客户体验的度量与分析一直以来都是企业体验管理能力的一个重要标志，衡量体验为业务带来的改善与提升更是企业在深入推进客户体验管理工作的“燃料”。
在《2023客户体验管理白皮书》就中提到：客户体验分析可以帮助企业了解客户的实际需求和期望，发现客户在使用产品或服务过程中的问题和痛点，从分析中获得的结果可以用以改进产品/服务，甚至重塑客户旅程等。
正所谓“没有度量，就没有管理”，“度量”是实现客户体验针对性优化与整改的前提。并且数字技术的发展不仅深刻改变着客户体验，也在深刻影响着客户体验数据分析的方式，诸如：旅程编排设计工具、可视化分析工具、专题性统计决策分析工具等。这些技术可以用以支撑企业客户体验分析能力的构建。
本文将从一个商业银行客户体验管理分析的实际场景出发，来看客户体验分析工具的应用是如何赋能体验管理。
业务挑战
某商业银行的APP客户体验管理部门，负责客户体验旅程管理和实施体验优化计划，部门的日常管理流程如下：
图「客户体验旅程管理流程」
然而，随着体验管理工作的不断精深，客户体验管理部门也遇到了一些新的挑战：
▶ 通过人工观察和判断满意度评分的变化是否显著，缺乏量化的方法来衡量每个环节的满意度，因此难以准确评估客户体验是否有改善；
▶ 无法确定哪些APP使用环节对客户的NPS评分有较大的影响；
▶ 客户在APP上的行为数据都被记录在大数据系统上，是否能够结合大数据去研究客户行为和满意度之间的关系，从而精准识别关键体验环节。
客户全旅程指标建模
为解决以上体验管理的进阶挑战，该部门需要用更客观、高效的方法找出最核心的体验影响因素。客户体验的数据分析一直以来被认为是一门门槛很高的“工艺”，而更多的企业希望通过数据分析工具去打破这样的门槛。
通过倍市得CEM的内置工具SPSSPRO便可以对体验数据进行各种各样的洞察分析与模型预测。
通过把模型黑箱化，且标准化输入输出，使用者可以通过拖入数据就能自动生成一句话结论或图表，以及详细分析报告，这意味着即使没有任何统计基础，也可以快速实现复杂的统计算法.
▶ 通过客户旅程模型来衡量每个环节对总体NPS值的影响；
▶ 通过模型量化分析体验优化后的效果，从而评估工作的有效性；
▶ 利用大数据系统结合客户行为数据和满意度数据，进行数据分析和建模，挖掘影响客户体验的关键触点；
▶ 模型可以保持动态更新，减少人工干预，实时跟踪客户体验的变化情况，以及时发现问题，不断优化客户体验旅程甚至实现旅程重塑。
回到上述案例：以APP理财购买体验旅程为例，该项客户旅程中有6个主要阶段（不同银行的定义可能不一样）：
图「手机银行理财购买体验旅程」
在通过以下问题收集回客户反馈，并进行数据汇集处理后，可以通过数据分析和统计学习方法（如统计回归模型、结构方程模型、机器学习等）来构建模型。
一般来讲，统计分析模型适合样本量较少的情况，机器学习模型适合样本量较大的情况。
图「体验环节问题」
该部门采用回归分析方法来构建手机银行理财产品购买体验旅程。
因变量Y：客户的NPS评分值。
自变量X：营销信息、注册和浏览、咨询和购买、资产管理，售后服务全部环节的满意度。
线性回归模型：Y=aX1+bX2+cX3……
通过倍市得CEM后台将数据拖拽到分析工具的对应位置，会自动输出回归模型的分析结果，简单完成对整个客户旅程的量化分析：
▶ 显著影响因素
从上图结果可以看出，「信息是否清晰」的显著性P值小于0.001***，在统计学上我们认为这是非常显著因素。
另外「购买指引」的P值为0.06*，在统计学上我们认为这是一般显著的影响因素。其他因素的P值均大于0.1，从数学的角度而言影响不显著，但针对重点体验环节，我们也可以进行分析。
▶ 权重系数
权重系数解释了该环节的满意度对NPS评分值的影响程度，排名最高的两项分别是「咨询购买 – 购买指引是否清晰」（权重系数1.3），和「营销信息 — 信息是否清晰」（权重系数0.9）。
这意味着「咨询购买 – 购买指引是否清晰」的满意度，对整体NPS值影响最大。满意度每提高1分，整体NPS可提高1.3分。
▶ 分析方法
综上，应优先关注显著性高的环节；在具有显著性的不同环节中，可以横向对比权重系数，来决定应该优先处理哪些环节的客户体验问题。
更多内容见CEM丨一个案例看客户体验分析工具到底是不是“智商税”（下）
