3 客户体验分析的实例

在数字化赋能的客户体验时代，客户体验分析依赖于数字化的支持。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。而客户体验分析工具正是数字化客户体验管理的技术底座。

这一节，我们将以倍市得CEM内置的数据统计洞察工具SPSSPRO在银行业的应用为例，来看客户体验分析工具的应用是如何赋能体验管理。

3.1 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：

资料来源：倍市得

观察总体NPS值以及各个环节满意度的变化，特别注意出现满意度明显下降的环节；
通过问卷收集客户反馈，分析该环节的问题集中出现在什么方面，例如在客服咨询环节，有超过30个客户反馈客服响应速度慢；
统计各个环节出现的问题，并根据问题反馈的数量来判断其严重性，并将工单分发到各个主管部门去解决客户问题；
在下一个周期观察客户体验指标是否有提升，结合客户反馈来评估优化效果。

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，因此无法评估各个优化措施的优先级；
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。

3.2 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。

SPSSPRO作为倍市得CEM的内置工具，意味着企业不需要去生成几十个副本数据，且把数据导入导出。通过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。

SPSSPRO可以让企业使用最先进的数据分析算法和模型，而且数据经过分析后可以直接返回企业的业务系统，例如ERP、CRM、BI等，无需新增或改变企业原有IT流程。

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，这意味着我们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SPSSPRO进行建模及数据分析后，企业可以获得一些直接的提升：

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。

以该手机银行APP的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）：

资料来源：倍市得

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。

资料来源：倍市得

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……

数据来源：倍市得

将数据简单拖拽到SPSSPRO的对应位置，系统会自动输出回归模型的分析结果，轻松完成对整个客户旅程的量化分析：

显著影响因素

「营销信息 - 信息是否清晰」是非常显著的影响因素，而「咨询购买 - 购买指引是否清晰」也值得关注。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

「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。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）。

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。

3.3 从宏观分析到微观管理

客户全旅程指标建模方法为该部门提供了宏观分析的视角，优势如下：

宏观视野

站在客户的角度来看，在手机银行APP上购买理财产品是一个完整的流程，不同客户会认为不同环节有不同的重要性。如果仅从单一环节去分析，则每个环节出现的问题都有同等的重要性，都要投入资源去解决，难以排定优先级。借助客户全旅程指标建模，可以科学排定整改的优先级。

节约资源

企业在改善各个环节的客户体验时都需要投入资源，有人力资源，有资金预算。

在日常管理中，该部门以往发现客户对“客服反馈效率”的满意度偏低，而且每个星期都有超过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。

而在运用以上分析建模方法后，该部门发现，「营销信息 — 信息是否清晰」才是提升客户满意度的重要环节。进一步挖掘发现，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。

量化评估

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，可以评估改善手段是否有效。

3.4 主客观指标融合建模

正如前文介绍过体验分析的“主观数据”来源和“客观数据”来源。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，该团队通过将“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，提高了决策的准确性和可靠性。

资料来源：倍市得

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。

数据来源：倍市得

模型解析

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。XGBoost模型具有较高的预测性能，但由于它是一种集成模型，包含多个决策树，因此其结果的解读相对较复杂，主要通过特征重要性来解读。

特征重要性

特征重要性是解读XGBoost模型结果的一种常用方法，XGBoost能够输出每个特征在模型中的重要性，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。

数据来源：倍市得

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。

主客观指标融合模型提供了一个新的视角，帮助该团队将客户体验和客户行为结合起来，识别关键触点，进一步细化并提升完整客户体验。

3.5 总结

客户旅程指标量化建模方法为客户体验管理提供了新的思路：

提高决策准确性

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。

提高决策效率

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。

提高企业竞争力

采用数据驱动的客户体验管理决策可以帮助企业迅速识别客户需求，更快适应市场变化，从而提高企业的竞争力。