市場調(diào)研如何整合來自客戶體驗管理平臺的大數(shù)據(jù)
時間:2018-10-15 17:18:00 閱讀:4173 整理:廣州市場調(diào)查公司
盡管存在質(zhì)疑,許多公司仍然在通過傳統(tǒng)的市場調(diào)查來獲取洞察,而一些技術(shù)公司則聲稱能從龐大的原始信息中獲取比傳統(tǒng)市場研究更好的洞察。Rick Kieser指出,兩者必須被整合在一起,否則市場研究將會被邊緣化。 Rick Kieser進一步說明要如何將非結(jié)構(gòu)化文本處理的最新進展納入到市場研究人員的能力范圍內(nèi)。
駕馭新的數(shù)據(jù)流
由于數(shù)字通信帶來越來越多的選擇,現(xiàn)在, 客戶有無數(shù)的方式來分享他們對企業(yè)的反饋,包括正面和負面的信息。許多以客戶為導向的企業(yè)現(xiàn)在都擁有客戶體驗管理(customer experience management,CEM)或客戶之聲(voice-of-the-customer,VOC)平臺來管理海量的信息流。
與此同時,盡管存在質(zhì)疑,許多公司繼續(xù)通過傳統(tǒng)的市場調(diào)查來獲取洞察。而一些在數(shù)字通訊領(lǐng)域有優(yōu)勢的供應商,則聲稱能從龐大的原始信息中獲取比傳統(tǒng)市場研究更好的洞察。
這些不同的領(lǐng)域很少被整合在一起,而市場研究人員也很少使用運營平臺上的客戶反饋作為洞察產(chǎn)生的主要數(shù)據(jù)源。在這篇文章中,我會闡釋,為什么整合的方法是必須的。如果不這樣做,就像我們所擔心的那樣,市場研究將會被邊緣化。我還會進一步說明,如何將非結(jié)構(gòu)化文本處理的最新進展納入市場研究人員的能力范圍內(nèi)。
客戶體驗管理(CEM)和客戶之聲(VOC)
對消費者來說,客戶體驗正日益成為唯一有意義的差異化因素。今天,企業(yè)對產(chǎn)品設(shè)計和質(zhì)量控制極為重視,這意味著在絕大多數(shù)品類上,不同品牌在質(zhì)量和效用上幾乎沒有差異。線上市場的速度和透明度,使得消費者在價格、使用體驗和聲譽等方面的決策上,更多依賴他人的體驗,即使線下發(fā)生的購買行為也是如此。
我們能否更重視品牌信譽的價值?根據(jù)一項調(diào)查,由于客戶體驗不佳,每年有超過830億美元的商業(yè)損失1。在這個充滿活力和瞬息萬變的環(huán)境中,營銷人員必須不斷重新審視如何了解和吸引客戶,重新確定渠道優(yōu)先級,并在所有渠道中保持一致的客戶體驗,同時優(yōu)化營銷支出。
每項舉措都必須依賴可靠的數(shù)據(jù)產(chǎn)生高質(zhì)量的洞察,從而驅(qū)動決策。過去,市場研究往往是收集和處理相關(guān)信息的唯一可行手段,如今,客戶體驗的每個不同方面通常都有充足的數(shù)據(jù),并且能夠很容易地整合在一起?,F(xiàn)在,市場研究數(shù)據(jù)反而與業(yè)務(wù)有些脫節(jié)。
客戶體驗管理(CEM)和客戶之聲(VOC)2行業(yè)大約誕生于20年前,兩者最初并不相同,但現(xiàn)在兩個術(shù)語基本上是同義的。兩者都專注于在客戶的整個生命周期中,通過自動化的流程,追蹤、監(jiān)控和管理客戶與企業(yè)之間的每個交互。
而企業(yè)反饋管理系統(tǒng)(enterprise feedback management,EFM)是研究技術(shù)提供商創(chuàng)造的一個術(shù)語,用來描述基于調(diào)查的反饋征集。 EFM交互通常由客戶接觸點觸發(fā),這使得它成為許多VOC解決方案的便捷數(shù)據(jù)源。但是,一些VOC計劃并不依賴于調(diào)查,而是通過其他方式獲得數(shù)據(jù)。
2012年至2017年,客戶體驗管理(CEM)行業(yè)每年增長近20%,市場規(guī)模預計增長近三倍,超過68億美元( Figure 1)??梢詫Ρ纫幌拢袌鲅芯啃袠I(yè)在2012年的全球收入為390億美元,排除通貨膨脹因素后的增長率只有0.7%4。
