2021-11-18 鹈鹕全面客户体验管理 | 译者：马振江
[ 编者注：基于客户调查的测量系统不能满足新时代的客户体验管理需求。公司可以建立预测性客户体验平台，利用预测洞察力进入新的客户体验层次。麦肯锡的报告分析了这种趋势，并介绍了启动客户体验转型的四个关键步骤。我们经过编译，分享给大家。 ]
各行业的公司都在工具和技术上进行了大量投资，帮助他们更深入地了解客户，并获得卓越的客户体验（CX）优势。然而，当领导者努力建立更完整的客户偏好和行为图景时，他们仍然依赖陈旧的调查测量系统。几十年来，这些系统构成了客户体验工作的支柱。公司通过品牌或公共关系调查来跟踪客户体验绩效，通过交易后调查“闭环”客户反馈，甚至尝试挖掘定期调查的反馈来策划战略行动。整个团队致力于管理调查问卷和提高回复率，由此产生的指标可以影响客户体验管理的方方面面，从员工奖金和高管薪酬到战略投资决策，等等。
问题是，高管们越来越认识到，基于调查的测量系统不能满足公司的客户体验管理需求——尽管调查本身是进行研究的重要工具。事实上，本文引用了我们最近对美国各规模公司的 260 多名客户体验领导人的调查。93% 的受访者表示使用基于调查的指标（如客户满意度 CSAT 评分或客户费力度 CES 评分）作为衡量客户体验绩效的主要手段，但只有 15% 表示他们对公司衡量客户体验的方式完全满意，而且只有 6% 的人表示，他们的衡量体系能够实现战略和战术决策。领导们指出，回应率低、数据滞后、绩效驱动因素不明确，以及缺乏与财务价值的明确联系是关键缺陷。
一些领先的公司正在开拓一种更好的方法，充分利用现有的丰富数据。如今，公司可以定期、合法、无缝地收集来自客户、财务和运营系统的智能手机和交互数据，从中产生对客户的深刻见解。那些着眼于未来的公司正在提高数据和分析能力，与客户建立更紧密的联系，预测行为，实时识别客户体验问题和机会。这些公司可以更好地理解他们与客户的互动，甚至可以在客户旅程中预先解决问题。他们的客户正从中受益：想想对航班延误的快速赔偿，或者当医疗患者遇到困难时，保险公司的外联服务。这些好处远远超出了通常被认为是“客户”的人群——会员、委托人、患者、客人和中介。客户体验分析领域的先行者预示着公司在评估和塑造客户体验方面将发生根本性的转变。
在本文中，我们将探讨数据和分析如何改变客户体验的艺术和科学。我们提出了新的研究，对基于调查的测量系统的缺点提供了清晰的事实依据。然后，我们研究了一些领导者是如何实施数据驱动的客户体验系统，从而减少了客户流失，提高收入，降低了服务成本。最后，我们将深入了解如何开始行动，包括客户体验领导者向数据驱动的洞察力过渡时的四个关键步骤。
这些好处并不是自动产生的。那些刚刚起步的公司将面临绊脚石和组织阻力。但是，只要有决心，即使是拥有初级的客户体验系统、有限的数据和缺乏数据科学家的公司，也可以开始为改变他们客户体验工作奠定基础。
未来的客户体验计划将是全面的、可预测的、精确的，并与业务成果明确挂钩。有证据表明，对于那些开始构建这一转型所需的能力、人才和组织结构的公司来说，这些优势将是巨大的。那些坚持传统体系的公司将被迫在未来几年迎头赶上。
虽然调查本身是收集客户洞察的有效手段，但作为衡量客户体验绩效、识别客户体验机会并采取行动的管理工具，仅有调查还不够。对于以客户为中心的组织来说，他们越来越需要对整个客户旅程的全面了解，以及对推动客户体验的因素进行深入细致洞察的能力。他们需要即时和独立的信号，以便在“当下”采取行动，为每个客户创造相关的体验。他们需要证明，准备投资的体验提升将带来积极的投资回报。但是，传统的基于调查的系统有四个主要缺陷，使得这些关键任务几乎不可能完成。
自从在生成、汇总和分析数据的能力方面取得了令人印象深刻的进展，洞察力的生成方式已经发生了变化。公司现在可以获得广泛的数据集：关于客户互动（包括数字和模拟）、交易和概况的内部数据；广泛可用的第三方数据集，包括客户的态度、购买行为和偏好，以及数字行为，包括社交媒体活动；以及由物联网（IoT）产生的关于客户健康、情绪和位置（例如在商店）的新数据集。通过对这些庞大数据集的汇总和分析，包括营销和收入管理在内的其他商业学科已经发生了变化。这种对比是很明显的：既然客户互动的数据可以用来预测满意度和客户保持忠诚度的可能性，甚至还能促进业务增长，为什么还要用调查问卷来询问客户的体验呢？
