2 客户体验分析的应用

2.1 客户体验分析的应用场景

基于客户体验分析的多重目的我们可以发现，客户体验分析不仅仅局限于提升客户在某个触点上的体验感受，它是可以做到支撑企业“以客户为中心”的未来战略体系的方方面面。

因此，客户体验分析在企业的实际业务中有着多样的应用场景：

整体客户旅程优化：通过各类渠道、场景和客群的体验反馈融合分析，发现客户视角下的流程痛点、痒点、摩擦点和爽点，据此优化整体客户体验旅程环节的设计，包括环节目标、触点、触达方式，以及内部可能用以响应支持的服务蓝图；
产品设计和优化：产品往往是最容易引起客户抱怨的环节要素之一，通过客户体验数据分析的反馈可以直接地发现产品存在的问题，提出改进方案，并跟进实施效果，从而不断优化产品；
客户关怀和服务：客户体验数据分析可以帮助企业了解客户对企业产品和服务的评价和反馈，及时回应客户需求，提高客户满意度和忠诚度；
竞争对手分析：通过外部体验数据采集，以及针对自有客户对竞品的反馈，采集客户体验数据，可以帮助企业了解竞争对手的产品和服务表现，发现自身的优势和不足，从而制定更有效的竞争策略；
新产品推广：客户体验数据分析可以帮助企业了解客户对新产品的反馈和需求，为新产品的推广提供指导和支持；
品牌营销互动策略制定：客户体验数据分析可以帮助企业了解客户的消费行为和购买意愿，制定有针对性的营销策略，提高销售额和客户忠诚度。

2.2 客户体验分析的数据来源

总体上看，客户体验数据来源包括私域体验数据、公域体验数据和运营数据，全渠道、全天候、多形态的数据来源可以为体验的监测分析提供立体和全面的视图。

资料来源：倍市得

私域体验数据是指品牌私域的粉丝、用户、会员、客户等不同层次的相关者反馈的体验数据，这些群体往往跟品牌方有过交易或相对深度的互动，可以不借助外部资源直接触达，具有触达率高、样本真实性高、画像相对完整、可通过线上手段批量互动等特点，是品牌方宝贵的数据资产沉淀。

私域体验数据一般会分为以下几种类型：

①触点问卷数据

触点问卷是指在用户与企业进行互动的不同阶段，以问卷形式收集用户反馈和意见的一种数据类型。

这些问卷可以包括多个维度，例如产品体验、服务质量、用户需求等等。触点问卷的收集可以在用户下单后、使用产品后或者在用户退出页面前等多个阶段进行。通过对触点问卷回收数据进行分析，企业可以了解用户对产品和服务的评价，了解用户的痛点和需求，以便在后续的产品设计和服务提升中有针对性地进行改进。

②行为埋点数据

行为埋点是指在产品或服务中内嵌代码，收集用户在使用产品或服务时的行为数据的一种数据类型。目前可以通过内嵌代码的形式实现敏捷追踪，开发参与和维护程度较为轻量。

通过行为埋点，企业可以收集到用户在产品中的操作路径、点击次数、停留时间等多个维度的数据，以了解用户的使用行为和习惯，从而优化产品和服务。例如，通过行为埋点可以分析用户在产品中的购买流程，发现购买过程中的瓶颈，以便针对性地改进购买流程，提高用户购买体验。

③客服会话数据

在品牌的日常运营中，只要有访客咨询，就会产生相应的客服会话数据。通过这个交互过程，客服首先能从客户的搜索关键词、地区、访问来源、访问页等相关数据快速对客户需求倾向做出判断，也可以收集到用户的疑问或者反馈等信息。

会话数据的型态可能包括聊天文字、语音、图片甚至视频等，可以借助AI技术手段做结构化处理。

通过对这些会话内容的整理和分析，企业可以了解用户的需求和痛点，针对性地为客户介绍产品，为客户提供更加个性化的服务，提高用户满意度。同时，客服会话也是企业与用户建立沟通渠道和维护品牌形象的重要途径，对于提高品牌忠诚度和用户留存率也非常有帮助。