我發(fā)現(xiàn),CEM行業(yè)增長背后有三個主要驅(qū)動因素:
1、企業(yè)越來越以客戶為中心。企業(yè)意識到,越是能滿足客戶的期望,越有可能成功。
2、企業(yè)已經(jīng)認識到,獲得新客戶比保留現(xiàn)有客戶成本更高(一項研究說, 獲得新客戶的成本最高多達五倍以上5)。
3、目前,技術(shù)能夠方便地跟蹤廣泛的客戶觸點上的客戶交互,并形成洞察。
這些趨勢導致客戶反饋如海嘯般迸發(fā)。如果公司打算利用這些客戶反饋,必須將其轉(zhuǎn)化為洞察。對每個行業(yè)來說,它是新的原材料,如果以正確的方式加以處理和應用,數(shù)據(jù)會產(chǎn)生巨大的價值。但是,如果不努力從中獲取洞察,數(shù)據(jù)就只是簡單的累積,不會對公司的發(fā)展有任何幫助。
市場研究面臨的挑戰(zhàn)和新來者的困境
在市場研究和企業(yè)反饋管理系統(tǒng)(EFM)中,客戶反饋的傳統(tǒng)范式依賴于以調(diào)查為基礎(chǔ)的介入,這種介入是企業(yè)指導和管理的。最初,隨著在線調(diào)查和社區(qū)(MROCs)的出現(xiàn),數(shù)字通信的興起只是增加了獲取客戶反饋的渠道。但是現(xiàn)在,隨著社交媒體的興起,消費者在各種渠道上變得越來越健談,而這些渠道是市場營銷人員無法控制的。例如, 即使沒有要求,客戶也會通過Facebook、Twitter、TripAdvisor等評論網(wǎng)站和個人博客,和外界分享他們的各種體驗。
這種大量的自發(fā)反饋,挑戰(zhàn)了傳統(tǒng)市場研究的方法。在傳統(tǒng)市場研究中,樣本是受控制的,問題也是精心構(gòu)造的。這就形成了一個以高級分析技術(shù)為基礎(chǔ)的新的競爭環(huán)境——分析大量的非結(jié)構(gòu)化的數(shù)值和文本數(shù)據(jù)。在新的競爭環(huán)境下,新來者扮演著數(shù)據(jù)提供商和知識管理公司的角色,其方法和傳統(tǒng)研究公司截然不同。
由于處理海量數(shù)據(jù)以及高度的非結(jié)構(gòu)化特性是大數(shù)據(jù)最大挑戰(zhàn)之一,因此,在形成洞察上,新來者想逆轉(zhuǎn)卻是很困難的。雖然技術(shù)能夠管理巨大的數(shù)據(jù)流,但大量的內(nèi)容都是和數(shù)值數(shù)據(jù)連在一起的原始文本,因此,我們必須使用一些工具,這些工具要能夠同時理解主觀變量和客觀變量,也就是文本和“硬數(shù)據(jù)”。
不同文本洞察技術(shù)的優(yōu)劣勢
和CEM軟件一樣,文本分析軟件也達到了很成熟的程度。文本分析軟件主要基于一種被稱為自然語言處理(NLP)的底層技術(shù)。由于這種方法在商業(yè)軟件中占據(jù)主導地位,從而掩蓋了另外兩種互補的文本處理方法。其實這兩種方法也很有價值,在某些情況下,它們更適合處理大量的反饋數(shù)據(jù)。
自然語言處理(NLP)
NLP或文本分析背后的技術(shù),是使用詞匯、字典以及相應的一系列確定性規(guī)則,將相似內(nèi)容的回答集合在一起,以識別特定主題或識別情緒,如正面或負面情緒。當用作詢問或?qū)徲嵐ぞ邥r,NLP特別適用于發(fā)現(xiàn)其在大數(shù)據(jù)集中的意義或情緒。在開發(fā)分析框架(一種稱為文本挖掘的方法)時同樣適用。
為了達到可接受的精確度水平,需要受過很好訓練的人力投入來詮釋內(nèi)容,并通過編寫附加規(guī)則來改進主題和情緒提取。這種優(yōu)化過程費時費力,而且常常被人們省略掉。
機器學習(Machine learning)
NLP的一個可行的替代方案是機器學習,這是一種人工智能方法,它從手動編碼的學習樣本(training examples)中自動學習如何對文本進行分類和解釋。隨著越來越多的學習樣本被提供,總體的準確性在不斷提高。
