在数字化赋能的客户体验的时代，客户体验分析依赖于数字化的支持。
正所谓“没有度量，就没有管理”，“度量”是实现客户体验针对性优化与整改的前提。客户体验分析工具正是数字化客户体验管理的技术底座。
本文，我们将以倍市得CEM内置的数据统计洞察工具SPSSPRO为例，来看客户体验分析工具的应用是如何赋能体验管理。
在企业客户体验管理实践中，NPS常常被作为企业的北极星指标使用。NPS指标简单易懂，容易计算和解读，作为客户忠诚度和企业口碑的重要指标，经常用于评估和改善企业的客户关系管理和营销策略。
我们使用倍市得系统收集了客户的NPS评价后，根据NPS的计算术公式，可以对客户进行NPS等级分类：推荐者，中立者，批评者。
NPS=（推荐者数/总样本数）×100% -（贬损者数/总样本数）×100%
接下来，根据分类需要对这些客户进行分析，来回答一些问题：
● 研究不同NPS客户等级对公司或品牌的评价存在差异的原因是什么？
● 推荐者有哪些特征？对产品/服务的哪些环节满意度高？
● 批评者有哪些特征？对产品/服务的哪些环节不满意？
我们希望精准地找到不同NPS等级客户的差异性在哪里，从而对症下药的解决服务过程中的不足之处。以NPS反映用户行为，用其来预测重复购买、未来新增消费等。
但是当数据维度高，或者变量之间相关关系比较强的情况下，一般的二维分析方法可能无法得到准确的答案，这时候就需要使用多维数据的回归分析方法。
下面我们通过一个银行贷款办理流程的客户旅程的案例来分析看SPSSPRO在客户体验管理分析中的应用。
某商业银行通过内部业务旅程梳理，获取关键触点信息，通过行方提供的访谈笔录进行整理，上线了贷款办理流程的客户旅程管理系统。通过客户旅程梳理将贷款流程拆解为5个阶段：需求产生、贷款申请、贷款审批、提款、放款。
基于这五个阶段的客户旅程，设计相应的节点体验大问卷，形成触点问卷。基于倍市得CEM系统，并通过特定业务场景（例如交易失败报错等）触发问卷，形成“面”+“点”相结合的问卷结构。
通过大样本定量调查问卷来验证客群特征，量化NPS及满意度的表现和客户的评价，输出具有代表性的结论。以下是部分数据（样本数据量是200份）：
我们可以看到采集的数据主要有：客户背景信息，包括性别、年龄，产品类型，贷款金额，客户等级；客户的满意度信息，包括总体满意度评价，贷款办理、审批、放款、贷后各个环节单独的满意度评价；最后得出总体的NPS值以及NPS客户等级。
接下来我们开始对不同NPS等级客户进行数据分析。
首先我们对客户性别、产品类型、客户等级进行交叉分析。在SPSSPRO上，我们一次性可以对N个变量进行交叉分析，并输出柱状图。
● 性别&NPS客户等级
从图中我们可以看到，该银行62名女性客户都是推荐者，对银行的服务非常满意，而男性客户有29名推荐者，55名贬损者和54名中立者。
● 产品类型&NPS客户等级
● 客户等级&NPS客户等级
综合上面三个分类柱形图我们可以看到：
● 女性客户的满意度（NPS客户等级）明显高于男性客户；
● 二手房购房贷款客户的满意度显著高于一手房购房贷款客户；
● 私行客户和贵宾客户的满意度明显高于其他类型的客户。
这时候数据分析人员可能作出猜想：
● 是不是该银行的工作人员对女性客户的服务流程比较友好，而对男性客户服务较差，导致男性客户满意度较低？
● 二手房购房贷款客户的流程是否不同于一手房贷款客户，所以二手房贷款客户满意度较高？
● 贵宾客户和私行客户一般都有专职的客户经理一对一服务，所以满意度相对普通客户更高，比较符合直觉。
其实结果并不然。
交叉分析一般只能用于研究两个变量之间的关系，而我们研究的因变量（本案例中是“NPS客户等级）往往受到2个或以上的变量影响。如果我们的分析止步于此，管理人员投入精力去提高男性客户服务的工作上，或者着手改善一手房贷款的流程，很可能会陷入新的误区。