公域体验数据通常包括交易评价和社媒舆情等方面：

①交易评价

交易评价是指用户在购买产品或者使用服务之后，对于交易过程中的体验进行评价的数据。这些评价通常包括商品质量、物流速度、售后服务、会员服务等方面。

品牌方可以通过对交易评价的收集和分析，了解用户的购买决策和体验过程中存在的问题，从而优化产品和服务，提高用户满意度。同时，交易评价也可以作为企业的品牌口碑的重要指标之一，对于提高品牌形象和吸引潜在用户也有着重要的作用。各类电商平台、本地生活平台、OTA平台、手机应用商店等交易平台都越来越注重交易评价数据的沉淀，作为用户下单的重要参考，用户的消费旅程中，这类数据的参考率也越来越重要。

②社媒舆情

社媒舆情是指用户在社交媒体平台上发布的关于企业和产品的评论和反馈。这些舆情可以包括用户对产品、服务、售后服务等方面的评价，也可以包括用户对于企业形象、品牌声誉等方面的看法。

通过对社媒舆情的监测和分析，企业可以及时了解用户的反馈和意见，及时进行危机公关和品牌维护，提高用户满意度和品牌忠诚度。同时，社媒舆情也是企业进行品牌营销和推广的重要渠道之一，可以通过社媒舆情的传播和引导，吸引更多的潜在用户和提高品牌知名度。在中文互联网，微博、微信、抖音、小红书、快手、各类新闻及视频站点、论坛社区等等都是需要关注的社媒渠道。

2.2.3 运营数据

运营数据是客户体验在业务层面的结果（What），良好的客户体验会对业务数据形成有效的正反馈。体验数据与运营数据的结合分析，能探究体验表现对运营数据的因子贡献（Why），形成提升体验投资回报（ROX）良性循环。并结合客户旅程和指标体系，探索出适合企业业务的体验运营路径（How）。这些运营数据包括流量类数据、订单类数据、会员类数据、客户分层类数据等。

2.3 客户体验分析工具及技术赋能

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，这些技术可以用以支撑企业客户体验分析能力的构建。

①旅程编排设计工具

此类工具不仅可以用于企业根据自身业务划分，编排设计各类客户旅程地图；也可以按客户视角刻画环节流程、业务目标、触点及体验指标。这类工具也成为聚合客户体验数据必不可少的一个工具。

并且，它应该是一个动态实时的数据图，而不是一个毫无生命力的静态图。通过在线化和动态指标分解，它应当支持按旅程环节及时分析各环节体验表现、客户情绪曲线及客户心声。与此同时，通过捕捉客户购买旅程各阶段的体验信号，既为各触点体验改善提供依据，也为各部门全局审视、高效协同提供便利。

②可视化分析工具

针对各类结构化问卷、行为埋点及运营数据等，通过搭建体验管理指标体系，借助BI类可视化分析工具，对体验数据进行动态监测、智能分析并可视化展示，并支持按时间、组织、产品、客户分类等各类业务视角拆解分析，锁定影响因子并确定改善方向。为企业从海量的客户体验数据中甄别出有价值的信息，通过体验数据解读客户潜在需求与动机。

还可以通过对接企业内部组织架构，为各业务部门、管理职级、岗位分工等提供不同的层级化、可

视化的业务数据报表。实现数据赋能决策的场景向一线下沉，为员工提供灵活、自助式的数据分析能力。

③专题性统计决策分析工具

对于泛体验类分析主题，包括各类基于统计模型或算法模型的专项研究、专项决策等，可以借助SPSSPRO等模型决策工具，快速得出相关分析结论，比如差异性分析、影响因子、新品定价、视觉体验等，并将模型分析结果同步至仪表盘。

2.3.2 技术赋能

以NLP为核心，ASR、OCR等技术为支撑，可以帮助企业构建一个具备多模态识别和分析能力的人工智能系统，实现对多种数据形式的全方位理解和分析，为企业分析文本、语音、图片等多模态的体验反馈数据：