機器學習特別適用于大規(guī)模的重復性工作,可以自動運行,一旦接受訓練,只需極少干預。因為需要一個訓練集(每個主題或類別通常需要20個樣本),初始投入更適合大規(guī)?;蜻B續(xù)性項目;然而,一旦運行,與NLP不同,它不需要持續(xù)投入昂貴的人工詮釋或技術(shù)。與NLP相比,機器學習是一種較低成本的自動化解決方案。
半自動或計算機輔助編碼(Semi-automated or computer-assisted coding)
自動輔助的方法可以智能化地進行工作,它是在一個整體的組織結(jié)構(gòu)中,通過使用強力搜索、模糊匹配來對客戶評論進行分類,并優(yōu)化人工決策??梢哉f,這種方法會產(chǎn)生最準確的結(jié)果,但是它不能很好地擴展。投入會隨著工作量的增加而線性增加,管理負擔也呈指數(shù)級增長。這種方法與其他方法相比,除了較低的容量外,成本也很高。
如果一家公司正在從單一來源分析相同類型的客戶反饋,一種技術(shù)可能就夠了。然而,在當今多樣化和數(shù)據(jù)豐富的環(huán)境中,這種情況很少。在處理多個渠道的反饋(包括企業(yè)發(fā)出的和自發(fā)的)時,最大的挑戰(zhàn)在于其特征的多樣性。可以拿自行車作類比:如果要騎行的道路平坦而筆直,一輛單速自行車就可以了。然而,如果是復雜多變的地形,變速自行車將使旅程更輕松,更快捷,更有效率。
例如,與Facebook更新相比,轉(zhuǎn)錄電話會顯示出非常不同的語言使用,客戶調(diào)查中的評論與酒店評論網(wǎng)站上發(fā)表的評論也大不相同。由于模糊的內(nèi)容和嵌入的交叉引用,Twitter上的評論又完全不同了。每種類型的語言需要不同的解決方案。根據(jù)我的經(jīng)驗,即使大公司也難以找到有效的解決方案,因為存在普遍的錯誤認識:單一技術(shù)(通常被認為是NLP)可以適用于所有情況。
分析不同渠道的客戶反饋,面臨不同的挑戰(zhàn)
為優(yōu)化客戶洞察,在實施任何有效的VOC或CEM方案時,都需要平衡五個方面的因素,即:
方案的目標
反饋渠道類型
部署的洞察技術(shù)
成本約束
客戶反饋的數(shù)量級
詳細闡述這些考慮因素超出了本文的范圍,我會把重點放在主要的考慮因素上。需要結(jié)合各種技術(shù)來讓各種渠道的反饋更易于管理。要理解這一點,你必須了解你的反饋渠道以及你的文本洞察技術(shù),然后將這些渠道與最合適的技術(shù)相匹配。
任何企業(yè)都有可能擁有廣泛的反饋渠道。每一個都具有非常不同的特征,從分析的視角看,各具挑戰(zhàn)。
社交媒體評論的數(shù)量非常之多,但很難解釋,因為它們往往是特定情景下很隱晦的表述,充斥著難懂的術(shù)語,甚至很多具有反諷含義。盡管如此,社交媒體依然是洞察的重要來源,有助于公司快速響應事件和新情況,應對危機和各種趨勢。
而調(diào)查數(shù)據(jù)則容易解釋得多,因為問題是預先確定的,答案更加聚焦。獲取調(diào)查數(shù)據(jù)的高成本通常意味著數(shù)據(jù)量不大,因此,在收集的數(shù)據(jù)中不會存在薄弱或突發(fā)趨勢。
呼叫中心的記錄可以提供大量的反饋,而且相對容易理解,但它們是中介信息,并且可能由呼叫中心坐席員總結(jié)過。相比之下,呼叫中心的音頻可能比較難理解,通常需要先進行文字轉(zhuǎn)錄,以便容易使用。
市場調(diào)研在線社區(qū)的數(shù)據(jù)通常都是基于文本的,但數(shù)量相對較少。從表面上看,格式很像社交媒體的格式,但它容易解釋得多,因為內(nèi)容是被訪者仔細考慮過的,通常聚焦于特定情境。
在許多方面,入站電子郵件,就其形式和結(jié)構(gòu)而言,處于這些信息渠道的中心位置??头娮余]件可以是高度結(jié)構(gòu)化的,有一系列的問題和答案,與一項調(diào)查沒有什么不同。
