客户体验管理的四类数据及其融合

客户体验管理的数字化，已经被越来越多的企业提上日程。而如今企业在数字化过程中面临的主要问题不是“没有数据”，反而是“数据太多”。在浩如烟海的数据库中，我们应当如何找出和客户体验相关的数据，并且以贴合业务的方式进行组合以及应用？
 

在过去6年中，体验家接触过不同行业、不同需求的客户，在和他们的互动中，我们总结出体验管理最常涉及的四类数据，用“态度——行为”、“结构——非结构”两个维度，分成四个象限来展示。
 

图1

一、态度数据

我们先从图1中二、三象限的“态度数据”说起。在另一篇文章中《客户体验数据收集难？这么做就对了！》，我们已经系统的阐述过，客户体验是一种主观态度，获取它的方式只有一种，就是问卷。

首先是体验反馈问卷。
 

体验反馈问卷是指在客户选购、支付、确认收货等关键节点，通过APP/网页弹窗，或者微信服务号模版消息、短信等，询问客户对刚刚结束的场景的体验。

以我们日常使用的打车软件为例，如果因为某些原因取消用车，平台就会马上引导客户填写一份体验反馈问卷，询问他们取消服务的原因。

在体验反馈问卷中，我们通常使用量表题和单选题等形式，这些题目设置了固定的值域和限定数量的选项，所以数据是结构化的。而客户不用车的原因有很多，无法通过行为直接观测，所以是需要询问客户的主观原因，因此属于“结构化的态度数据”。
 

另一类态度数据是电商点评。

电商点评是指用户在电子商务平台（如亚马逊、淘宝、京东等）上对所购买的产品或服务进行评价和打分。这些点评通常包括文字评论、评分、图片上传以及视频展示，用于分享用户的购买体验、使用感受和满意度。

电商平台为了优化自身的用户体验，会对用户进行问卷调查：用户在每次网购确认收货后，都会被跳转到一个评论页面。因此，电商评论本质也是问卷，它是由淘宝、京东等电商平台代替品牌发送的。从根本上说，这些评论数据的所有权归属于电商平台而不是品牌。电商平台将评论置于商品之下，用以增加信息的透明度，提升用户体验。所以品牌需要利用爬虫技术将店铺上展示的问卷内容爬取下来进行分析。目前一些平台也开始提供付费的接口，供品牌方直接导出评论，省去了爬虫这一步骤。
 

 

「体验反馈」与「电商评论」两者区别：
 

这两种体验均源于客户在消费过程中及使用产品之后，对品牌所提供的产品与服务产生的个人感受和认知，都属于主观态度数据。

不同之处在于体验反馈多用于品牌方拥有私域，能把自行设计调查问卷发送至客户手中。因此，品牌方所提问题更加贴合品牌的产品特性与业务流程，分析的价值较高，对行动改善的指向性较强。电商平台则是抓取用户在商品下的开放式评论，这部分数据由于没有问题的引导，能够捕捉到一些意料之外且超出预设框架的洞察，可能成为产品和服务创新的来源。然而，这种方法的局限性在于品牌无法通过问题来引导客户对自己关注的方面进行评价，大量的评论可能过度集中于物流、包装等对用户体验提升价值不大的维度，导致数据分析过程中存在较大的噪音。
 

另外，由于平台对用户隐私的严格保护，品牌方面在获取消费者的联系信息及真实身份方面面临一定难度。这就导致电商评论的分析仅能局限于对应购买产品的范畴，无法结合客户的其他标签进行更深入的挖掘。这一点我们将会在稍后讲到。

二、行为数据

图1中第一、四象限的”行为数据“也可以分为两个子类。一类是交易运营数据，

交易运营数据主要是指和订单、运营相关的信息，例如交易金额、购买的SKU和品类、线下购买时的门店等等，这些数据也可以按照客户的ID进行加总，形成历史购买金额、最常购买门店等加总数据。

这类数据可以通过POS、ERP、CRM等数据平台中获得，这也是企业经营过程中积累最多的数据。我们之所以称之为“行为数据”，是因为只要企业有相应的数字化建设，那么一次购买行为必然会产生一组数据，并且都是“结构化”的。
 

