在海外，客户体验管理（Customer Experience Management）已经是比较成熟的领域，诞生了Medallia、Qualtrics、Clarabridge等多家独角兽公司。在中国，它则还处于刚刚起步的探索阶段。由于海内外社会环境的不同，客户体验管理（CEM）在中国的落地形式也不尽相同。
我们的云听CEM，面向中国区品牌提升客户体验的迫切需求，不断打磨产品和解决方案，从18年至今已成功服务多个行业领导品牌，积累了很多宝贵的实操经验：
消费市场正在历经传统商品经济到体验经济的转变。传统商品经济时代，客户「买得到」即可，品牌将关注点放在生产优质产品、进行合理定价、寻找好卖渠道、策划促销活动上，就能获得不错的增长。
随着社会整体生产力提升和互联网高度发达，产品同质化竞争愈演愈烈，体验经济时代来临：商品、定价、渠道、活动已成为基本入场券。以客户为中心，做好客户体验管理，让客户「买得舒适」「买得惊喜」，提升客户满意度和忠诚度，成为新的增长点。
客户体验管理贯穿整个客户旅程。在整个客户旅程中，客户通过多个触点、多个渠道与品牌进行互动，每一次互动都会产生大量的客户体验数据。客户体验管理是指：聚合并分析全触点、全渠道的客户体验数据，洞察客户喜好与诉求，帮助企业发现并解决问题，辅助企业各部门决策。
在中国，以某智能手机品牌的电商业务为例，客户在网上买智能手机的整个旅程可以分为6个关键触点：浏览手机信息并研究对比→售前咨询→下单→发货物流→使用体验→售后服务。关于这6个关键触点的客户体验，通过在线客服会话、问卷调查、客户访谈、电商评论、社交媒体等多个渠道反馈出来。
搜集客户旅程中全渠道、全触点的客户体验数据，是进行客户体验管理的第一步。客户体验数据分为内部数据、外部数据两种，有不同的搜集方式，且最好能将其打通聚合到一个统一的平台或系统中。
要求企业梳理整个客户旅程，并在客户旅程的每个关键触点设置好体验反馈机制，主动搜集客户在当前互动场景下的体验数据。例如：在客户结束客服在线咨询时主动邀请客户评价；在APP内完成某个特定动作后向其推送个性化NPS问卷；在使用完产品某个功能后自动向微信推送消息获取反馈。
在中国互联网和电商购物高速发展的大环境下，电商在线咨询、电商评价、社交媒体动态等也是中国区品牌获取客户体验反馈的重要渠道。这些外部客户体验数据分布在互联网上，大多数情况下平台不会提供数据接口，企业无法直接拿到数据，需要使用爬虫技术搜集，要求企业具有强大的互联网数据爬取能力。
将以上内外部客户体验数据聚合在同一个平台上，避免在不同的后台/网页中来回切换，便于统一管理、调度和分析数据，进而指引行动，全面提升客户旅程中的客户体验。
基于以上提到的几点，品牌可以组建专门的团队从0到1开发，也可以选择市场上比较成熟的客户体验管理平台。云听CEM做数据采集起家，在第2、3点拥有行业领先的实力，同时也在第1点上不断发力，帮助品牌聚合全渠道、全触点的客户天数据。
基于第二部分，我们获得了大量的客户体验数据。与价格、销量等数值型的、结构化的数据不同，客户体验反馈大多是文本型的（很少一部分是音频、图片、视频等）、非结构化的数据。
文本型数据具有多维、语义复杂的特点，很难直接进行分类和分析。 如何进行文本分析，如何将文本分析与品牌业务紧密结合起来？有几个关键步骤和技术，我们以电商评论文本为例详细讲解。
在这里说明一下，以电商评论分析为例，是因为电商评论由已购买、已使用的客户发出、数据量大、分布密度高、观点明确，是非常重要的客户体验文本。电商评论分析也是云听CEM探索非常深入的一块。其他客户体验文本的分析方向是一致的，在细节上可能略有不同。
什么是指标体系？ 文本为高维数据，很难直观地统计与可视化展示。 因此，我们需要先搭建一套指标体系，再根据指标体系有针对性地进行分析。 否则就像船只失去航行方向，最终只能迷失在浩瀚的文本海洋里。
什么是细粒度指标体系？ 分析指标可分为不同颗粒度，便于从粗粒度到细粒度进行分析。 以某智能手机品牌的电商业务为例，它的指标涵盖产品、服务、市场、物流等多个方面。 产品方面，一级指标为外观、性能、拍照、电池、屏幕、操作系统等，外观这个一级指标又可具体分为整体外观、手感、机身颜色、机身大小、做工/工艺、机身厚度、机身重度等。
如何搭建指标体系？ 一般有两种方法，一种是基于业务经验，由品牌提供指标；另一种是对全量文本进行无监督聚类，提取高频词作为指标。2种方法可以结合起来，最终确定的指标体系合理即可。可以从是否覆盖全客户旅程的重要触点、是否与行业/部门的业务高度契合等角度评估是否合理。
搭建指标体系十分关键，它直接决定了我们的分析角度是否正确。我们已经成功服务过3C、家电、日化等多个行业的领导品牌，沉淀了多套成熟的指标体系，希望能与更多优秀品牌交流合作。
以日化为例：
什么是情感倾向分析？ 基于深度学习的自然语言处理技术（NLP），对评论文本中所提及的指标进行情感倾向分析（正面、负面、中性）。 例如，下面这条评论提到了外观、操作系统、电池、拍照等指标，对外观、操作系统、拍照的反馈是正面的，对电池的反馈是负面的。
对提及指标的正面反馈，以绿色表示：
对提及指标负面反馈，以红色表示：
什么是典型意见挖掘？ 基于深度学习的自然语言处理技术（NLP），对评论文本进行典型意见挖掘。 以某智能手机品牌的二级指标「手感」为例，挖掘二级指标「手感」这个指标下负面反馈的典型意见，发现负面反馈基本围绕「手感比较重」展开，定位到了具体问题。
如果使用人工分析，优势在于人脑具备专业知识与丰富经验，劣势在于无法处理大规模数据、难以保证每个人对每个指标的理解达到统一的标准。为了解决这个问题，我们使用基于深度学习的自然语言处理技术（NLP），训练出聪明的机器代替人工分析。
这部分的难点在于NLP处理文本的准确率，市面上的相关解决方案良莠不齐，需仔细甄别。云听CEM拥有优秀的NLP团队，识别准确率行业领先，高达85%，甚至90%。由于篇幅原因，具体技术细节本文不展开讲，如果大家有兴趣可以找我们交流。
基于深度学习的自然语言处理技术（NLP）进行情感倾向分析与典型意见挖掘是关键，完成这个关键点后，下一步就是为品牌提供多维度的分析方向、灵活的筛选条件、丰富的可视化报表库和配套的功能模块。进而帮助产品、运营、客服、市场、品牌等部门发现问题与智能决策，进而提升整个客户旅程的客户体验。
多维度的分析方向：指标正负面声量统计、某指标负面反馈的典型意见、指标走势等。灵活的筛选条件：按平台、品牌、产品、型号等条件筛选。丰富的可视化报表库：提供丰富的可视化报表库，一键输出报告。配套的功能模块：消息回复、自动预警等。
这一部分我们将结合客户案例，在下篇中详细讲解。
