R语言实战：员工业绩问题诊断分析

发表: 2017-09-21 浏览: 2034

R语言

一、分析背景

诊断呼叫中心外呼项目员工的业绩问题，找出短板环节并做相应的改进提升。关键指标和相关流程情况如下：

Clipboard Image.png

二、员工业绩问题诊断

#数据导入

sales<-read.csv("C:\\Users\\花花\\Desktop\\外呼数据分析\\员工业绩表.csv",header=TRUE)

head(sales)

#数据处理

str(sales)

sales$有效订购数量<-as.numeric(sales$有效订购数量)

#员工业绩问题诊断

#关键KPI：有效订购数量、有效订购金额

plot(sales$有效订购数量,sales$有效订购金额,

     main="员工业绩情况对比",xlab="有效订购数量",ylab="有效订购金额",

     xlim=c(-30,140),ylim=c(-20000,90000))

x<-sales$有效订购数量

y<-sales$有效订购金额

i=1

for(i in c(1:40)){

  if(x[i]>=118&y[i]>=70000){

    points(x[i],y[i],pch=21,bg="green",cex=1.2) 

  }else{if(x[i]>=79&y[i]>=48000){

    points(x[i],y[i],pch=21,bg="yellow",cex=1.2)

  }else{if(x[i]>=25&y[i]>=9500){

    points(x[i],y[i],pch=21,bg="blue",cex=1.2)

  }else{

    points(x[i],y[i],pch=21,bg="red",cex=1.2)

  }}}

  i=i+1

}

text(sales$有效订购数量+0.5,sales$有效订购金额-2000,sales$姓名,cex=0.6)

从业绩表现可以将员工分为4个梯队：

第一梯队（11、15、22）有效订购量在118以上，有效订购金额超过7万

第二梯队（34、35等）有效订购量在79-100之间，有效订购金额在4.8-6万之间

第三梯队（23、29等）有效订购量在25-85之间，有效订购金额在1-3.5万之间

第四梯队（39、40等）有效订购量小于15，有效订购金额小于3500

三、员工业绩差异原因分析及策略

关键差异原因：通话次数及其转化率，通话次数少或其转化率低均会影响最终的业绩表现。

#员工业绩差异原因分析：主要在于通话次数及其转化率

#从通话到有效订购的转化率计算

trans1<-sales$有效订购数量/sales$通话次数

trans1[which(is.na(trans1))]=0

trans1[which(!is.finite(trans1))]=0

trans1

sales1<-cbind(sales,trans1)

sales1

#通话次数及其转化率的双轴图

install.packages("plotrix")

library(plotrix)

twoord.plot(lx = c(1:40),ly = sales1$通话次数,rx = c(1:40),ry = sales1$trans1,

            lcol = 'blue',rcol="red",

            main = '员工通话次数及其转化率对比', ylab ='通话次数', 

            rylab ='总转化率',type = c("bar","line"),

            xticklab = sales1$姓名,axislab.cex=.5,halfwidth = 0.25,lty = 1,lwd=2)

#通话次数及其转化率分类分析

plot(sales1$trans1,sales1$通话次数,

     main="员工通话次数及其转化率分类分析图",xlab="从通话到有效订购的转化率",ylab="通话次数")

points(sales1$trans1,sales1$通话次数,bg="blue",pch=21,cex=1.2)

abline(h=2300,col="red",lwd=2)

abline(v=0.015,col="red",lwd=2)

text(sales1$trans1+0.0012,sales1$通话次数,sales1$姓名,cex=.6)

text(0.05,2500,"0.015",col="red")

text(0.017,4800,"2300",col="red")

text(0.05,4500,"标杆型",col="red",cex=1.5,font=2)

text(0.05,500,"问题型",col="red",cex=1.5,font=2)

text(-0.015,4500,"潜力型",col="red",cex=1.5,font=2)

text(-0.015,500,"瘦狗型",col="red",cex=1.5,font=2)

由上图可知：

四、潜力型员工关键环节诊断

#对潜力型员工进行问题诊断

#计算所有关键环节的转化率

trans2<-sales1$有效接通量/sales1$通话次数

trans3<-sales1$总订购数量/sales1$有效接通量

trans4<-sales1$净订购数量/sales1$总订购数量

trans5<-sales1$有效订购数量/sales1$净订购数量

trans<-cbind(sales1,trans2,trans3,trans4,trans5)

#找出潜力型员工

transf<-trans[which(trans$通话次数>2300&trans$trans1<0.015),]

transf

#计算标杆员工的上一步转化率均值

transb<-trans[which(trans$通话次数>2300&trans$trans1>0.015),]

b1<-as.numeric(sum(transb$有效接通量)/sum(transb$通话次数))

b2<-as.numeric(sum(transb$总订购数量)/sum(transb$有效接通量))

b3<-as.numeric(sum(transb$净订购数量)/sum(transb$总订购数量))

b4<-as.numeric(sum(transb$有效订购数量)/sum(transb$净订购数量))

b<-cbind("标杆平均",b1,b2,b3,b4)

colnames(b)<-c("姓名","trans2","trans3","trans4","trans5")

b

trans_z<-rbind(transf[,c(1,13:16)],b)

#潜力员工和标杆平均上一步转化率对比图

#数据类型转换

trans_z$trans2<-as.numeric(trans_z$trans2)

trans_z$trans3<-as.numeric(trans_z$trans3)

trans_z$trans4<-as.numeric(trans_z$trans4)

trans_z$trans5<-as.numeric(trans_z$trans5)

sapply(trans_z,class)

c<-as.matrix(trans_z[,2:5])

rownames(c)<-trans_z[,1]

c<-t(c)

rownames(c)<-c("通话-接通","接通-订购","订购-净订购","净订购-有效订购")

c

#对比图

library(lattice)

dotplot(c,col=c(1,"orange",3:7,"red"),pch=1:8,main="潜力员工与标杆员工上一步转化率对比图",

        xlab="上一步转化率",cex=1.1,

        key=list(column=8,text=list(colnames(c),cex=0.8),

                 points=list(col=c(1,"orange",3:7,"red"),pch=1:8))

        )