不必每天追問“你有多愛我?”,用數據測量企業和顧客的戀愛關係


想像周末睡到中午,用手機APP叫了外賣,收到一封簡訊問你推不推薦他們的服務,接著準備出門用手機叫車,下車付款後被詢問這次乘車體驗1-5顆星打幾分,同時手機跳出一封未讀郵件,打開一看是蘋果發來的客戶推薦度調查問卷……大家對上述的情境可能並不陌生,近年來,有越來越多企業開始注重顧客體驗,通過NPS(淨推薦值,Net Promoter Score)或其他相關滿意度指標來獲取顧客回饋並提升體驗,因此顧客在日常生活中越來越頻繁地收到NPS問卷,內容也隨著企業想知道的越來越多而變得複雜,發展至今,企業面臨回答率以及有效性降低的困境。

 

想知道顧客愛不愛你,你不需要再開口問了

問顧客推不推薦?NPS打幾分?5星好評或負評?藉此知悉顧客並獲取回饋的方式正逐漸過時。亞馬遜作為一個網路零售界巨頭,全球Prime會員數超過1億,通過搜集會員每天在平台上產生的各類數據,並進行處理及分析,亞馬遜不用再問顧客,就可以知道什麼樣的產品或體驗會讓顧客開心推薦?什麼樣的服務會讓顧客忠誠、願意回來消費?

舉例來說,通過大數據分析,亞馬遜發現顧客很有可能會為了更快拿到商品而轉向其他競爭者平台,為了解決這個問題,他們通過演算法預測出顧客可能會購買哪些產品、什麼時候會下單、又會在哪裡取貨,事先將這些產品送到當地的物流中心或倉庫,一旦顧客下單,就可以在最短的時間內送達,創造更好的體驗。

通過如同上述的進階分析模型,亞馬遜即時掌握顧客每次消費的體驗及未來行為,創造讓顧客超出期待的意外驚喜、感動體驗,幫助亞馬遜累積了大量忠誠顧客以及驚人銷售業績。

亞馬遜的案例給了我們一個窺視未來獲取顧客回饋的方法:在數位化的時代中,企業比起過去擁有更龐大多元的數據,若能夠系統性地採集與顧客交互過程中的各類行為數據,進行有效地分析、預測,即便不問顧客,也可以甄別出顧客是推薦者還是批評者,在某個場景或是體驗中是滿意還是生氣,如此一來,便能夠事先採取行動,更有效率地提升顧客體驗。

 

極致的顧客體驗,你需要更多更實時的數據

在這樣的趨勢下,企業紛紛設法導入更多科技和指標去搜集顧客資訊,面對這些持續積累的大量數據,能夠分析處理數據並進一步產生洞察的「顧客體驗預測分析模型」在市場上扮演了至關重要的角色。

根據貝恩顧問公司所做的《2018顧客體驗工具和趨勢》報告,“顧客體驗預測分析模型”被全球企業視為最重要,也是被最廣泛使用的工具。接下來將列舉三種常見的進階分析方法:描述性分析、預測性分析、指示性分析模型,並深入探討不同分析方法如何協助企業改善並創造更好的顧客體驗:

 

  1. 描述性分析(Descriptive Analytics)

大家對描述性分析應不陌生,操作SEO/SEM一定會用到的數據分析工具,像是GA就屬於描述性分析。藉由分析過去與顧客互動的各類數據,描述性分析可以告訴我們過去發生了什麼事以及為什麼會有這樣的結果,讓我們從中學習經驗和教訓,做為未來的決策依據。

義大利一間運營超過1世紀的大型零售業者SAIT便通過描述性分析模型,實現實體店面的體驗優化。該業者在店面裝設了14個感測器,收集各類顧客資訊,包含顧客人數、人潮時間變化、顧客移動路徑、各點停留時間等等,據此更彈性且即時地調整店內資源配置或是商品擺設,譬如說,根據歷史數據分析,發現晚上9-10點會有極大的結帳需求,便在該時段集中人力支持櫃檯,再譬如說,根據顧客移動路徑與熱區分佈,將熱銷商品擺到顧客觸手可及的地方。

如同上述案例,描述性分析模型可以説明企業通過歷史數據的蛛絲馬跡找到體驗中斷點,像是在實體店面購物時顧客最大的痛點往往是排隊、找不到商品等,如此一來,企業便可以對症下藥採取有效的行動去提升顧客體驗。

 

  1. 預測性分析(Predictive Analytics)

