公海赌赌船官网jc710北京

盡管存在質疑，許多公司仍然在通過傳(chuan) 統的市場調查來獲取洞察，而一些技術公司則聲稱能從(cong) 龐大的原始信息中獲取比傳(chuan) 統市場研究更好的洞察。Rick Kieser指出，兩(liang) 者必須被整合在一起，否則市場研究將會(hui) 被邊緣化。 Rick Kieser進一步說明要如何將非結構化文本處理的最新進展納入到市場研究人員的能力範圍內(nei) 。

駕馭新的數據流

由於(yu) 數字通信帶來越來越多的選擇，現在, 客戶有無數的方式來分享他們(men) 對企業(ye) 的反饋，包括正麵和負麵的信息。許多以客戶為(wei) 導向的企業(ye) 現在都擁有客戶體(ti) 驗管理(customer experience management，CEM)或客戶之聲(voice-of-the-customer,VOC)平台來管理海量的信息流。

與(yu) 此同時，盡管存在質疑，許多公司繼續通過傳(chuan) 統的市場調查來獲取洞察。而一些在數字通訊領域有優(you) 勢的供應商，則聲稱能從(cong) 龐大的原始信息中獲取比傳(chuan) 統市場研究更好的洞察。

這些不同的領域很少被整合在一起，而市場研究人員也很少使用運營平台上的客戶反饋作為(wei) 洞察產(chan) 生的主要數據源。在這篇文章中，我會(hui) 闡釋，為(wei) 什麽(me) 整合的方法是必須的。如果不這樣做，就像我們(men) 所擔心的那樣，市場研究將會(hui) 被邊緣化。我還會(hui) 進一步說明，如何將非結構化文本處理的最新進展納入市場研究人員的能力範圍內(nei) 。

客戶體(ti) 驗管理(CEM)和客戶之聲(VOC)

對消費者來說，客戶體(ti) 驗正日益成為(wei) 唯一有意義(yi) 的差異化因素。今天，企業(ye) 對產(chan) 品設計和質量控製極為(wei) 重視，這意味著在絕大多數品類上，不同品牌在質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(jia) 格、使用體(ti) 驗和聲譽等方麵的決(jue) 策上，更多依賴他人的體(ti) 驗，即使線下發生的購買(mai) 行為(wei) 也是如此。

我們(men) 能否更重視品牌信譽的價(jia) 值?根據一項調查，由於(yu) 客戶體(ti) 驗不佳，每年有超過830億(yi) 美元的商業(ye) 損失1。在這個(ge) 充滿活力和瞬息萬(wan) 變的環境中，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(you) 先級，並在所有渠道中保持一致的客戶體(ti) 驗，同時優(you) 化營銷支出。

每項舉(ju) 措都必須依賴可靠的數據產(chan) 生高質量的洞察，從(cong) 而驅動決(jue) 策。過去，市場研究往往是收集和處理相關(guan) 信息的唯一可行手段，如今，客戶體(ti) 驗的每個(ge) 不同方麵通常都有充足的數據，並且能夠很容易地整合在一起。現在，市場研究數據反而與(yu) 業(ye) 務有些脫節。

客戶體(ti) 驗管理(CEM)和客戶之聲(VOC)2行業(ye) 大約誕生於(yu) 20年前，兩(liang) 者最初並不相同，但現在兩(liang) 個(ge) 術語基本上是同義(yi) 的。兩(liang) 者都專(zhuan) 注於(yu) 在客戶的整個(ge) 生命周期中，通過自動化的流程，追蹤、監控和管理客戶與(yu) 企業(ye) 之間的每個(ge) 交互。

而企業(ye) 反饋管理係統(enterprise feedback management，EFM)是研究技術提供商創造的一個(ge) 術語，用來描述基於(yu) 調查的反饋征集。 EFM交互通常由客戶接觸點觸發，這使得它成為(wei) 許多VOC解決(jue) 方案的便捷數據源。但是，一些VOC計劃並不依賴於(yu) 調查，而是通過其他方式獲得數據。

