“精明的天蝎座最喜欢问转账收不收费，迷糊大条的射手座最爱查余额宝明细对账单，浪漫的双鱼座总是喜欢顺道调戏下客服MM，而天秤座提问量最多，是当之无愧的“十万个为什么”……最近，网络上流行一篇名为 “余额宝大数据告诉你十二星座宝粉最爱问客服啥问题？”的文章，该文章由于将余额宝和星座建立了联系，引起了很多人的兴趣。

余额宝和星座有什么关系？星座不是迷信吗？其实不然，占星的神秘正是源自大量样本群的收集分析。比如百度大数据揭秘了哪个星座最有爱？哪个星座总被黑？招聘还要挑星座？姻缘要看合不合？在百度知道中有关星座的问答有357万条，每天有70万用户访问有关星座的问答。而余额宝海量样本已超过1亿用户，它针对“全样本”的年龄、容客量、地域、使用习惯、交易频率等数据甚至是星座信息，通过多个维度以生动、活泼的内容向公众展示了“大数据”的真实魅力。从多个维度分析海量数据，精确得出客户的行为路径，并对业务给予指导。“大数据”正渗透生活的方方面面。

数据将是未来银行的核心竞争力之一，这一观点已经成为银行业的共识。面对大数据时代所带来的机遇和挑战，作为银行后台，一方面要乐于接受纷繁的数据，体验思维的大变革，同时要悉心关注事物关系，在大数据思路引导下开启智慧大搜索。

一、用数据说真话，科学制定成长目标。

从事呼叫中心呼出业务6年有余，笔者深知培训工作对于业务支持的重要性。一般人常常有这样的惯性思维——培训工作无法数据化来体现。培训课程的设计，培训方式的选择常常靠“经验”来定夺。在技术发展的推动下，当前的数据技术完全可以帮助决策，员工各阶段成长目标的设定更是要实现由“依赖经验”逐步过渡到“有据可依”。大数据其实并不遥远，大也不是绝对意义上的“大”，要尝试让数据“发声”，从而使得行为决策更为科学。以笔者所在单位为例，业务运营初期拟定新员工成熟周期为3个阶段共计6个月，为了帮助新员工健康茁壮成长，我们根据经验制定了新员工各阶段成长目标。通过对44名新员工进行6个月的数据采样，然后将新员工目标达成时长和实际达成时长进行对比，得出的结论是整体成长时长与初期制订基本吻合。但逐月比对来看，有2个阶段4个月都与既定的目标差异较大：基础期达成进度较既定目标快30.3%，而成熟期达成进度却较既定目标慢了35.29%。看似整体成长周期制定较为合理，实际上新员工的成长曲线却表明这应该是一个“先快速后匀速”的成长模式。管理者根据44名新员工的成期为3个阶段共计6个月，为了帮助新员工健康茁壮成长，我们根据经验制定了新员工各阶段成长目标。通过对44名新员工进行6个月的数据采样，然后将新员工目标达成时长和实际达成时长进行对比，得出的结论是整体成长时长与初期制订基本吻合。但逐月比对来看，有2个阶段4个月都与长情况数据及时调整了后续284名新员工的成长阶段目标，调整后员工处理能力提升明显，前3个月较初期既定目标分别提升了100%、50%和20%，前3个月整体产能提升了36.36%。通过尝试，让据“发声”，遵循“先快起来，后匀速保持”的成长曲线，科学制定新员工成长进度，让员工在上线初期最大化释放产能，尽可能为后续产能瓶颈腾出充分的时间和空间。