①自然语言处理（NLP）

用于分析文本数据，包括对情感、主题和关键词的识别、命名实体识别、语言翻译等。常用的技术包括文本分词、词向量表示、情感分析、主题模型等。

②自动语音识别（ASR）

用于识别转化语音数据，包括识别语音内容、情感识别、说话人识别等。常用的技术包括语音识别、情感分析、说话人识别等。识别的内容输出可以作为NLP模型的输入进一步分析。

③计算机视觉（CV）

用于分析图像和视频数据，包括图像分类、目标检测、人脸情绪识别、视频配音识别（ASR）、视频封面文字识别（OCR）等。在体验分析场景下，情绪和识别出的文字内容可以直接作为NLP的输入，作为度量声量和体验的来源数据。

④类GPT等AIGC（AGI）大模型技术的运用

自2022年底OpenAI发布ChatGPT以来，这项通用AI能力迅速破圈，成为自然语言分类、处理及生成领域的里程碑和标志性事件。被个人及企业用户广泛应用于聊天机器人、虚拟助手、智能写作、代码生成等领域，成为热门的生产力工具，也为体验数据分析的范式升级提供了重大助力。

在文本相关领域，GPT大模型可以为问卷设计、机器人客服、开放文本的话题情绪分析等相关应用场景直接赋能，并支持上传私有数据集，来训练私有模型，以更好理解企业自身业务场景。在GPT4及Plugin插件市场发布后，图片、语音、视频等多模态能力和各类外部应用能力的陆续接入，也弥补了基础模型不能获取最新信息的短板。随着大模型能力的深入，可以预见在如下领域，都会带来全新的产品能力与使用体验：

问卷及内容生成

对于各行业及应用场景的常规体验调研问卷，头部大模型已经能够根据提示词生成总体可用的底稿版本，用户只需在此基础上修改完善，补充相关逻辑及图片等视觉要素，即可完成一份问卷设计。甚至图片等要素也可以直接通过AI生成。

除问卷外，在CEM体验管理场景中，还有大量零星的内容总结及生成场景，比如投放文案、一对一的反馈回复、旅程或报告小结等，都可以借助大模型能力，实现高效个性化的内容生成。

文本情绪或情感分类

在情绪归类和情感分类方面，传统小模型需要经过「建模-人工标注-训练-优化-运行」的过程才能实现。而大模型在没有文本标注及训练的情况下，就可以直接开展多话题+多情绪的文本分析，极大提升工作效率。

对话式数据分析

连续、高质量的对话交互是大模型带来的全新体验，无论是内容生成，还是可视化数据分析，都可以充分利用这一新的能力，作为常规分析方式的有效补充。

多模态体验数据识别

对于视频、图片、语音等，大模型的多模态能力极大拉低了多模态的部署、上手门槛，并大幅提升产出质量。

借助大模型，视频、图片、语音都可以被快速地处理成结构化的文本，这也使得全渠道、全媒体体验数据的结构化处理变得更为简单。

多语言体验数据

大模型内置的多语言能力，将免去分语言建模和翻译的苦恼，使得多语言的处理变得更为简单。

公域舆情类数据采集

除了人工智能生成和分类相关的能力，plugin等三方应用接入机制为用户提供了几乎各种类型的延伸能力，比如社交媒体、电商评价等各类与客户体验紧密相关的数据采集能力，这将极大拓展传统CEM产品的信息获取方式和能力边界，甚至重新定义CEM产品本身。

在线调研样本获取

大模型的仿真模拟和对话能力，可以提供无限量的人工智能样本库，满足各式各样的人群标签要求，并给与百分百的响应率和足够理性的答案，甚至高于真人对话质量。但这种有违传统研究伦理的模式，是否能为业界接受，是一个较大的挑战。

2023年3月开始，百度、阿里、360等国内厂商也陆续推出自己的大模型，包括各类开源和闭源模型。据不完全统计，截至8月底，国内厂商推出的大模型产品及解决方案已近100个，涵盖文本/图片/语音/视频的处理、生成等大量应用场景、交互方式和模态。并且，不少大模型还支持用户使用私有数据集再次调优。

由此可以预见，此类大模型能力的优化和普及，将有效助力多模态体验数据的采集、处理及分析，拉低整体的技术门槛，提升应用效果和效率。