客户体验的度量和分析一直以来就是企业管理的重要标志，那么客户体验工具的应用是如何的？是否是智商税？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。

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。

一、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。

二、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……

通过客户体验管理系统后台将数据拖拽到数据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：

1. 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。

2. 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。

3. 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。

三、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。

四、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！