基于大数据的客户体验评估与量化——瑞思值在电商平台体验评估与运营中的应用

张宝宇，李爽，陈玉琪

（1阿里巴巴集团，浙江 杭州 310000；2上海交通大学 设计学院，上海 200000）

一、背景

随着流量红利的消失，越来越多的行业进入存量时代。以电商为例，电商市场逐渐成熟，已然成为高频次高消费的需求类产品［1］。电商经济的百花齐放，对电商企业的全链路客户体验提出了更高的要求。电商企业想要在下半场突出重围，就需要回归客户价值，关注客户体验。

二、体验评估方法综述

当前主流的体验评估方法有CSAT（客户满意度）、NPS（净推荐值）、投诉率、万笔订单差评率等，但它们都存在原生的表述和运营缺陷。

CSAT 简单且直观，但其缺乏全面性，真实性易受“邀评”影响；NPS 专注于客户口碑，仅需要用户回答一个简单问题即可完成评价［2］，但其侧重宏观度量，无法被应用于深入的客户运营分析中。

在企业关注客户体验的背景下，需要一个全渠道、多维度的加权体验评估手段，用以衡量企业的客观口碑与客户体验，并指导运营落地。

三、客户价值感知理论

客户价值模型围绕“价值创造—价值传递—客户价值”展开并形成闭环［3］，常用的价值维度为功能价值、感知利失、情感价值、社会价值等。

体验度量具有非常强的业务属性，不同的业务类型、业务阶段、业务规模、资源情况都有与之相匹配的度量方式。就电商行业而言，电商企业提供的商品和服务等功能会影响客户的感知，消费的体验过程及情感需求也会影响客户的感知。随着社会对企业道德和责任关注度的提升，企业必须关注社会价值的创造［4］，社会价值也体现了客户通过使用电商平台获得社会认同的感知。

此次研究基于互联网电商行业，着眼于用户体验链路中的各环节，围绕感知价值的四个维度，形成电商行业客户感知价值模型，用以建立各环节体验问题对客户感知价值的影响程度评估体系（见图1）。

图1 电商行业客户感知价值模型

四、基于大数据的客户体验评估体系构建

在大数据和智能技术快速发展的背景下，多维度数据的获取成本降低，用全量的客户反馈衡量客户体验和商业体口碑成为可能。

（一）客户体验综合指数的建立方法

瑞思值是以大数据和人工智能为基础的全渠道、多维度动态加权体验指数，用以衡量客户体验和商业体的品牌美誉度及口碑。

瑞思值不同于CSAT 和NPS，它是基于VOC（用户原声）、OPS（运营指标）和CES（费力度）等，通过大数据技术聚合而成的。瑞思值指数的建设实践需遵循“五步法”。一是在业务研究阶段，团队需要从实际业务需求出发，确定瑞思值的算式因子；二是在实施启动阶段，需要梳理和接入各渠道数据，尽量广泛地覆盖消费者旅程中的各（核心）环节；三是问题聚类的实操需要以始为终，始终思考聚类后的解决方案，从而使业务的每个体验改善动作都可在瑞思值数据上得到有效测量和监控；四是权重测算要依据业务特性进行方法选择和组合，主要涵盖消费者感知和消费行为两方面；五是数据校验阶段注重检验指标的科学性、灵敏性和业务相关性。

（二）瑞思值的建立——以电商行业为例

1.确定算式因子

瑞思值的设计需综合考虑用户与平台每个触点的正向价值获取和负向损耗，定义两者之差。例如，在电商行业中，每一次接触和完美履约等都会提高客户的信任度，而每一次体验障碍都会降低客户对平台的信心。

客户的体验障碍可从多渠道体现，一方面，当不同的体验障碍发生时，其对信任度的影响有较大差异。另一方面，依据商品和客户的不同，同样的体验障碍在不同背景和情况下产生的负向影响也有较大差异，科学地考虑其动态权重影响，可以使评估更加精准。

在此过程中，确定自身业务中影响客户感知的重要因子和逻辑关系，是影响最终输出的关键步骤。

2.数据源确定及获取

首先，在电商行业，客户的反馈是重要的数据来源，其会通过不同渠道发声，如障碍咨询、投诉、退货、差评以及监管举报、媒体曝光等。

其次，运营数据是另一重要的数据源。实际运营数据在反映没有发声的客群的感受方面最具说服力。定义运营中影响客户体验的全节点并将数据运用于体验影响因素中，对全面刻画用户感知而言是必不可少的。

