客户体验诊断步掌握

　　客户体验诊断，就是站在客户视角，去检查客户在与企业的接触过程中，各项体验是否良好。
　　隔离期，很多企业的生意都清淡了不少，这是不是意味着可以乘机放松下。
　　并不是的，这其实是个很好的契机，有时间好好的做下客户诊断。看下从客户视角，企业还有地方需要改善，待到春暖花开之际更好的扬帆起航
　　客户体验诊断价值
　　什么是客户体验诊断呢？诊断，其实就是检查下机体功能是否正常，而客户体验诊断，就是站在客户视角，去检查客户在与企业的接触过程中，各项体验是否良好。
　　那么客户体验诊断有什么价值呢？
　　1。及时纠错
　　企业最重要的资产是客户，如果客户因体验不好流失，那么对于企业来说将是巨大的损失。因此及时进行客户体验诊断，可以发现企业隐藏的问题，减少由于这些问题导致客户不满意而引起的流失风险。
　　2。挖掘机会点
　　通过用户体验诊断，可以重新梳理客户的需求，基于客户的需求找到新的机会点和增长点。
　　3。调整竞争策略
　　诊断不仅仅只是内部自省，也需要跳出来去看看行业的情况，把自己与友商，与行业标杆对比，及时调整竞争策略，找到生存和发展的空间。
　　客户体验诊断三步曲
　　1。指标量化分析
　　客户体验相关的指标或者说影响的指标，整理了下，一共有以下三类：
　　（1）结果呈现指标客户评分
　　客户评分是在客户与企业的交易完成之后从某些维度对交易是否达成预期进行打分，通常不同的平台有不同的评分标准，以下以京东、天猫等专业购物平台为例：
　　京东
　　从商品、服务、物流三个维度进行评分，京东比较关注物流，所以物流又拆分了快递配送速度，快递员服务，快递包装三个板块。
　　不过最终结果呈现上也是三个维度：
　　天猫
　　天猫也是从商品，服务，物流三个维度进行评分，同时增加了与行业的对比：
　　这些评分数据能从大方向上判断客户的满意度情况，尤其是天猫增加了与行业的对比，可以判断自身的客户体验感在整个行业的大体位置。
　　以上图天猫店铺为例，三项评分都是4。8分，都是高于行业均值，但是商品描述评分高于行业动态值是最低的（一般这项大部分商家都是三项中最高的，因为这项是默认五分），说明该商家在产品上处于弱势，需要重点提升。其次，物流作为线上购物是影响买家选购的重要评判标准，也有提升空间。
　　（2）关键过程指标
　　投诉率
　　投诉是指客户通过客服，官方平台，或者是订单系统直接或间接发起的纠纷工单，走上投诉的流程一般已经是在客户非常不满意的情况下了。
　　按照1：8：25法则，这些不满意的客户将会四处分享吐槽他们不愉快的经历，从而使企业损失25倍的潜在客户。
　　投诉率的统计有2张重要的表格：
　　投诉明细登记表：
　　注：对于问题的分类越细化，越有利于后期找到根本问题核心
　　投诉率统计表：
　　注：对于明细表统计分析，可以统计各类问题的比例及变化趋势。
　　NPS客户净推荐值
　　这是一个调研指标，了解客户主动将你的产品或品牌推荐给其他人的意愿度。这个指标也可以细化，了解客户对具体某个版块或者是某款商品的NPS。
　　据统计，NPS分值与企业盈利增长之间存在非常强的相关性，高NPS分值公司的复合年增长率比普通公司高两倍以上。
　　NPS的统计，一般可以采用阶段性调研，例如每季度，年度开展一次大型调研，数据样本越高，结果可靠性就越高。
　　回购率
　　如果说评价，调研等数据都会受到一些外在因素影响，那么回购率则是真材实料的体现了客户的满意度情况。
　　如果觉得产品或服务好，那么客户是有大概率回购的。因此我们将回购率进行分析，也可以得出客户对我们的满意度情况。
　　时间维度对比分析：
　　整体店铺的回购率对比上个周期，上上个周期，往年同期有没有发生变化
　　商品维度对比分析：
　　不同品类商品的回购率，同品类不同商品的回购率
　　回购率和评价的交叉分析：
　　不同回购率商品对应的商品评分，差评率，投诉率
　　与竞品的对比分析：
　　竞品一般的回购率，这类数据比较难获得，看看自己有没有特殊渠道了
　　（3）舆情量化指标客户评论
　　评分是量化指标，而评价则是非量化指标，评价是文字内容处理起来非常繁杂，但是对评价内容进行深度分析能发现很多潜在的问题和机会，因为分数可能是随手打的，但是认真写下的评价却是客户的真实心声。
　　那么评价数据怎么处理呢，有2步：
　　第一步，词频分析
　　词频分析较为简单粗暴，主要是用来分析用户主要关注方向点，分析步骤：
　　将统计期内的评价数据，统计导出到词频分析软件中，再导出，就可以得出出现相同词语的词语和其出现次数，如下图：
　　收集评价内容
　　词频分析
　　生成词云图：
　　词云分析可以获得一些关键信息，例如图中的分析大概可以得出一些结论：
　　整体上客户对该花店的满意度是不错的；
　　康乃馨是客户最关注的品种；
　　花品新鲜是客户最在意的点；
　　第二步，评价归类分析