一些客户体验领导者已经开始大胆尝试，开始利用数据获取有价值的见解，从而发出警报，指导快速行动，改善客户体验。虽然不同公司和行业的具体情况可能有所不同，但这种方法的核心是一个预测性客户体验平台，由以下三个关键要素组成：
预测性平台可以使公司更好地衡量和管理他们的客户体验绩效，它们也为战略决策提供信息和改进。这些系统使客户体验领导者有可能创建一个准确和量化的视图，成为将客户体验与业务绩效联系起来的基础，并为客户体验改进建立清晰的业务案例。它们还创建了对每个客户的满意度和价值潜力的整体图景，可以在接近实时的情况下采取行动。建立了这种系统的领导者正在通过多种应用创造巨大的价值，包括绩效管理、战略规划和实时的客户互动。
一家领先的信用卡公司希望采取更加全渠道的战略，并提高在数字渠道的表现。它专注于建立一个客户体验数据和分析堆栈，来系统地识别、改善和跟踪客户满意度和业务绩效的影响因素，跨越 13 个关键客户旅程。他们首先通过一个旅程分析平台收集互动、交易和客户资料数据，确定每个旅程的满意度驱动因素，以及可以改进的领域。该平台包括重复互动、交付周期以及客户从一个渠道跳到另一个渠道的频率等数据。它还包含了更微妙的因素，例如公司是否有效地处理了负面结果，以及在不同的时间点进行了哪些沟通。
这种分析驱动的方法使该公司对数百万客户的问题、机会领域和渠道互动有了一个量化和系统化的看法，使公司能够进入系统化的旅程改进周期。该团队利用分析平台，将投资和运营工作重点集中在对客户产生影响的旅程和特定时刻，最终通过客户体验和数字转型，将互动和运营成本降低了 10% 至 25%。
通过有针对性战略规划来确定客户体验工作的优先级，是数据驱动系统的另一个有前景的用例，它让客户体验领导者了解哪些运营、客户和财务因素会随着时间的推移产生系统性问题或机会。例如，一家美国医疗保健支付商建立了一个“旅程湖（journey lake）”，以确定如何改善其客户服务。这个旅程湖同步了 9 个系统的 40 亿条记录，横跨营销、运营、销售、数字和物联网。由此产生的整体客户视图，使该组织能够确定运营断点：患者经常要求与主管交谈或转到另一个渠道来寻求帮助。确定这个断点之后，该服务商通过网站、电子邮件和外呼主动联系患者，来解决这个问题。它还利用这些数据制定了一个更明智的数字迁移战略，针对那些在数字渠道上参与度最低的客户，指导他们使用更多的自助服务功能。该组织通过关注最重要的痛点，如处方更新，大幅增加了数字化的采用；通过减少（超过四分之一）客户在开始使用数字化后转向其他渠道的频率，降低了成本。
最后，由于分析洞察的近实时性，这些新系统为日常主动的客户接触创建了一个平台。一家领先的航空公司建立了一个基于客户、运营和财务的 1500 个变量的机器学习系统，衡量其 1 亿多客户每天的满意度，并预测收入。该系统使航空公司能够识别并优先考虑那些因航班延误或取消而面临最大风险的客户，为他们提供个性化的补偿，以挽救关系，减少高优先级航线的客户流失。一个由大约 12 到 15 名数据科学家、客户体验专家和外部合作伙伴组成的联合团队共同工作了大约三个月，建立了这个系统，并领导了首次应用，使重点客户的满意度提升了 800%，流失率降低了 60%。
向预测性洞察的转变不会在一夜之间发生。正如我们的研究表明，大多数组织仍然依赖传统调查来衡量客户的情绪。领导者现在有机会将他们的客户体验工作提升到一个新的层次，从他们组织现在的位置开始。根据对已经成功转型的组织的研究，我们确定了启动这种客户体验转型的四个关键步骤。
转型不可避免地会带来挑战，尤其是团队和客户体验管理者的心态转变。领导人可能觉得预测系统不在他们的职权范围内，是 IT 部门或数据科学团队的领域。但时代在变化，今天的客户体验管理者需要关注数据，就像他们曾经专注于单一的客户体验得分一样。有些人可能会指出，他们的组织已经对几个关键绩效指标进行了回归分析。现在是时候想得更大、更大胆一些了，要建立一个系统，而不仅是涉及数据。
客户体验管理者的角色正在演变，这意味着高管需要在组织内重新定位自己。当被问及当前系统面临的最大挑战时，一位首席体验官回答说：“人们把客户体验与营销联系在一起，而不是与技术联系在一起。”随着越来越多的公司开始采用预测分析技术，这种情况正在发生改变。客户体验的领导者们需要帮助鼓励这种观念的改变。