最后，客户行为分析数据能通过分析节点间的客户行为，发现异常行为暴露出的体验问题，最终真正全面刻画客户的体验感知（见图2）。

图2 体验指标公式及数据源

3.问题聚类

获得全面的数据之后，需要对数据做对应聚类才能够应用该数据。数据当中的VOC 多半并非结构化，而语义分析等智能技术在客户意图识别中的应用使结构化成为可能。

问题聚类六原则表

问题聚类的最终目的是准确描述问题，发现其出现的根本原因，不同的聚类维度会带来截然不同的原因分析和解决方案。选用适合的聚类方式是瑞思值准确反映企业体验水平的关键所在。VOC 可与运营数据、用户数据等综合聚类，必须遵循一定的聚类原则（见上表）。

4.权重测算

权重测算方法种类较多，应根据应用场景和数据特征选择。权重可源于用户感知及用户行为，其中用户感知调研有因子分析法、AHP层次分析法、熵权法、独立性权重和信息量权重等。本文以层次分析法为例，介绍瑞思值在电商行业实践中的权重测算方式。层次分析法优势在于能将定性指标量化，有利于处理复杂的决策类问题［5］。

层次分析权重计算步骤共五步。

第一，问卷设计与回收。根据层次分析法计算要求进行问卷设计，邀请行业专家填写问卷，以确定评价指标的权重，反映对应问题场景的重要程度。回收问卷后，对专家评分进行归一化处理。

第二，构建判断矩阵。根据每个一级维度的判断矩阵，将因素分成两两一组，进行比较分析。

第三，最大特征值求解。对每一行元素的几何平均值进行计算，具体如下：

对最大特征值的对应特征向量进行计算，具体如下：

对最大特征值进行求解，具体如下：

第四，一致性检验。用以判断矩阵是否出现逻辑性错误，其中CI 代表一致性指标，RI则代表平均随机一致性指标，根据因子数取不同常数。而CR 代表的是随机一致性比率，如果得到CR=CI／RI ＜0.1，则该判断矩阵通过了一致性检验。

第五，确定权重。得到单层维度因子的权重后，进行一级和二级的权重加成。

5.结果验证

可通过业务判断、用户调研数据和长效运营反馈机制等对瑞思值设定效果进行评估。在一些较简单的业务中，专家的业务能力足以准确判断结果的可信度。在较复杂场景下，则应通过一定样本量的用户调研校验瑞思值结果。在更为复杂的无法通过历史数据校验的业务中，则可通过长效监控运营结果，形成反馈，据此完善数据源，进行相应参数调整，使其更有力地指导业务运营。

在当前实践中，将瑞思值与NPS 拟合，两者呈现一致的整体趋势，说明瑞思值能真实反映业务的客户体验水平。

五、结语

此次研究建立了电商客户价值感知体系，并与实际业务场景进行连接，综合正向及负向体验影响因素后得到客户体验评估指数——瑞思值。通过全渠道链接到订单的有效数据与科学计算方法，建立一套以瑞思值为核心的客户体验全流程数据化体系，实现通过用户定性、定量数据对体验进行量化评估，使体验指标可回溯、可追踪、可长效运营。当电商进入下半场，客户体验日益受到重视，客户体验瑞思值的建立将为品牌心智打造和业务可持续增长提供决策依据。

瑞思值因具有“全面客观自适应，实时全息可运营”的特征，故可成为业务体验管理的有效工具，帮助聚焦问题，并进行效果闭环。

相对于传统的客户体验和商誉衡量方法，瑞思值的优势显而易见，上述特性在体验运营管理中发挥的作用逐渐显现出来。瑞思值包括了微观和宏观，其全息性决定其可以随时回溯到具体事件，从而可以将每一点瑞思值的波动和具体个人和团队的行为联系起来。

瑞思值作为现代智能大数据技术发展下体验理论具象化的产物，除了被运用于客户体验和商业体美誉度中，其概念和衍生指数同样还能够在质量管理、物流管控等场景中得以推广。瑞思值全渠道、多维度、智能影响度调节和全息节点回溯的思想在信息科技突飞猛进的今天将得到越来越深入的发展，这是时代进步的必然趋势。