我们在CEM中收集的数据往往都有多个变量和影响因素，而在描述性分析阶段，无论是描述性统计量，还是数据可视化，最多只能涉及两个变量之间的关系。研究表明，绝大部分人较难直观理解3个或以上变量之间的影响关系，所以需要其他办法，在众多变量中，精确锁定最核心的影响因素。
这里就需要引入多维回归分析。
对于多维数据（在上述案例中是四维：性别、产品类型、客户等级、NPS客户等级），我们可以使用统计学中回归分析的方法，来精准定位真正的影响因素。
这里我们依然通过SPSSPRO来完成线性回归分析：
线性回归属于较为复杂的统计分析模型，但是不同于传统客户端统计分析软件，SPSSPRO依然支持通过拖拉拽操作，将需要分析的自变量X（案例中是“性别”、“产品类型”、“客户等级”）和因变量Y（案例中是“总体NPS推荐值”）直接拖拽到变量框即可获得分析结果：
通过SPSSPRO输出的智能分析报告，我们可以进一步获得分析结果：
● 模型有效性
我们进行F检验来衡量模型的解释能力和误差程度，这里F检验得出，显著性P值为0.000***（通常小于0.05被认为是一个比较严格的显著性水平），表明是呈现显著性影响的，因此模型满足要求。
R²是一种衡量模型拟合优度的统计指标，R²为1说明模型可以完美拟合数据，为0则说明完全不拟合。在这里，R²为0.854，说明拟合效果较好。
● 拟合效果图
从拟合效果图可以直观看到，拟合值与观测值重叠程度较高，这里可以说明拟合模型能够准确地预测目标变量的值，即模型能够很好地拟合数据。
拟合效果较好的情况下，说明拟合模型选择的变量和函数形式比较合理，可以很好地解释数据中的变化趋势和规律。这对于数据分析和建模非常重要，因为一个好的拟合模型可以帮助我们更好地理解数据背后的本质规律，提高预测和决策的准确性和可靠性。
● 变量显著性
首先，我们需要判断“性别”、“产品类型”、“客户等级”这四个变量（自变量X），对“总体NPS推荐值”（因变量Y）是否有显著影响。P值表示显著性，P值越小，说明该自变量对因变量的影响越显著。简单来说，P值越小，我们越有信心认为，自变量对因变量的影响是真实存在的。
查看各个变量的P值我们可以看到，办理“产品类型（一手房贷款/二手房贷款）“的P值过高，表示并没有显著影响，首先可以排除。
“性别”和“客户等级”都是有显著影响的变量，结合回归系数我们可以看到，性别的回归系数是-0.65，小于客户等级的回归系数，所以“客户等级”是更为重要的变量。结合VIF共线性指标可以看到，变量之间有强共线性关系（也就是高度相关）。如果我们进一步使用岭回归或者逐步回归可以发现，客户等级是比性别更重要的影响变量。（涉及更多数学计算，此处不作详细展开）
● 性别 & 客户等级
进一步深挖变量之间的关系，将性别以及客户等级进行交叉分析可以看到，在本次参与调研的客户中，女性客户都是贵宾客户和私行客户。
经过深入的回归分析以及变量间的相关关系研究我们发现，本次调研的推荐者客户都是贵宾及私行客户，而随着客户等级的降低，满意度也随之下降。
所以如果银行的管理者想优化客户体验，应该对普通客户的服务环节进行进一步研究，找到客户不满意的环节。
通过上述案例分析我们可以看到，在面对多维度、多变量的体验数据分析时，使用二维交叉分析方法会有不足：
● 交叉分析的数量会随着变量增加而几何级数增加（2的n次方）；
● 在自变量之间有强相关关系的时候难以分辨。
数据分析是理解和发现数据中隐藏的信息和模式的关键步骤。所以对于多维数据分析，我们需要掌握更加高级的统计分析方法。
除了数据洞察，我们还可以通过人工智能来做一些预测模型进行辅助人工决策，所有数据被送入SPSSPRO的算法引擎中，这背后的驱动技术非常先进，在建模的过程中一部分数据会被保留下来，系统会对照这部分数据对模型进行测试，进而确定模型的准确性。
通过建立准确的预测模型，我们可以为企业的决策提供科学依据，而这也往往对于企业来说也是较大挑战之一。
以SPSSPRO为代表的一类客户体验分析工具的应用正在不断赋能客户体验分析，成为企业更好地管理客户体验的技术帮手。
