克拉拉布里奇的Fabrice Martin分享了九种分析客户数据以改善整体客户体验的方法。

客户数据来自各个方向、多种来源和数十种格式。

全源数据收集可以对其进行聚合，客户分析可以识别出照亮整体客户体验的趋势。

但要了解客户的真实情况，深入挖掘数据至关重要。

这里有九个分析技术的例子，可以找到基本的见解。

1。使用机器学习检测新主题分析非结构化文本的好处之一是有机会在反馈中发现全新或令人惊讶的主题。

机器学习技术可以自动识别这些新模式，在实时出现新的兴趣领域时将聚光灯照亮。

社交媒体数据就是一个很好的例子，因为反馈主题经常出现。例如，一家汽车制造商看到了关于保险杠的新投诉，这些保险杠在工厂没有问题。他们将其追溯到保险杠如何堆放以备运输，并迅速纠正这种情况。

2。监控主题的趋势和峰值查看总体反馈量很重要，但也要查看它们随时间的变化。

趋势数据允许分析师按天、周、年甚至在一个小的24小时周期内查看主题卷的变化。数据中的

和峰值也提供了一个机会，可以对客户趋势做出快速反应，或监控正在发生的问题，以评估其重要性。

如果发起的活动引发负面反应，而这些反应超过了正面反应，则可以很快停止。

3。找到根本原因当客户数量、情绪或满意度分数开始变化时，很难找到峰值或趋势的根本原因。

随着更多的数据源被投入到混合中，并且当多个结构化属性层可能会促成更改时，这一困难会成倍增加。

使用统计分析技术，可以同时分析多个属性、主题和自然语言理解（NLU）属性（例如主题、情绪、情绪和努力）。

然后可以测量这些因素的重要性，从而解开最重要的问题。

这种类型的分析可能表明，例如，汽车经销商情绪低落的根本原因是，其新建的、专门建造的服务中心在等待客户时没有wi-fi，附近没有公共交通连接，因此可以方便地取车。

4。细分以确定关键差异细分数据可以很容易地在不同群体中找到客户满意度的驱动因素。

考虑：与低收入客户相比，高收入客户更喜欢哪些主题？高价值客户最常提到的主题是什么？

使用相同的模型分析不同的数据段，可以定位差异点。

5。将KPI指标与非结构化主题结合使用常见的KPI指标，如审查评级、客户满意度评分（CSat）或净推荐人评分（NPS）。

然而，通过将这些指标与非结构化反馈进行映射，可以找到更多的见解，以揭示推动这些分数的“原因”。例如，领先的托管云提供商运行两个调查问题，一个是NPS，另一个是开放式主题检测。这使得该公司能够确定NPS分数的关键驱动因素，也就是“为什么”，比他们问15个问题要有效得多。

作为一般原则，只需记住，调查越短，回复率越高。

6。运用情绪分析找出顾客不满意的地方情绪分析是一个非常有用的工具在分析所有非结构化数据源时。它检查数据的正面或负面背景，提供了超出数量或KPI指标的额外分析维度。

情绪分析还说明了不同主题如何对客户体验产生积极或消极的影响。

此外，情绪可以作为所有数据集的单一性能指标。

7。将情绪分析与CSat指标结合主题查看KPI指标，显示客户旅程中的高绩效和低绩效接触点；然而，它并不总是显示如何改进这些指标。

长的通话等待时间可能会导致情绪低落，但它们也与平均CSat分数有关。这表明，尽管人们对呼叫等待不满意，但这并不会显著影响他们的整体客户体验。

同样，网站导航方面的低情绪也与低CSat有关，因此改进网站可能会提高总体CSat分数。

8。创建预测模型预测建模技术可以帮助指导业务决策，并预测KPI指标或收入等货币指标的改进。

正确完成后，并结合使用结构化和非结构化数据输入时，预测性分析可以成为客户体验投资的信心助推器。例如，一家全球饮料制造商可以跟踪社会上对不同甜味剂的提及，以预测对新产品的反应，并了解品牌影响。

9。结合所有技术创建数据驱动的文化数据分析可能非常强大，但只有对发现的洞见采取行动，其价值才能充分实现。

仪表盘、警报和案例管理功能可用于在整个组织内推送数据和见解。

“Fabrice Martin”

这些工具允许在正确的时间将信息传递给正确的人，以便采取行动，开放跨部门和各级领导层的沟通。

客户反馈的数量永远不会减缓企业必须学会比以往更快、更高效地吸收、反应和学习数据。感谢Clarabridge的首席产品官Fabrice Martin与我们分享本文。

要了解更多关于Clarabridge的信息，请访问：www.Clarabridge。com