2012年至2017年，客戶體(ti) 驗管理(CEM)行業(ye) 每年增長近20%，市場規模預計增長近三倍，超過68億(yi) 美元( Figure 1)。可以對比一下，市場研究行業(ye) 在2012年的全球收入為(wei) 390億(yi) 美元，排除通貨膨脹因素後的增長率隻有0.7%4。

我發現，CEM行業(ye) 增長背後有三個(ge) 主要驅動因素：

1、企業(ye) 越來越以客戶為(wei) 中心。企業(ye) 意識到，越是能滿足客戶的期望，越有可能成功。

2、企業(ye) 已經認識到，獲得新客戶比保留現有客戶成本更高(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，技術能夠方便地跟蹤廣泛的客戶觸點上的客戶交互，並形成洞察。

這些趨勢導致客戶反饋如海嘯般迸發。如果公司打算利用這些客戶反饋，必須將其轉化為(wei) 洞察。對每個(ge) 行業(ye) 來說，它是新的原材料，如果以正確的方式加以處理和應用，數據會(hui) 產(chan) 生巨大的價(jia) 值。但是，如果不努力從(cong) 中獲取洞察，數據就隻是簡單的累積，不會(hui) 對公司的發展有任何幫助。

市場研究麵臨(lin) 的挑戰和新來者的困境

在市場研究和企業(ye) 反饋管理係統(EFM)中，客戶反饋的傳(chuan) 統範式依賴於(yu) 以調查為(wei) 基礎的介入，這種介入是企業(ye) 指導和管理的。最初，隨著在線調查和社區(MROCs)的出現，數字通信的興(xing) 起隻是增加了獲取客戶反饋的渠道。但是現在，隨著社交媒體(ti) 的興(xing) 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製的。例如， 即使沒有要求，客戶也會(hui) 通過Facebook、Twitter、Tripadsvisor等評論網站和個(ge) 人博客，和外界分享他們(men) 的各種體(ti) 驗。

這種大量的自發反饋，挑戰了傳(chuan) 統市場研究的方法。在傳(chuan) 統市場研究中，樣本是受控製的，問題也是精心構造的。這就形成了一個(ge) 以高級分析技術為(wei) 基礎的新的競爭(zheng) 環境——分析大量的非結構化的數值和文本數據。在新的競爭(zheng) 環境下，新來者扮演著數據提供商和知識管理公司的角色，其方法和傳(chuan) 統研究公司截然不同。

由於(yu) 處理海量數據以及高度的非結構化特性是大數據最大挑戰之一，因此，在形成洞察上，新來者想逆轉卻是很困難的。雖然技術能夠管理巨大的數據流，但大量的內(nei) 容都是和數值數據連在一起的原始文本，因此，我們(men) 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“硬數據”。

不同文本洞察技術的優(you) 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於(yu) 一種被稱為(wei) 自然語言處理(NLP)的底層技術。由於(yu) 這種方法在商業(ye) 軟件中占據主導地位，從(cong) 而掩蓋了另外兩(liang) 種互補的文本處理方法。其實這兩(liang) 種方法也很有價(jia) 值，在某些情況下，它們(men) 更適合處理大量的反饋數據。

自然語言處理(NLP)

NLP或文本分析背後的技術，是使用詞匯、字典以及相應的一係列確定性規則，將相似內(nei) 容的回答集合在一起，以識別特定主題或識別情緒，如正麵或負麵情緒。當用作詢問或審訊工具時，NLP特別適用於(yu) 發現其在大數據集中的意義(yi) 或情緒。在開發分析框架(一種稱為(wei) 文本挖掘的方法)時同樣適用。

為(wei) 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(nei) 容，並通過編寫(xie) 附加規則來改進主題和情緒提取。這種優(you) 化過程費時費力，而且常常被人們(men) 省略掉。