另一类是点击行为，

点击行为，顾名思义，就是客户在网页、APP、小程序上的单个或者连续的点击行为。

这类数据可以通过一些埋点工具来获取，且是非结构的，因为客户在一个页面可能的点击行为有很多，跨页面的点击行为会更加的复杂。一般来说，埋点工具会生成一些基本的图表和数据统计，例如在线时长、跳出率等，来衡量客户的体验。

 

上述四类数据在实际应用中会因行业、主管部门而变化。例如点击行为数据对于互联网和软件公司来说，是监测客户体验的重要来源。而对于零售、O2O服务行业来说，实时的问卷反馈才是核心数据。
 

三、数据的融合

2018年，ERP巨头SAP收购体验管理平台Qualtrics，提出了一组全新概念，即以客户主观态度为核心的X-data （Experience）和以交易运营数据为核心的O-data（Operational）

在体验家服务的众多客户中，我们最常见的组合X+O的数据组合，是通过客户的ID将体验家CEM收集的客户体验反馈和订单系统+会员系统中获得的交易运营数据结合，进行交叉分析。
 

如图，当数据积累到一定阶段，我们可以用

• 品类﹡满意度，对比出哪个品类最受欢迎

• 门店﹡满意度，对比出不同门店的服务水平
 

我们还可以通过筛选“满意度高”的“非会员”，然后向其发送加入会员的邀约，由于客户的满意度较高，对品牌的信任度更高，也就更有可能被转化。比起在没有满意度情况下对所有会员进行盲目的邀请，这种方式显然更加经济和准确，也可以聚集有限的权益资源，给重点对象施以更多的优惠。

为什么通过埋点获得的点击行为数据很难和上述两类数据结合？

主要是因为行为数据只有加总分析才有意义，个人单条数据分析的难度很高，价值很小。埋点技术生成大量行为点击数据，如点击、滑动、页面停留时间等。单个用户数据分析需要对这些数据进行清洗、整合和分析，技术和计算资源要求极高。

另外，点击行为中有许多无意识的非规则行为，单个用户行为受多种因素影响，如个人偏好、外部环境、时间段等，行为模式不稳定且多样化，难以进行可靠的模式识别和预测。
 

最后，单个用户数据容易受噪音和异常值干扰，如偶然点击或误操作，处理这些干扰需要复杂算法和大量手工校正，增加分析难度。
 

因此，我们极少见到把客户的点击行为数据和ta的购买记录、NPS合并分析的。这并不是说行为点击数据没有价值，而是它更多是自成一体，依靠专业的工具进行单独的分析。

为什么通过爬虫获得的电商点评很难和上述两类数据结合？

因为体验问卷和订单数据是“私域数据”，是客户通过自己的线下门店、线上独立站获取的，客户和数据都属于品牌。而客户虽然在品牌开设的电商平台的旗舰店买了东西，但客户不属于品牌，客户属于平台。
 

基于个人信息保护法的缘故，电商平台爬取的数据，无法获得真实的个人联系方式等信息。在没有唯一ID的情况下，无法将其进行全渠道数据的打通。因此电商点评一般也作为一个独立的数据源被分析，无法和私域的会员信息、问卷信息打通。

四、结语

对于大的企业来说，经常是上述四类数据都在用不同的数据采集，且在不同的部门分管。而企业往往怀着“大一统”的心态，希望能够通过数据中台，构建一个所有体验相关的数据融合在一起的状态。体验家认为这是不可能也不可取的。相对合理的状态是，行为埋点数据作为单独的数据源，对APP、网站等数字化触点进行管理。而电商点评则应该归属于电商部门独立分析。如果企业有比较大的私域，则应该把实时的体验反馈和订单数据进行结合，作为一个独立的数据源进行分析。

三个独立的数据集，可以在加总的层面上进行决策分析。例如点击行为数据分析出客户浏览页面时间较长，但并没有将商品加入购物车。而体验问卷通过在浏览时间过长后跳出问卷询问原因，得出“找不到想要的商品”是集中度较高的选项。那么企业就应该对搜索页面的流畅度、搜索的准确性、推荐的匹配度进行优化。
 

体验家认为，研究的设计大于盲目的数据，数据的质量决定观点的力量。尤其是大企业进行客户体验管理的项目，不仅需要从业务的角度出发，更需要从业务的角度去设计数据结构，了解不同数据来源和类型的优势和缺陷，结合企业自身的数字化水平，做出一个“可用性较高”的系统，而非一个“数据冗余，建好了但用不起来”的系统。