客户体验的职能部门经常陷入在公司内部建立孤岛的陷阱。为了开始转型，客户体验领导人需要更好地与组织的其他部门整合。
数据所有者将不可避免地跨越运营、营销、财务和技术职能部门，因此，为了高效的数据访问和管理，召集高级领导层协调一致至关重要。客户体验团队应该确定方向和战略，但确保受影响的利益相关者的认同和热情将是扩大影响的关键。
例如，一个旅游行业的客户在开始其数据驱动系统时，将重点放在为客户服务业务提供实时改进上，因为客户体验团队与服务机构有很强的合作关系，可以迅速证明价值。最初的努力涉及到密切的合作：客户体验部门作为业务所有者，数据科学团队开发产品，客户服务机构作为初始最低可行产品的第一个接受者。在核心团队之外，一个包括首席运营官、首席财务官和首席营销官在内的咨询委员会随时了解进展情况，并就未来的应用提供建议，这样，当最初的试点成功时，首席运营官就已经在其组织中加入了一个额外的用例。
大多数企业都面临着数据质量和可用性的挑战——没有数据，这种转型就无法进行。好消息是，企业可以从基本的客户级的数据开始，即使这些数据并不完美。第一步是收集单个客户层面的运营和财务数据。结合客户资料，以及数字和模拟互动，通常是一个可靠的起点。
团队应该创建一个详细的旅程分类，包括所有潜在的客户满意度驱动因素。分类方法可以用于假设生成，产生新的可测量属性，包含在预测模型中。这些属性（在机器学习中称为数据特征）可以从数字属性（如客户的年支出）到二进制属性（如客户是在网上还是在商店购买产品）不等。随着时间的推移，了解机器学习模型中哪些特征更重要，并将这些特征与团队的假设进行比较，可以帮助组织识别数据中可能不准确或不完整的地方，并相应地调整数据采集策略。如果某些特征的数据不存在，团队可以探索获取新的数据集（例如，信用机构的数据）或应用新的仪器来生成所需的特征（例如，使用物联网传感器来绘制物理环境中的客户交互点）。随着机器学习算法吸收更多的数据并产生自己的洞察，数据集将变得更加健壮——这在多个企业应用中证明是有用的。
最终，公司可以在整个客户旅程中整合来自不同来源的数据，包括聊天、电话、电子邮件、社交媒体、应用程序和物联网设备。无论来源如何，所有数据收集、存储和使用都应遵循隐私和网络安全最佳实践。（值得注意的是，我们的同事发现，客户数据保护的方式可以作为一种竞争优势，因为消费者在共享数据时变得更加谨慎，避免或停止与不信任的数据安全做法的公司做生意。）定期的风险评估有助于发现系统中的算法偏差。客户体验领导人有责任了解其组织在保护客户数据、减少偏见和促进预测系统的公平性方面所做的工作。
数据驱动的预测系统为组织提供了一个独特的机会，将客户体验战略与有形的业务价值联系起来。在早期，重要的是要对如何应用这些洞察有一个清晰的认识，并将重点放在几个能够立即产生回报的特定用例上。作为一个简单的框架，组织可以回顾现有客户旅程中的主要机会来源或痛点，并思考预测系统如何创建新的解决方案或增强现有解决方案，这些解决方案可能对忠诚度、服务成本、交叉销售和追加销售行为产生直接影响。
例如，一家公司的应急资金以前是统一分配给客户的，他们意识到可以更有战略性地应用预测系统来解决这个问题。该公司开发了一种算法，可以根据客户的终身价值和最近的体验（如客户在过去一个月中经历的服务延迟程度）来识别高优先级的客户，并利用该算法将应急资金优先分配给不满意的高价值客户。这样的第一个用例被证明是成功的，它为组织节省了超过 25% 的计划预算，并为将来的应用铺平了道路。领导者应该问问自己，什么样的用例能够提供明确的机会，通过概念验证来驱动价值，这样他们就可以增强动力并获得支持。
多年来，基于调查的系统一直是定义和完善公司客户体验表现的基准，如今，它正走向没落。卓越客户体验的未来正转向数据驱动的预测系统，能够更好地了解客户需求的公司将获得竞争优势。
本文原作者：Rachel Diebner, Mike Thompson, David Malfara, Kevin Neher，Maxence Vancauwenberghe
原文地址：
本文为作者原创翻译，欢迎转发分享。
转载时需在文章开头注明作者和“来源：鹈鹕全面客户体验管理（微信号：CEM-tihu）”，文字颜色为黑色，且不得修改原文内容。
欢迎小伙伴投稿合作，具体请联系：易女士 Yiml@tihu.com.cn
