CEM丨一个案例看客户体验分析工具到底是不是“智商税”（上）
从宏观分析到微观管理
假设，管理团队发现客户对“客服反馈效率”的满意度偏低且每周有超过30个投诉。如果仅看咨询环节的满意度，则意味着银行需要聘请更多客服人员以提高反馈效率，会进一步推高人力资源成本。
而客户全旅程指标建模方法为该部门提供了宏观分析视角：
通过以上分析建模方法后，团队发现，「营销信息 — 信息是否清晰」才是提升客户满意度的重要环节。
再进一步挖掘，如果客户在理财产品的营销页面就能清晰的看到收益率、期限、风险评级等信息，满意度就会提高。意味着当理财产品的信息展现充分时，客户无需进入人工客服咨询理财产品的信息，从而降低了客服接待量，也解决了客服排队问题。
所以通过客户全旅程指标建模的方法识别出关键环节，能帮助企业集中资源提升关键体验。
而按周期更新客户体验旅程指标模型，通过显著性和权重系数变化，评估改善手段是否有效。
主客观指标融合建模
为精准找出影响客户满意度的关键触点，将主观的满意度评分数据，和对应客户旅程阶段的客观行为数据，运用机器学习等方法进行分析和建模，构建客户旅程的主客观指标融合模型，是最快速见效的方法之一。
体验管理进入进阶阶段，就不能仅通过客户的主观评分来判定影响满意度的关键因素。通过该模型，该团队将“主观体验数据”和客户线上购买理财产品的“客观行为数据”融合分析，精准找出影响客户满意度的关键触点（如客户在页面上的操作耗时等等），提出针对性优化措施，提高准确性和可靠性。
因变量Y：NPS评分值、购买环节满意度、咨询环节满意度、APP使用满意度等。
自变量X：产品意向率、购买成功率、购买时长、购买步长等等。
由于客观指标的维度和量纲较为复杂，统计分析模型无法满足使用要求，因而采取机器学习方法进行建模。
XGBoost（eXtreme Gradient Boosting）是一种基于梯度提升（Gradient Boosting）算法的决策树集成模型。其结果的解读相对较复杂，主要通过特征重要性来解读。通常基于该特征被用来分割的次数或该特征在分割中带来的平均增益，帮助我们理解哪些特征对预测结果的影响最大。
从结果可以看到，「理财周留存率」、「产品购买成功率」以及「产品购买分页面成功率」是特征重要性最高的三个变量。针对这些指标再进行深入研究，该团队发现，定期推送高收益理财产品信息给客户可以有效的提高留存率，因而制定了针对性营销方案来唤回客户。
写在最后
通过数据分析和建模，企业可以基于事实和证据，而非仅仅依赖于经验和直觉，找到关键触点及提出针对性优化措施，提高准确性和可靠性。并且，客户旅程指标量化模型部署后可以持续更新，从而加快分析过程，提高决策效率。
并且，简单易用、好上手的客户体验分析工具也可以让更多的管理者参与到数据分析中来，真正去提炼适合自己业务经营改善的数据结果！
