随着峰终定律及宜家的客户体验地图在各行各业的普及，基于客户在体验过程中的及时反馈所呈现出来的阶段、触点、满意度和其它监测指标，帮助很多企业在识别客户的核心痛点、业务应用和服务环节切入的过程中成为价值提升的一项关键措施。
然而该方法也存在一定的局限性：客户样本有限，同时，作为事后调研，该方式在及时干预方面的作用也有待提升。
如何进一步升级客户体验监测体系已成为领先企业进行体验管理的重要议题。与此同时，随着数据生成、聚合与分析能力显著进步，洞见挖掘领域正发生巨大变革。如今，各个公司都可以获取各种各样的数据集：客户交互的内部数据、交易和个人资料。再加上广泛可用的第三方数据集，涵盖客户态度、客户购买行为与偏好以及数字行为，包括社交媒体活动以及各个行业的特定数据，如通过物联网（IoT）设施设备产生的有关客户健康状况、态度和位置的新数据集（例如空间的位置数据）。上述海量数据的聚合与分析已经为各个业务领域带来了重要机会：
在客户体验方面，该类互动数据能够有效预测客户满意度以及客户留存、流失或增加业务使用的概率，成为传统调研方式的有力补充。具体而言，预测性分析可以直接在三方面升级对客户体验的监测体系：
1、更精确的体验洞见：典型的客户体验调查抽取约7%~10%的客户样本，在客户代表性方面可能出现偏差。预测性分析方法所采集的数据则可覆盖全量客户，在保证全面性的同时，甚至可提供1对1的个性化分析。
2、前瞻性干预：客户希望快速解决问题，而调研作为事后工具，其局限性在所难免。预测性分析可通过整合大量行为数据，预判客户可能出现的情绪和行为，从而更及时地推送线索，避免价值损失。
3、与业绩紧密挂钩：基于调查获得的客户体验得分与业务成果之间的相关性非常重要，通过将其与运营数据进行比较分析，判断业务成效，但缺乏更直接的证据。对此，基于数据的分析方法可通过大数据引擎，更直接地将客户态度与购买行为进行连接，从而生成业务结果导向的客户洞见。
针对上述机遇，利用可得数据获取有价值的洞见，借助这些洞见触发客户体验预警并指导改善客户体验逐渐成为企业客研的首选方式。而预测性客户体验平台正是这种洞见的核心。该平台由三大要素组成：
1、客户级数据湖
首先，公司收集客户数据、财务数据和运营数据，包括聚合数据和单个客户数据。随后，对数据进行处理并将其存储在云平台。综合、互联以及动态的客户级数据集让公司可以在交互、交易和运营等各个维度梳理并跟踪客户行为。
而传统的客户调研仅能反映过去某个时点部分客户的观点和情绪，这些丰富的数据集则包含全部客群并覆盖完整的客户旅程，能有效揭示出引起客户体验绩效变化的根因。
数据湖是充分了解客户体验的基础，该平台需要面向全组织开放，且所有数据源的映射关系应清晰一致，客户、产品线和其他关键业务输入来的信息要锚定各自的特定标识。
2、 预测性客户评分
公司通常会使用一些机器学习算法进行数据分析，以便了解和跟踪影响客户满意度和业务绩效的因素，并检测客户旅程中的特定事件。
这些算法根据客户体验流程为每个客户进行预测性评分，基于评分预测每个客户的满意度和相应的价值，例如收入、忠诚度和服务成本。更大范围来看，还可以评估某项客户体验投资的ROI，并将客户体验计划直接与业务结果挂钩。
3、 行动与洞见引擎
通过应用程序API接口，能在更大范围内与员工（包括一线销售经理等）共享信息、洞见和建议，并能够把信息输送到其他平台，一线人员将收到提示和通知，从而采取措施提供个性化客户体验或者改善客户体验。
API层将作为统一的数据来源，为基于数据湖和客户评分的推荐引擎提供动力。与基于线下问卷调研的体系不同，借助员工和数字化界面，预测性平台可及时提供洞见并衡量和管理客户体验绩效，做出新的战略举措或改善现有决策。
借助该系统，客户负责人能准确、量化的了解影响客户体验和业务绩效的因素，通过将客户体验与业务价值相挂钩，建立改进客户体验的明确业务逻辑，获得每名客户满意度和价值潜力的全面视图，近乎实时地采取行动。
而将数据转化为洞见与行动，有四个关键步骤：
1、转变观念
转型不可避免会带来挑战，包括对团队和客户体验观念上的挑战。
客户负责人可能会认为预测性系统不在其职权范围内，而是IT部门或数据团队的职责。但时代不断变化，客户体验负责人需要关注数据，正如他们之前关注客户体验评分一样；还有一些人可能认为公司已经对一些关键绩效指标进行了分析。
客户负责人的角色正在变化，他们应重塑自己在组织中的定位。当被问及当前系统面临的最大挑战时，一位首席客户增长官回答：“提到客户体验，人们往往联想到市场营销，而非技术。”但这种情况正在改变，越来越多的公司已经启用预测性分析。
2、 打破孤岛，建立跨职能团队
客户体验常犯的一个错误就是在公司内部自建孤岛。 在这个过程中不仅需要与其他部门加强合作，如运营、营销、财务和技术等部门，各职能部门高管间的沟通对于建立有效的数据支撑和管理也是至关重要：数据团队负责编写算法；客户服务团队应负责提供数据和期望制定战略方向和策略，确保获得利益相关方认同是扩大成效的关键。
3、 从核心旅程数据集入手，边建设边提高准确性
大多数B端企业都面临数据质量低、可用数据不足的挑战，如果没有数据，转型就无从开始。好消息是即使数据不够完美，依然可以从基本的客户数据入手：
首先是收集单个客户的业务数据，再结合客户资料进行完善。
再就是跨职能团队一起讨论、创建详细的流程分类，并且要涵盖影响客群满意度的全部因素。
可以利用穷尽法生成假设，将新的可衡量属性纳入到预测模型中。这些属性（在机器学习中被称为数据特征）可以是数字性质。团队成员都要知晓在机器学习模型中哪些特征更为重要，并将其与前面提到的假设进行比较，便能识别数据可能存在的不准确或不完整之处，并相应地调整数据获取策略。
如果某些特征的数据不存在，可以探索获取新的数据集，或应用新的工具生成所需特征（例如使用物联网传感器捕捉物理环境中的客户交互数据）。随着机器学习算法不断处理更多数据，数据集将变得更加强大稳固。
最后，可以将客户体验流程中不同来源的数据进行整合，包括微信往来文件、线下会议纪要、第三平台来的数据、社交媒体IoT设备等。 在遵循网络信息安全法的条件下，收集、存储和使用。在开展分析之前，应对所有身份信息进行加密和匿名化处理。并定期进行风险审查。
4.、聚焦能够快速产生价值的用例
由数据驱动的预测性系统能让客户体验与实际业务价值挂钩。在早期，企业应清楚如何应用预测性系统生成的洞见， 并聚焦短期能创造回报的用例，这点非常重要。
通过审视当前客户体验流程中的主要机会点或痛点，以直接影响客户的忠诚度、服务成本、交叉销售和追加销售行为，思考预测性系统如何创建新的解决方案或增强现有解决方案的。
如通过衡量客户生命周期和最近一次合作流程来确定优先级较高的客户，为不满意不高的高潜在价值客户分配最适合的服务团队。聚焦这类用例，深入洞察客户需求，优化客户体验，从而赢得竞争优势。
网友评论