　　评价归类分析则是详细研究客户对各维度的满意度情况和比例，是根据评价内容里面的关键词将评价进行分类，它的准确率是建立上大量的评价数据查看和关键词提取上。
　　实操案例：某电商品牌
　　下载其近半年内所有评价，浏览查看结合词频分析中高频关键词，提炼核心关键词，并将关键词归类到不同问题类型中：
　　将下载下来的评价与关键词库交叉分析，得到负面评价归类表，计算各类问题的负面评价率。
　　同理，好评内容也可如此操作，可得出客户评价中对企业的各版块服务的表扬率。
　　详细的分析方法之前有讲过：可参考提升DSR最全的方法都在这了！
　　除了对自身的分析，这个方法也同样适用对竞品的分析，因为评价内容是可以在网页上直接查看的，采用爬虫工具，就可以爬取竞品的评价进行同维度的分析，站在客户的视角对双方的优缺点深度对比，从中找到新的突破点。
　　总结下，客户体验指标有以下特点：
　　2。SWOT分析汇总
　　基于上述的三大类指标的分析，可以从整理上了解客户对我们的产品，物流，服务的体验感受，这些内容可能分散在不同指标里面。因此接下来需要对这些结论数据进行统一的整理归纳，以便更直观的掌握情况：
　　整理好内部的情况后，再结合外部环境情况，就可以做出企业基于客户需求的swot分析，最终的目的是为了找到改善点以及企业发展的机会点：
　　3。问题定位及改善
　　通过整理归纳，我们可以大致了解从客户体验的角度，我们哪些地方是让客户满意的，哪些是让客户不满意的，看起来客户体验诊断到这里就结束了，其实并没有。
　　这只是开始，我们需要顺着问题的表象回溯导致问题发生的根因，并针对问题根因制定改善计划，以及后期如何避免此类问题重复发生。
　　（1）问题根因定位
　　虽然在我们的日常工作中，写总结是很频繁的事情，但其实很多人都写不好总结，因为在分析问题导致的原因时，一般只分析第1层，那么导致第1层原因的原因呢？
　　例：本月好评率下降30，主要原因是华南地区物流太慢
　　问：华南仓物流单量占比多大？为什么华南仓物流尤其慢？是签约的快递公司效率太低，还是货品打包速度太慢？
　　（2）专项改善计划
　　找出了问题之后不是写个PPT汇报一下就完了，如果不去建立专项的改善计划，定义好责任人，改善措施，完成时间，那么这个问题将永远无法解决，建议制作计划跟踪检核表。
　　（3）建立问题监督改善机制
　　改善计划也完成了就结束了吗？其实还没有，一个问题解决了马上会有新的问题出现，如果我们不去建立一套问题的监控改善机制，及时把小问题扼杀在摇篮里，那么它就会发酵，最后爆发严重的客户体验问题。
　　（4）案例实操分享
　　背景说明：
　　某企业A：通过分析，发现A企业的客户物流体验是三项中最弱的，因此物流问题导致的差评和投诉也是最多的。但是A企业非常不明白的是，他们用的快递也都是市面上常见的几种快递，费用也没有比别人便宜，那么问题到底出在哪呢？
　　为了改善问题，企业做了以下几个步骤的动作：
　　第一步，深入分析定位问题
　　不同地区的发货快递、发货时长、差评率，并做交叉分析和行业对比。
　　分析结论：
　　华南地区，尤其是广东省，作为其核心收货省份，物流差评率远高于其他地区，可在快递时效上广东省没有明显优势，行业其他的商家，他们在广东省的快递时效要快很多。
　　针对华南地区时效慢的问题，拆解订单从在仓库出库，到快递揽收，派送，签收各环节点的时效。
　　发现问题：
　　第一华南地区的发货仓库包裹从出库到快递揽收需要7个小时，而其他仓库只需要4个小时；
　　第二，快递到达派送网点后，当日派送签收率广东省只有60，而其他地区最高做到了90。
　　深入研究华南仓的操作流程，对广东省当地的派件网点核查调研。
　　问题症结：
　　班车时间对接问题，华南仓每天下午6点快递班车过来取件，到达当地的分拣点是晚上8点，而分拣点发到广东的车次是晚上7点，下一个班次要到晚上12点，就这样，不得不再等待4小时。
　　广东省所用的快递在广东地区的网点大部分并不是自营，而是个体户承包，他们缺乏组织性，效率低，导致派件不及时。
　　第二步，建立了问题专项改善计划
　　通过以下三步计划，1个月后A企业的物流时效上升明显，尤其是华南地区，环比上升了30，物流差评率下降了50。
　　规则修改：立即调整了华南仓的班车取件时间，改到了下午4点半。
　　制度考核：联系华南地区发货快递总公司，下发最后整改约定及建议方案：对网点进行派送时效承诺，若当日派送率低于80，则采取一单扣取1元费用的措施，在每月结算时体现。
　　问题自查：对企业的其他几大发货仓库采取全员自查计划，凡是发现问题点，并找到了有好的改善措施能够提升时效的，都给予丰厚奖励。
　　第三步，问题监控改善机制上线
　　企业为了避免此类问题重复出现，建立了一套问题监控改善机制，可以实时通过数据预警，及时进行干预。具体怎么操作，之前的推文也有讲到：点击万字干货提升DSR最全的方法都在这了！