機器學習(xi) (Machine learning)

NLP的一個(ge) 可行的替代方案是機器學習(xi) ，這是一種人工智能方法，它從(cong) 手動編碼的學習(xi) 樣本(training examples)中自動學習(xi) 如何對文本進行分類和解釋。隨著越來越多的學習(xi) 樣本被提供，總體(ti) 的準確性在不斷提高。

機器學習(xi) 特別適用於(yu) 大規模的重複性工作，可以自動運行，一旦接受訓練，隻需極少幹預。因為(wei) 需要一個(ge) 訓練集(每個(ge) 主題或類別通常需要20個(ge) 樣本)，初始投入更適合大規模或連續性項目;然而，一旦運行，與(yu) NLP不同，它不需要持續投入昂貴的人工詮釋或技術。與(yu) NLP相比，機器學習(xi) 是一種較低成本的自動化解決(jue) 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(ge) 整體(ti) 的組織結構中，通過使用強力搜索、模糊匹配來對客戶評論進行分類，並優(you) 化人工決(jue) 策。可以說，這種方法會(hui) 產(chan) 生最準確的結果，但是它不能很好地擴展。投入會(hui) 隨著工作量的增加而線性增加，管理負擔也呈指數級增長。這種方法與(yu) 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(cong) 單一來源分析相同類型的客戶反饋，一種技術可能就夠了。然而，在當今多樣化和數據豐(feng) 富的環境中，這種情況很少。在處理多個(ge) 渠道的反饋(包括企業(ye) 發出的和自發的)時，最大的挑戰在於(yu) 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，如果是複雜多變的地形，變速自行車將使旅程更輕鬆，更快捷，更有效率。

例如，與(yu) Facebook更新相比，轉錄電話會(hui) 顯示出非常不同的語言使用，客戶調查中的評論與(yu) 酒店評論網站上發表的評論也大不相同。由於(yu) 模糊的內(nei) 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(jue) 方案。根據我的經驗，即使大公司也難以找到有效的解決(jue) 方案，因為(wei) 存在普遍的錯誤認識：單一技術(通常被認為(wei) 是NLP)可以適用於(yu) 所有情況。

分析不同渠道的客戶反饋，麵臨(lin) 不同的挑戰

為(wei) 優(you) 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(ge) 方麵的因素，即：

方案的目標

反饋渠道類型

部署的洞察技術

成本約束

客戶反饋的數量級

詳細闡述這些考慮因素超出了本文的範圍，我會(hui) 把重點放在主要的考慮因素上。需要結合各種技術來讓各種渠道的反饋更易於(yu) 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，然後將這些渠道與(yu) 最合適的技術相匹配。

任何企業(ye) 都有可能擁有廣泛的反饋渠道。每一個(ge) 都具有非常不同的特征，從(cong) 分析的視角看，各具挑戰。

社交媒體(ti) 評論的數量非常之多，但很難解釋，因為(wei) 它們(men) 往往是特定情景下很隱晦的表述，充斥著難懂的術語，甚至很多具有反諷含義(yi) 。盡管如此，社交媒體(ti) 依然是洞察的重要來源，有助於(yu) 公司快速響應事件和新情況，應對危機和各種趨勢。

而調查數據則容易解釋得多，因為(wei) 問題是預先確定的，答案更加聚焦。獲取調查數據的高成本通常意味著數據量不大，因此，在收集的數據中不會(hui) 存在薄弱或突發趨勢。

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(men) 是中介信息，並且可能由呼叫中心坐席員總結過。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錄，以便容易使用。

市場調研在線社區的數據通常都是基於(yu) 文本的，但數量相對較少。從(cong) 表麵上看，格式很像社交媒體(ti) 的格式，但它容易解釋得多，因為(wei) 內(nei) 容是被訪者仔細考慮過的，通常聚焦於(yu) 特定情境。

