1.2 数据 —— 动态分析与层级化报告

我们在工作中可能会遇到这种情况：如果要从大篇幅文字中提取某些信息，或者是在有限的时间内阅读大量数据报表并分析，你可能很难保证质量和效率的统一。但如果将这些文字或数据做系统整理、分类、提炼、归纳后，我们就会发现，信息提取和报表分析也并没有那么难。数据呈现方式对于数据利用“质”、“效”的影响由此可见。

那么，怎样提升客户体验管理系统的数据管理质效呢？

1.2.1 首先，要让数据更容易看懂

同样的产品和服务提供给不同的客户会有不同的感受，为了快速甄别客户体验需求真伪、评估数据价值，我们常借助辅助模型，比如KANO模型就是调研中常用的用户需求分类和优先排序工具。

KANO模型以分析用户需求对用户满意度的影响为基础，将产品服务的质量特性分为五类：

基本（必备）型质量——Must-be Quality / Basic Quality
期望（意愿）型质量——One-dimensional Quality / Performance Quality
兴奋（魅力）型质量——Attractive Quality / Excitement Quality
无差异型质量——Indifferent Quality / Neutral Quality
反向（逆向）型质量——Reverse Quality

比如在倍市得客户体验管理系统中，系统以专业级问卷模块为基础支撑，企业可借助系统化的数据管理，省略“提取和分析”的后台处理步骤，从而实现所见即所得，将主要人员和精力从报表中解放出来；又或者是当“分析”环节无法省却时，通过更加简单的方式使分析人员能自定义报表呈现方式，比如通过拖拉拽的方式就能增加数据明细、编辑报表项目等。

1.2.2 其次，要让数据呈现更精准

从企业管理的层面来看：企业在开展客户体验管理时，管理层与执行层对于数据的需求不同，营销部门与产品部门对数据的需求也各有差异。根据地域范围、人员层级、部门属性、岗位职责等输出层级化的数据报表，将提升数据呈现精准度，提升数据使用的效率与质量。

同时，客户体验本身具有的主观性、波动性特征，也要求系统在数据管理上要实时更新、动态分析、及时响应。比如需要对年、月、日等不同颗粒度的数据做统计分析，对波动性的体验数据能否及时发现以便干预和规避风险等。

从业务场景的层面来看：不同行业在客户体验管理过程中需要关注的侧重点各有差异，比如餐饮行业更关注“菜品质量”、“就餐环境”、“菜品口味”等等；而对于医院的就诊体验管理来说，“挂号”、“排队”等是高频词汇，甚至更进一步到不同的医院、不同的科室所需要关注的体验重点也各有差异。

因此，在客户体验管理过程中，系统支持“场景化”不能流于形式。比如目前倍市得已经实现的AI+BI数据管理模式。系统可借助NLP智能文本分析，从开放文本数据中智能提炼与业务高关联的话题、识别客户体验情感分类等。基于管理层面和业务维度为企业呈现更具针对性的数据和报表。