聊聊CLI:一个比NPS更全面、客观的体验指标

文章探讨了NPS的局限性,介绍了CLI(客户忠诚度指数),它结合了净推荐值、复购意愿和交叉购买意愿,为企业提供更全面的客户忠诚度评估。OptimalHR和Capillarytech强调了CLI在量化客户情感关系和预测客户行为中的价值。企业需定期测量并根据自身情况调整策略以提升客户忠诚度和业绩。

说起NPS(Net Promoter Score,净推荐值)大家一定不会感到陌生,它被誉为客户体验管理(CEM)领域的黄金指标,以“衡量客户忠诚度”而受到大家的认可和追捧。


然而,随着时间的推移和各行业的快速发展,开始有批评者认为,将NPS作为衡量客户忠诚度的单一标准,是远远不够的。


或许是为了应对这种质疑,NPS踏上了进阶之路,从之前介绍过的 NPS 3.0,到今天要讲的CLI。不得不说,客户体验测量正在变得更加全面和客观:


什么是CLI?


CLI是Customer Loyalty Index的缩写,译成中文是“客户忠诚度指数”


作为NPS的进阶版,CLI既包含了NPS,又超越了NPS。为什么这么说呢?因为它不仅测量了净推荐值,还追踪了客户的复购和交叉购买意愿:

图片来自于网络

• How likely are you to recommend us to family or friends? 

您向家人或同事推荐我们的可能性有多大?

• How likely are you to buy from us again?

您再次向我们购买的可能性有多大?

• How likely are you to try our other products?

您尝试我们其他产品的可能性有多大

如图所示,要想计算CLI,我们需要上述三道题目,使用6点量表,包括从“1”到“6”六个选项。“1”代表非常可能,分值100;“6”代表非常不可能,分值为0。

而上述三道题目的平均得分就等于CLI指标得分。举个例子,假设三道题目的得分分别是60、80、40分,那么你的CLI得分则为60。

使用者们对CLI的评价:

大型人力资源服务机构Optimal HR指出,CLI是一个综合指标,它将几个变量以标准化的方式组合在一起,以定量方法描绘出客户与品牌/企业之间的“情感”关系,为追踪客户变化、制定增长策略提供了有力的数据支撑。

图片来源于Optimal HR

亚洲领先的CRM公司Capillary tech也表示,CLI能够帮助我们更全面地测量客户忠诚度,以及更有效地预测客户未来留存。因此,他们建议,企业应以一种合适的频率,定期地测量CLI。

指标不断升级的背后,

是愈发受到重视的客户忠诚度

除了NPS、CLI,还有客户终身价值(CLV)、经常性收入(MRR)、客户流失率(Customer Churn)、客户留存率(Customer Retention)等多项指标不断地被归纳到“测量客户忠诚度”的范畴里。
 

而这反映了企业十分重视客户忠诚度,并希望找到一种既有效又准确的方法来测量它。据了解,一些机构会定期地推出“区域性”或“不同行业”的客户忠诚度调研报告。比如SAP Emarsys——SAP旗下的企业营销平台,在过去的三年里,每年都会发布一份名为“Customer Loyalty Index”(中文译为《客户忠诚度指数》)的报告。
 

在最新一期的报告中,Emarsys指出,全球消费者的忠诚度出现了显著下降,这无疑给众多企业敲响了警钟。
 

图片来自于《客户忠诚度指数2023》
 

再比如,品牌评级机构Chnbrand每年都会发布一份中国顾客满意度指数 (C-CSI) 品牌排名和分析报告。与Emarsys的相比,这是一份“更适合中国宝宝体质的”客户忠诚度报告。它会根据中国市场的细分行业进行调研与分析,颗粒度也更细。
 

截图自Chnbrand官网
 

然而,报告只能提供参考价值。企业还需要时刻关注自己的客户忠诚度,结合自身的目标和实际情况,制定更贴合的方案与策略,才能达成客户忠诚度与营业额的双重提升。


体验家助您随时随地轻松掌握客户忠诚度,通过覆盖全流程的客户旅程与客户画像,多指标(支持NPS、NPS 3.0、CLI、客户满意度、客户费力度等)的测量与分析,清晰、详尽的BI看板,还有及时、精准的预警功能,帮助企业更稳定、更全面、更专业地管理并提升客户忠诚度,落实高品质产品与服务,推动企业降本增效,实现以体验驱动的可持续增长。

参考资料:

1. How to Measure Customer Loyalty In SaaS: 10 Important Metrics to Track and Improve

2. How to Inspire, Measure, and Improve Customer Loyalty

3. Customer Success Glossary

4. Measuring Customer Loyalty: 5 Ways To Track It

5. Customer Loyalty  Index 2023

6. Chnbrand官网

作者:樊佳莹

基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)内容概要:本文档围绕基于遗传算法的异构分布式系统任务调度算法展开研究,重点介绍了一种结合遗传算法的新颖优化方法,并通过Matlab代码实现验证其在复杂调度问题中的有效性。文中还涵盖了多种智能优化算法在生产调度、经济调度、车间调度、无人机路径规划、微电网优化等领域的应用案例,展示了从理论建模到仿真实现的完整流程。此外,文档系统梳理了智能优化、机器学习、路径规划、电力系统管理等多个科研方向的技术体系与实际应用场景,强调“借力”工具与创新思维在科研中的重要性。; 适合人群:具备一定Matlab编程基础,从事智能优化、自动化、电力系统、控制工程等相关领域研究的研究生及科研人员,尤其适合正在开展调度优化、路径规划或算法改进类课题的研究者; 使用场景及目标:①学习遗传算法及其他智能优化算法(如粒子群、蜣螂优化、NSGA等)在任务调度中的设计与实现;②掌握Matlab/Simulink在科研仿真中的综合应用;③获取多领域(如微电网、无人机、车间调度)的算法复现与创新思路; 阅读建议:建议按目录顺序系统浏览,重点关注算法原理与代码实现的对应关系,结合提供的网盘资源下载完整代码进行调试与复现,同时注重从已有案例中提炼可迁移的科研方法与创新路径。
【微电网】【创新点】基于非支配排序的蜣螂优化算法NSDBO求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文提出了一种基于非支配排序的蜣螂优化算法(NSDBO),用于求解微电网多目标优化调度问题。该方法结合非支配排序机制,提升了传统蜣螂优化算法在处理多目标问题时的收敛性和分布性,有效解决了微电网调度中经济成本、碳排放、能源利用率等多个相互冲突目标的优化难题。研究构建了包含风、光、储能等多种分布式能源的微电网模型,并通过Matlab代码实现算法仿真,验证了NSDBO在寻找帕累托最优解集方面的优越性能,相较于其他多目标优化算法表现出强的搜索能力和稳定性。; 适合人群:具备一定电力系统或优化算法基础,从事新能源、微电网、智能优化等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于微电网能量管理系统的多目标优化调度设计;②作为新型智能优化算法的研究与改进基础,用于解决复杂的多目标工程优化问题;③帮助理解非支配排序机制在进化算法中的集成方法及其在实际系统中的仿真实现。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注非支配排序、拥挤度计算和蜣螂行为模拟的结合方式,并可通过替换目标函数或系统参数进行扩展实验,以掌握算法的适应性与调参技巧。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值