是它并非无可挑剔。首先,几乎可以肯定的是 销售数据代表着从配送中心或制造方发货数量。 除非销售跟踪系统是最新的,销售回款记录可能并不是所指月销售的实际反映。


针对销售的延迟和正常发货提出了一些投诉跟踪流程,以解决销售分配和实际销量之间滞后这个问题。这样做可稳定抱怨率,但可能导致问题与假设独立(前面第四点提到的)



考虑到可能还有违反基本假设的其他图形和模型。其中包括利用指数加权的均值移动控制图和累积和图表。模型可以根据周期性调整的需要，广泛定义为回归综合移动平均值(ARIMA)模型。例如,你可能需要统计烤肉酱和抗过敏药物的周期性投诉。


ARIMA模型的缺点的是获得精确的系数估计值的观察数量要非常大，至少100。许多投诉应用没有那么多的历史数据,当他们分析时,历史数据因为市场的大量变化而不稳定。

试运行


无论使用什么方法的图表,正式运行前一定要试运行。试运行应该记录图表非受控信息。如果非受控的记录很少,系统可能不会提供重要的消费者信息。非受控记录太多,客诉部门将被认为是狼来了。必须建立一个健康的平衡，对一些重要客户的问题建立图表触发行动。也可以通过调整行动控制界限来改变控制图中的警示。


也会有一种情况,使检查控制图报告的层次较高。例如,你可能会对与某一特定制造工厂有关的所有的投诉感兴趣。



用户应该注意，因为投诉数量少的平衡了投诉量多的,所有这种图表没有能力识别可能对企业很重要的差异点。因为单项假设用泊松分布分析更适合，信息量大,且有效的图表数据等级将很低。

在投诉的处理,还有很多其它潜在的统计应用领域，组织应做远远超出统计长远打算。但是大部分支持技术是统计。


成功的投诉的处理系统依赖于由统计员支持的团队努力。像这种统计工程企业需要很强的协作精神。不管统计学家们还是其他团队，都不能独自成功开发系统。但共同努力,可以创建功能强大的管理工具。


1。关于统计工程的更多内容,见“缩短差距” Roger W. Hoerl 和 Ronald D. Snee, Quality Progress、质量进步,2010年5月,页-。52-53。

琳尼b .黑尔是统计学顾问,泽西市新不伦瑞克区路特格大学的博士,曾是ASQ统计研究所原主席及美国ASQ统计协会成员。