CEM不只有可視化，還有更懂你的數據模型

這波疫情的反撲，對不少企業業務的影響還在持續。借此機會，也讓我們重新思考客戶服務的含義，審視企業的核心競爭力，對客戶旅程和滿意度指標的檢驗，也從滿足客戶想要的，變成解決客戶的迫切需求。

 

在危機時期進行客企互動，可能會立刻增加客戶信任感和忠誠度。企業如何關懷、關心客戶，并及時提供滿足其新需求的體驗和服務，會成為新的客戶體驗衡量指標。

 

為了幫助大家更好地用好數據這把武器，【體驗官俱樂部】第三課我們再次邀請到了倍市得客戶成功總監徐敏恒老師來跟大家講講“那些更懂你的數據模型”。

 

數據模型，這是一個當下熱門的詞，企業非常需要那些可以通過數學模型抽絲破繭在海量數據中找到“證據”的人才，因此這也創造了很多高薪崗位。

 

今天我們就一起聊一聊，數據模型和我們的體驗管理究竟有著哪些密不可分的關聯。

 

正式開講前，徐老師依舊為大家推薦了一本書——《動機與人格》，這本書出自馬斯洛，美國著名社會心理學家，“需求層次理論”也正是出自這本書。

人是一種不斷需求的動物，除短暫的時間外，極少達到完全滿足的狀況，一個欲望滿足后往往又會迅速地被另一個欲望所占領。人幾乎總是在希望什么，這是貫穿人整個一生的特點。

在這樣的特點下，對于我們企業與品牌方而言，如果我們通過各類方法收集到我們的客群聲音后，是否有些什么其他方法來輔助我們明確下一個決策機會呢？

 

數據模型了解一下！

 

在第一期的直播中我們提到了如何采集一份高質量的體驗數據，在我們不知道消費者下一秒會在哪出現的時候，問卷就是來采集這種廣域未知客群心聲最好的方法之一。

 

如何將這些采集回來的數據更好地展現在管理者的面前呢？相信很多伙伴第一印象就是可視化，通過采集后的數據，把消費者的心聲匯集歸攏以報表的形式展現出來。

 

但是我們常說數字化客戶體驗的內核不僅是收到這些數據，而且還要用好這些數據。數據本身沒有價值，能被有效加工運用的數據才有價值。

 

我們期望通過這些數據去了解我們的消費者想表達什么，而不僅僅是他/她是否滿意，為什么和怎么做才是核心。

 

CEM與問卷數據的關聯性

 

我們通過問卷采集回來的數據分析類型一般分為三種：

? 考核類指標：NPS、CSAT滿意度、費力度等等；

它們往往通過環比同比等來找到某個問題的發生區域或者時間范圍等等，輔助我們縮小范圍。

? 算法驗證類：KANO，聯合分析，效度分析等；

這是幫助我們挖掘數據背后含義和價值的方法，里面蘊含著百余個數據模型，我們通過數模去挖掘客戶的聲音，這就是最好的幫手。

? AI語義分析：將文本通過AI輸出情感分析與詞云等

 

所以通過一系列的整理我們發現想要進一步的分析我們的體驗數據，可視化的下一步，數據模型是最好的幫手。

 三個常用的數據模型

今天也為大家挑選了3個簡單易懂常用的模型，幫助我們更好地理解如何通過數據模型來挖掘價值：

? 聯合分析

? MaxDiff

? KANO模型

常用模型之聯合分析

在執行聯合分析時，我們一般會有以下兩個基本假設：

? 消費者會購買總效用最高的產品（效用值是一個衡量受訪者對產品、服務某個屬性水平的偏好程度。）

例如：以我們常見的餐廳滿意度來說，是什么因素決定或者影響到了你的服務。

? 消費者會遵循補償性決策過程。

簡單來說，產品的正面屬性可以彌補負面屬性，也就是客戶愿意做出取舍。

# 模型的應用價值 #

聯合分析，就是在有多種屬性的復雜組合中，梳理出消費者選擇過程中不同屬性的相對重要性，以及最終偏好的屬性組合。

舉個例子

當我們想要對幾款飲料的屬性進行評估，我們可以先講幾種飲料的屬性做一個排列組合（枚舉下圍繞飲料產品在口味、價格、容器和品牌）。接著去圍繞這9種組合來設計一套問卷回收數據。

通過聯合分析對回收回來數據進行分析，我們會得到兩個數值（效用值和重要性）。

                                                            （僅為案例示意所用）

這組結果數據，我們看到容器這個屬性對整款產品的影響最大，而且對比了下效用值，發現罐裝>瓶裝，人們更偏向于罐裝飲料。

此外反過來看，發現飲料的價格重要性最小，而且我們通過效用值可以得到大家更偏向于便宜和中等價位的飲料。

常用模型之MaxDiff

 

MaxDiff可以用來挖掘受訪者對于產品屬性的偏好程度。

 

