不必每天追问“你有多爱我?”用数据测量企业和用户的恋爱关系


想象早上起床,叫了早餐,外卖小哥诚恳要求你打个好评,接着上了滴滴,APP询问车内是否有异味,下车后又再询问这次出行1-5颗星打几分,同时手机跳出一封未读邮件,打开一看是苹果发来的顾客推荐度问卷…… 大家对上述的情境可能并不陌生,近年来,有越来越多企业开始注重顾客关系,纷纷通过NPS(净推荐值,Net Promoter Score)或其他指标来评估顾客的满意度或忠诚度,因此顾客在日常生活中越来越频繁地收到NPS问卷,内容也随着企业想知道的越来越多而变得复杂,发展至今,企业面临回答率以及有效性降低的困境。

 

想知道顾客爱不爱你,不需要再开口问了

问顾客推不推荐?NPS打几分?5星好评或差评? 藉此知悉顾客并获取反馈的方式正逐渐过时。亚马逊作为一个互联网零售界巨头,全球Prime会员数超过1亿,通过搜集会员每天在平台上产生的各类数据,并进行处理及分析,亚马逊不用再问顾客,就可以知道什么样的产品或体验会让顾客开心推荐?什么样的服务会让顾客忠诚、愿意回来消费?

 

 

举例来说,通过大数据分析,亚马逊发现顾客很有可能会为了更快拿到商品而转向其他竞争者平台,为了解决这个问题,他们通过演算法预测出顾客可能会购买哪些产品、什么时候会下单、又会在哪里取货,事先将这些产品送到当地的物流中心或仓库,一旦顾客下单,就可以在最短的时间内送达,创造更好的体验。

通过如同上述的进阶分析模型,亚马逊实时掌握顾客每次消费的体验及未来行为,创造让顾客超出期待的意外惊喜、感动体验,帮助亚马逊累积了大量忠诚顾客以及惊人销售业绩。

亚马逊的案例给了我们一个窥视未来获取顾客反馈的方法:在数字化的时代中,企业比起过去拥有更庞大多元的数据,若能够系统性地采集与顾客交互过程中的各类行为数据,进行有效地分析、预测,即便不问顾客,也可以甄别出顾客是推荐者还是批评者,在某次体验中是满意还是生气,如此一来,便能够事先采取行动,更有效率地提升顾客体验。

 

极致的顾客体验,你需要更多更实时的数据

在这样的趋势下,企业纷纷设法导入更多科技和指标去搜集顾客信息,面对这些持续积累的大量数据,能够分析处理数据并进一步产生洞察的「顾客体验预测分析模型」在市场上扮演了至关重要的角色。

根据贝恩公司所做的《2018顾客体验工具和趋势》报告,“顾客体验预测分析模型”被全球企业视为最重要,也是被最广泛使用的工具。接下来将列举三种常见的进阶分析方法:描述性分析、预测性分析、指示性分析模型,并深入探讨不同分析方法如何协助企业改善并创造更好的顾客体验:

 

 

1. 描述性分析(Descriptive Analytics)

大家对描述性分析应不陌生,操作SEO/SEM一定会用到的数据分析工具,百度统计、百度推广都属于描述性分析。藉由分析过去与顾客交互的各类数据,描述性分析可以告诉我们过去发生了什么事以及为什么会有这样的结果,让我们从中学习经验和教训,做为未来的决策依据。

意大利一间运营超过1世纪的大型零售业者SAIT便通过描述性分析模型,实现店面的体验优化。该业者在店面装设了14个传感器,收集各类顾客信息,包含顾客人数、人潮时间变化、顾客行为路径、各点停留时间等等,据此更弹性且实时地调整店内资源分配或是商品摆设。譬如说,分析后,发现晚上9-10点会有极大的结账需求,便在该时段集中人力支持柜台,再譬如说,根据顾客行为路径与热区分布,将热销商品摆到顾客触手可及的地方。

通过历史数据的蛛丝马迹,描述性分析能帮助企业找到体验断点,如同上述案例,在实体店面购物时,顾客最大的痛点往往是排队、找不到商品等,因此,企业便可以对症下药,即使地甚至是预先地采取行动,有效提升顾客体验。

 

2.     预测性分析(Predictive Analytics)