二、用数据去预测，有效预警风险管理。

谷歌对2003年和2008年间的5000万最常搜索的词条进行大数据“训练”，试图发现某些搜索词条的地理位置是否与美国流感疾病预防和控制中心的数据相关。疾病预防控制中心虽然踪全国各地的医院和诊所病人，但它发布的信息往往会滞后1-2周，谷歌的大数据却可以发现实时的趋势。谷歌并没有直接推断哪些查询词条是最好的指标。相反，为了测试这些检索词条，谷歌总共处理了4.5亿个不同的数字模型，将得出的预测与2007年和2008年疾病预防控制中心记录的实际流感病例进行对比后，谷歌公司发现，它们的大数据处理结果发现了45条检索词条的组合，一旦将它们用于一个数学模型，它们的预测与官方数据的相关性高达97%。数据往往都是不完美的，拼写错误和不完整短语很普遍。为什么谷歌可以实现这么精准的预测？如果从因果关系看，是因为人感到不人，但它发布的信息往往会滞后1-2周，谷歌的大数据却可以发现实时的趋势。谷歌并没有直接推断哪些查询词条是最好的指标。相反，为了测试这些检索词条，谷歌总共处理了4.5亿个不同的数字模型，将得出的预测与2007年和2008年疾病预防控制中心记录的实际流感病例进行对比后，谷歌公司发现，它们的大数据处理结果发现了45条检索词条的组合，一旦将它们用于一个数学模型，舒服，或听到别人打喷嚏，或者阅读了相关的新闻后感到焦虑吗？谷歌不是从这种因果关系去考虑，而是从相关性的角度，去预测一个持续发展的大方向，因为大众的搜索词条处于不断变化之中，外界的一个蝴蝶翅膀的煽动，就会使搜索发生系统的、混沌的变化。

回到我们的日常工作中，管理者总是在探讨为什么新员工产能提速会导致质量下降？呼叫中心运营经验告诉我们新员工因提升产量而导致质量隐患并不是健康成长的表现。所以业务培训团队总是在比较哪种节奏更利于新员工平衡、均衡成长。在将2013年新员工处理质量以及风险控制和2014年的相比较后，管理者们惊奇的发现，2014年新员工成熟周期较2013年成熟周期长了25%，但处理质量和风险控制却均不及2013年好，于是“未来是否需要参考2013年的培训模式和成熟周期”又引来了新一轮的探究。随着深入分析“2014新员工质效平衡为何不及2013年保持得好”，我们开始不仅仅看数据的因果关系，而是更为直观地看它呈现的趋势。新员工上线初期也就是基础期为新员工差错预警期，而成长期与成熟期之间的过渡期是新员工风控意识薄弱期，根据趋势找到新员工的成长规律，提前有针对性地对其开展风险培训，防范于未然。

三、用数据看本质，合理实施过程管理。

我们常常认为新员工技能不足，“未来是否需要参考2013年的培训模式和成熟周期”又引来了新一轮的探究。随着深入分析“2014新员工质效平衡为何不及2013年保持得好”，我们开始不仅仅看数据的因果关系，而是更为直观地看它呈现的趋势。新员工上线初期也就是基础期为新员工差错预警期，而成长期与成熟期之间的过渡期是新员工风控意识薄弱期，根据趋势找到新员工的成长规律，提前加班完成既定工作目标是再正常不过的事情了，但“加班”这一现象又该如何“数据化”呢？刚才提及到的44名新员工基本按照成长周期完成了既定目标产量，然而“大数据”告诉我们，需要将“加班”这一现状“数据化”，如果将员工每日工作时长分为4个阶段，可以发现新员工越接近下班、处理效能越高，由此可见新员工处理节奏不均，是导致“加班”现状的重要因素之一。再一次通过大数据将现状数据化，我们开始合理实施过程管理，培训团队为新员工重新设定了处理时段，全天分为3个处理时段，同时也合理规划了新员工每时段的处理节奏，目标就是让新员工用8个小时的工作时间完成既定目标产量。过程管理实施以来效能提升明显，新员工第二阶段加班时长明显减少。

大数据无处不在，在培训中“大数据”实现了“科学”，数据比对探虚实；在培训中“大数据”体现了“预警”，跳脱因果测趋势；在培训中“大数据”显现了“过程”，透过现象看本质。它能优化、提高、高效化并最终捕捉利益。大数据为我们提供的不是最终答案，只是参考答案，什么是诱发新员工离职的首要原因？什么是男性新员工服务质量提升的瓶颈？更好的方法和答案等待我们长明显减少。

大数据无处不在，在培训中“大数据”实现了“科学”，数据比对探虚实；在培训中“大数据”体现了“预警”，跳脱因果测趋势；在培训中“大数据”显现去探索，去创新。

作者单位为交通银行武汉金融服务中心