在尋找適用于每個渠道的合適工具和方法時,必須理解特定企業(yè)中可用的反饋渠道的特征。兩個最有價值的變量是數(shù)據(jù)量(volume of data)和闡釋渠道信息的難度(difficulty of interpreting the channel)。對其進行分析,能看出在規(guī)模上,要完成的工作存在很大的差異。圖2概括了這一結(jié)果。
將技術(shù)與反饋類型相匹配
最后一步是將最佳技術(shù)與反饋類型相匹配。圖3顯示了在綜合考慮兩個相同的變量——數(shù)據(jù)量和解釋難度的情況下,在成本效益方面,三種不同技術(shù)方案的的最佳范圍。
NLP可以處理大量的數(shù)據(jù),但由于它是一種挖掘工具,而不是一種解釋工具,它更擅長提供快速的方向性洞察。 NLP不太適合對特定內(nèi)容進行細致的分析,當存在多種反饋渠道時,效果就比較差,數(shù)據(jù)也很難解釋。
在處理大量文本時,機器學習的效果最佳,增加工作量的邊際成本可以忽略不計。因為它是通過特定背景的樣本來訓練的,一旦它有了一套有效的學習樣本,它就有能力解釋難以識別的概念或情緒。
當應用到一個新的反饋渠道上,這兩個自動化的方法都需要付出很多投入,無論是調(diào)整NLP的規(guī)則或字典,還是機器學習的訓練和驗證。
半自動化方法非常適合內(nèi)容難以解釋的渠道,因為需要人腦參與確定內(nèi)容的意義。另外,不像自動化方法那樣,半自動化方法門檻不高,因此數(shù)據(jù)量不大時成本低廉。對于數(shù)據(jù)量大的渠道,半自動化的方法需要平衡其成本和收益。
如果你只使用一個單一的渠道,就有可能找到一個最優(yōu)的解決方案。然而,有三到四個不同的渠道,你肯定不能靠一輛單速自行車來面對各種復雜地形(回到我之前的比喻)。這不是自動文本處理的固有缺陷,相反,謹慎的組合方法實際上構(gòu)建了更強大、性價比更高的解決方案,每一項技術(shù)都發(fā)揮了最佳特點。
這意味著,你不僅可以優(yōu)化時間和質(zhì)量,而且,通過將人為干預集中在幾個能發(fā)揮最大價值的小領(lǐng)域,你還可以降低成本。例如,將目標聚焦在質(zhì)量控制上,或者讓分析師解釋自動文本挖掘報告。
開啟未來的洞察
由于客戶洞察實施和客戶反饋渠道目前是不一致的,而且經(jīng)常脫節(jié),在這個背景下,企業(yè)如果充分評估他們的內(nèi)部需求,并且不滿足于次優(yōu)的技術(shù)解決方案,就可以開始著手構(gòu)建高效的技術(shù)解決方案來整合各種反饋。目前的技術(shù)已經(jīng)可以讓不同的反饋渠道信息(主動征集的和自發(fā)的)轉(zhuǎn)化為及時的、可行動的洞察。當然,這需要一些投資,但結(jié)果可能是非常有價值的,在一個財政周期內(nèi),可以預期會有一個很好的回報。
據(jù)哈佛商學院報道,客戶保留率提高5個百分點,企業(yè)利潤會提高25%到95%6。而我在這里討論的技術(shù)上的投資可能只是收入的百分之一。
好消息是,最好的還未到來,技術(shù)在不斷進步。企業(yè)現(xiàn)在可以選擇各種有效的工具,組合使用來管理他們的客戶反饋流。市場研究人員擁有更豐富的數(shù)據(jù)資源可用,來補充調(diào)查數(shù)據(jù)(survey data)和傳統(tǒng)的硬的大數(shù)據(jù)反饋(hard number big data feed,指銷量等傳統(tǒng)的交易數(shù)據(jù))。我相信,若干年后如果我們回顧今天,會驚訝:我們只是開啟了待發(fā)掘的潛在洞察中很小的一部分。
關(guān)注公眾號:
華夏經(jīng)緯數(shù)據(jù)科技
更多調(diào)研資訊>>
本站文章內(nèi)容以及所涉數(shù)據(jù)、圖片等資料來源于網(wǎng)絡(luò),轉(zhuǎn)載目的在于傳遞更多信息。版權(quán)歸作者所有,文章僅代表作者觀點,不代表華夏經(jīng)緯立場。 如涉及侵權(quán),請聯(lián)系管理員刪除。在法律許可的范圍內(nèi),華夏經(jīng)緯(廣州)數(shù)據(jù)科技股份有限公司享有最終解釋權(quán)。