預測性分析顧名思義就是預測顧客的下一步。預測性分析自描述性分析演化而來,利用大量的歷史數據,結合機器學習技術,幫助企業事先預知顧客的經驗和感受,甚至是下一步行動。若預知顧客可能會變成批評者,便可以事先進行干預、採取補救措施,以確保顧客體驗的品質。

航空業者JetBlue便結合描述性及預測性分析模型優化乘客的搭機體驗。JetBlue自公司內部、機場以及協力廠商平臺如社群、購票網站等不同管道,搜集各類顧客回饋,包含問卷填答、客服進電紀錄、Email意見回饋、社群媒體評論等等,並通過人工智慧進行文字及語意分析,判斷乘客的情緒及感受,針對性地提供客制化服務,以創造最佳體驗。

例如JetBlue通過數據獲取及分析,發現抵達費城機場的乘客對於體驗旅程似乎不甚滿意,研究背後原因,發現是費城機場的商店營業時間短,太早或是太晚抵達的乘客經常餓肚子,轉機的乘客也無法吃東西打發時間,因此JetBlue便事先提供飲水及零食給乘客,不只減少了批評者的產生,更讓顧客感到JetBlue的貼心周到,而產生好感,進一步成為推薦者。

 

  1. 指示性分析(Prescriptive Analytics)

指示性分析由預測性分析演化而來,憑藉過去的活動、當下的情境以及趨勢等數據登錄,通過機器學習自動優化產品及服務,創造好的顧客體驗。最常見的應用案例就是智慧化推薦。智慧化推薦引擎結合描述性分析(顧客過去的個人數據如包含流覽過的頁面、買過的商品),以及預測性分析(市場上的產品分類以及顧客屬性推斷),給出個人化的推薦商品清單,説明企業創造更好的顧客體驗。

隨著人工智慧和物聯網數據的科技不斷發展,機場的顧客體驗也正在革新。亞洲某間大型機場與世界上多數的機場一樣,安檢大排長龍、指示牌難懂找不到登機口、餐廳廁所人滿為患還有候機室也總是亂糟糟,各種問題和低效率降低了機場體驗,也醞釀了乘客的不滿和抱怨,這樣的結果導致乘客不願意選用該機場,航空公司也因此減少航班,遭致幾百萬美元的損失。

於是該機場為了改善顧客體驗,導入顧客體驗預測分析模型,從各個設施採集顧客數據,分析後採取即時的干預行動,以減少甚至防止問題的發生。在機場中,系統會通過感測器和攝像頭採集在候機室/登機口等不同位置的人流數據,結合控制塔的天氣數據和航空公司的航班數據,經由分析預測哪一台飛機會提前到達、知道乘客需要提前到達某個登機口、應該開啟哪個登機口對乘客來講最便利,進一步對機場人力資源、硬體軟體設備進行管控,譬如說,自動打開最靠近中轉飛機的登機口、調度航空人員與乘客進行溝通、通知有關工作人員應在何時支持何處的餐廳或洗手間,這些所有行動都是即時的,無須人工干預。

這樣的方法不需要增加額外的人力成本,卻可以大幅提升機場的效率,更讓乘客感受到用心和感動,在顧客對體驗期待越來越高的今天,為該機場創造了極大的機會,不僅與其他機場產生區隔,更大幅提升了乘客滿意度及忠誠度。

 

用大數據讓顧客更愛你

通過大數據洞悉顧客旅程,並找到切入點進行體驗優化,需要長時間的佈局規劃,如同潛水,必須先從游泳開始。要建立數據驅動的顧客體驗必須要先瞭解哪些數據是值得收集的,因此第一步企業必須從定性調研開始,包含梳理顧客分群、描述顧客畫像及打造顧客旅程,這些定性輸入可以幫助企業找到影響NPS的關鍵要素,作為數據獲取的指標及方向。

接下來才能進一步建立數據收集的工具,譬如線上埋點應該埋在哪裡,那幾個頁面必須收集頁面閱讀時間,線下哪一些場景可能需要感測器,或產品是否加上智慧化功能同步所有使用情況到雲端進行分析,如此一來企業便能追蹤顧客交互過程中產生的數據和回饋,並通過分析及建模輸出洞察,獲取體驗優化方向及建議,與商業目標產生連結。

 

建立NPS數據監測系統,對企業來說並不是一蹴可幾的事情,但是在顧客需求不斷碎片化、複雜化的時代中,企業唯有持續演化獲取顧客回饋的能力,才能夠精准掌握顧客需求、洞悉顧客內心,如同上帝一樣,不需要問就懂你的顧客要什麼、想什麼、做什麼,快速應變、迭代優化,這才是未來企業的成功之道。