在許多方麵，入站電子郵件，就其形式和結構而言，處於(yu) 這些信息渠道的中心位置。客服電子郵件可以是高度結構化的，有一係列的問題和答案，與(yu) 一項調查沒有什麽(me) 不同。

在尋找適用於(yu) 每個(ge) 渠道的合適工具和方法時，必須理解特定企業(ye) 中可用的反饋渠道的特征。兩(liang) 個(ge) 最有價(jia) 值的變量是數據量(volume of data)和闡釋渠道信息的難度(difficulty of interpreting the channel)。對其進行分析，能看出在規模上，要完成的工作存在很大的差異。圖2概括了這一結果。

將技術與(yu) 反饋類型相匹配

最後一步是將最佳技術與(yu) 反饋類型相匹配。圖3顯示了在綜合考慮兩(liang) 個(ge) 相同的變量——數據量和解釋難度的情況下，在成本效益方麵，三種不同技術方案的的最佳範圍。

NLP可以處理大量的數據，但由於(yu) 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(nei) 容進行細致的分析，當存在多種反饋渠道時，效果就比較差，數據也很難解釋。

在處理大量文本時，機器學習(xi) 的效果最佳，增加工作量的邊際成本可以忽略不計。因為(wei) 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(xi) 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(ge) 新的反饋渠道上，這兩(liang) 個(ge) 自動化的方法都需要付出很多投入，無論是調整NLP的規則或字典，還是機器學習(xi) 的訓練和驗證。

半自動化方法非常適合內(nei) 容難以解釋的渠道，因為(wei) 需要人腦參與(yu) 確定內(nei) 容的意義(yi) 。另外，不像自動化方法那樣，半自動化方法門檻不高，因此數據量不大時成本低廉。對於(yu) 數據量大的渠道，半自動化的方法需要平衡其成本和收益。

如果你隻使用一個(ge) 單一的渠道，就有可能找到一個(ge) 最優(you) 的解決(jue) 方案。然而，有三到四個(ge) 不同的渠道，你肯定不能靠一輛單速自行車來麵對各種複雜地形(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建了更強大、性價(jia) 比更高的解決(jue) 方案，每一項技術都發揮了最佳特點。

這意味著，你不僅(jin) 可以優(you) 化時間和質量，而且，通過將人為(wei) 幹預集中在幾個(ge) 能發揮最大價(jia) 值的小領域，你還可以降低成本。例如，將目標聚焦在質量控製上，或者讓分析師解釋自動文本挖掘報告。

開啟未來的洞察

由於(yu) 客戶洞察實施和客戶反饋渠道目前是不一致的，而且經常脫節，在這個(ge) 背景下，企業(ye) 如果充分評估他們(men) 的內(nei) 部需求，並且不滿足於(yu) 次優(you) 的技術解決(jue) 方案，就可以開始著手構建高效的技術解決(jue) 方案來整合各種反饋。目前的技術已經可以讓不同的反饋渠道信息(主動征集的和自發的)轉化為(wei) 及時的、可行動的洞察。當然，這需要一些投資，但結果可能是非常有價(jia) 值的，在一個(ge) 財政周期內(nei) ，可以預期會(hui) 有一個(ge) 很好的回報。

據哈佛商學院報道，客戶保留率提高5個(ge) 百分點，企業(ye) 利潤會(hui) 提高25%到95%6。而我在這裏討論的技術上的投資可能隻是收入的百分之一。

好消息是，最好的還未到來，技術在不斷進步。企業(ye) 現在可以選擇各種有效的工具，組合使用來管理他們(men) 的客戶反饋流。市場研究人員擁有更豐(feng) 富的數據資源可用，來補充調查數據(survey data)和傳(chuan) 統的硬的大數據反饋(hard number big data feed，指銷量等傳(chuan) 統的交易數據)。我相信，若幹年後如果我們(men) 回顧今天，會(hui) 驚訝：我們(men) 隻是開啟了待發掘的潛在洞察中很小的一部分。