预测性分析自描述性分析演化而来,利用大量的历史数据,结合机器学习技术,预知顾客的经验和感受,甚至是下一步行动。若预知顾客可能会变成批评者,便可以事先进行干预、采取补救措施,以确保顾客体验的质量。

航空业者JetBlue便结合描述性及预测性分析模型优化乘客的搭机体验。JetBlue自公司内部、机场以及第三方平台如社群、购票网站等不同渠道,搜集顾客反馈,包含问卷填答、客服进电纪录、Email意见回馈、社群媒体评论等等,并通过人工智能进行文字及语意分析,针对乘客当下的情绪及感受,即时地提供所需要的服务,以创造最佳体验。

 

 

例如,经由分析,JetBlue预知抵达费城机场的乘客推荐度可能会下降,便事先展开调查研究背后原因,发现费城机场的商店营业时间短,太早或是太晚抵达的乘客经常饿肚子,转机的乘客也无法吃东西打发时间,因此JetBlue便采取应对措施,在乘客抵达前提供饮水及零食,不只减少了批评者的产生,更让顾客感到JetBlue的贴心周到,而产生好感,进一步成为推荐者。

 

3.     指示性分析(Prescriptive Analytics)

指示性分析由预测性分析演化而来,凭借过去的活动、当下的情境以及趋势等数据输入,通过机器学习自动优化产品及服务,创造好的顾客体验。最常见的应用案例就是智能化推荐。智能化推荐引擎结合描述性分析(顾客过去的个人数据如包含浏览过的页面、买过的商品),以及预测性分析(市场上的产品分类以及顾客属性推断),给出个人化的推荐商品清单,帮助企业创造更好的顾客体验。

随着人工智能和物联网数据的科技不断发展,机场的顾客体验也正在革新。亚洲某间大型机场曾经与世界上多数的机场一样,安检大排长龙、指示牌难懂找不到登机口、餐厅厕所人满为患,候机楼也总是乱糟糟,各种问题和低效率降低了机场体验,也酝酿了乘客的不满和抱怨,这样的结果导致乘客不愿意选用该机场,航空公司也因此减少航班,遭致几百万美元的损失。

于是该机场为了改善顾客体验,导入指示性分析模型,从各个设施采集顾客数据、进行分析,并采取实时的干预行动,以减少甚至防止问题发生。具体做法包含通过传感器和摄像头采集在候机楼/登机口等不同位置的人流数据,并结合控制塔的天气数据和航空公司的航班数据,预测哪一台飞机会提前到达、知道哪些乘客需要提前登机、应该开启哪个登机口对乘客来讲最便利,如此一来,便能够对机场人力资源、硬件软件设备进行管控。譬如说,自动打开最靠近中转飞机的登机口、调度航空人员与乘客进行沟通、通知有关工作人员支援餐厅或洗手间,这些所有行动都是实时的,无须人工干预。

通过这样的方式,不需要增加额外的人力成本,却可以大幅提升机场效率,在顾客对体验期待越来越高的今天,为该机场创造了极大的机会,不仅与其他机场的服务产生区隔,更大幅提升了乘客满意度及忠诚度。

 

用大数据,让顾客更爱你

通过大数据洞悉顾客旅程,并找到切入点进行体验优化,需要长时间的布局规划,如同潜水,必须先从游泳开始。

要建立数据驱动的用户体验必须要先了解哪些数据是值得收集的,因此第一步企业必须从定性调研开始,包含梳理用户分群、描述用户画像及打造用户旅程,这些定性输入可以帮助企业找到影响NPS的关键要素,作为数据采集的指标及方向。

接下来才能进一步建立数据收集的工具,譬如线上埋点应该埋在哪里,那几个页面必须收集页面阅读时间,线下哪一些场景可能需要传感器,或产品是否加上智能化功能同步所有使用情况到云端进行分析,如此一来企业便能追踪顾客交互过程中产生的数据和反馈,并通过分析及建模输出洞察,获取体验优化方向及建议,与商业目标产生链接。

 

建立NPS数据监测系统,对企业来说并不是一蹴可几的事情,但是在顾客需求不断碎片化、复杂化的时代中,企业唯有持续演化获取顾客反馈的能力,才能够精准掌握顾客需求、洞悉顾客内心,如同上帝一样,不需要问就懂你的顾客在想什么、在做什么、需要什么,更灵活地去迭代、优化,这才是未来企业的成功之道。