# 模型的應用價值 #

MaxDiff （最大化差異度量）是一種市場調研的研究方法，用于了解受訪者對產品屬性的偏好程度。

效用值可以直觀看出受訪者對屬性的偏好程度：值為“正”意味著該屬性被選為最具吸引力的次數多于最不吸引人的次數，值為“負”意味著該屬性被選為最不吸引人的次數比最吸引人的次數要多。

舉個例子

某飲食行業品牌公司欲了解消費者對零食的偏好。一共有八個偏好對象指標，通過受試者指出“最好的”和“最差的”偏好對象，來對各產品屬性的偏好程度進行評估。

通過MaxDiff分析后發現，“口味”的偏好份額值越大，更受用戶重視；而“配料”的偏好份額最小，容易被用戶忽略。我們需要最優先加大對產品口味的投入，來超出他們的期望。

                                                               （僅為案例示意所用）

常用模型之KANO模型

上面兩個模型幫助我們了解消費者對產品/服務的屬性偏好或重要程度，那么Kano模型則是對用戶需求分類和優先排序的一個工具，為我們解決產品/服務需求和滿意度之間的關系。

 

# 模型的應用價值 #

KANO模型的內涵，就是認為能夠消除消費者不滿（消除低分）和提升消費者滿意（高分提升）的因素不一定是一樣的。

KANO模型我們將產品服務的特性分為五類：

● 基本（必備）型 —— 客戶認為產品“必須有”的屬性或功能

● 期望（意愿）型 —— 是指顧客的滿意狀況與需求的滿足程度成比例關系的需求，此類需求得到滿足或表現良好的話，客戶滿意度會顯著增加

● 興奮（魅力）型 —— 不被顧客過分期望的需求

● 無差異型質量 —— 不論提供與否，對用戶體驗無影響

● 反向（逆向）型質量 —— 引起強烈不滿的質量特性和導致低水平滿意的質量特性

隨著滿足顧客期望程度的增加，顧客滿意度也會急劇上升，并且一旦得到滿足，即使表現并不完善，顧客的滿意狀況也非常高。

通過KANO的算法處理，會得到兩個系數，better系數和worse系數。

Better的數值通常為正，正值越大/越接近1，則表示用戶滿意度提升的效果會越強，滿意度上升得越快。Worse則相反，其負值越大/越接近-1，則表示對用戶不滿意度的影響最大，滿意度降低的影響效果越強，下降得越快。在Kano模型中我們一般會最后得到一個散點圖，有四個象限：

第一象限：better系數高，worse系數也很高。落入這一象限的屬性，我們稱之為是期望屬性，即表示產品提供此功能，用戶滿意度會提升，當不提供此功能，用戶滿意度就會降低，這是質量的競爭性屬性，應盡力去滿足用戶的期望型需求。提供用戶喜愛的額外服務或產品功能，使其產品和服務優于競爭對手并有所不同，引導用戶加強對本產品的良好印象。

第二象限：better系數值高，worse系數絕對值低的情況。落入這一象限的屬性，稱之為是魅力屬性，即表示不提供此功能，用戶滿意度不會降低，但當提供此功能，用戶滿意度和忠誠度會有很大提升。

第三象限：better系數值低，worse系數絕對值也低的情況。落入這一象限的屬性，稱之為是無差異屬性，即無論提供或不提供這些功能，用戶滿意度都不會有改變，這些功能點是用戶并不在意的功能。

第四象限：better系數值低，worse系數絕對值高的情況。落入這一象限的屬性，稱之為是必備屬性，即表示當產品提供此功能，用戶滿意度不會提升，當不提供此功能，用戶滿意度會大幅降低；說明落入此象限的功能是最基本的功能，這些需求是用戶認為我們有義務做到的事情。

通常情況下產品開發的優先級為：第四象限>第一象限>第二象限>第三象限。

舉個例子

電腦應該是大家日常辦公生活中最常用的工具之一，廠商各顯神通來滿足不同細分市場和客群中的需求。那對于研發公司而言，電腦有很多種市場需求，比如：速度快、防水、外形新穎、存儲空間大。

我們如果選用什么樣的組合方案來回饋市場的聲音以超出消費者的預期呢？

根據計算我們發現有三個屬性落在第二象限，有一個屬性落在第四象限。我們會針第二象限的三個屬性進行優先級排序，比如要先關注防水；杯子里水翻了我們的文檔別沒了。

                                                            （僅為案例示意所用）

總結

聯合分析，可以在服務項中找到影響體驗的重要要素；

MaxDiff，可以通過分析了解消費者的偏好；

而KANO可以對需求和滿意度進行結合，找到最優解決/實現的功能來滿足消費者。

我們不要只關注事后的投訴處理，應該通過數據和我們的經驗在更前面的階段滿足我們的消費者，用好的辦法幫助我們提升消費者的提升以驅動增長。

學會這些方法，我們就可以讓增長持續下去。