在我之前的專欄中，我已經提到了幾種可以改善使用大數據分析的客戶體驗的方法，其中一種最成功的方法是將語音和數據分析應用到您現有的客戶互動中。

我最早的語音分析經驗之一是在1999年假期期間在亞馬遜網站上。我為亞馬遜的三個網站（美國，英國和德國）運營全球客戶服務，這個假期給我們的運營帶來了很大的壓力。盡管網絡自助服務和運營效率取得了重大進展，但亞馬遜推出了新的“商店”，這些商店需要退貨（不像早期的書籍，音樂和視頻商店）和更高水平的支持，然后WTO于12月上旬在西雅圖召開會議，在那里我把兩個美國聯絡中心都放在一個似乎鼓勵抗議的“無抗議區”。

接下來發生騷亂，服務水平下降，在我們的每日會議中如同戰爭一般，我的IT合作伙伴提出應用一項名為word-spotting的新技術來幫助緩解電子郵件隊列。我們發現所有帶有“圣誕老人”，“圣誕節”或“毀了”的電子郵件都值得更快關注，因此他們幫助我們創建了一個新的電子郵件隊列，分配給我們的三級客戶服務代表，這些關鍵詞包括如“如果你們在我們前往父母家之前沒有得到約翰尼的玩具，那么圣誕老人就不會到來，圣誕節也會毀了?。。　?/p>

這需要一些繁重的工作，但我們的隊列迅速恢復控制，我們為Johnny和Rachel保存了許多Christmases，我們可以跟蹤積極的客戶口碑（類似于今天的NPS），因為這個干預計劃；此外，我的座席們真的很喜歡解決客戶問題，在這里他們可以“鎖定”或刪除多個電子郵件消息，這些電子郵件已經開始積累，因為媽媽對于及時獲取產品非常著急。第二年，我們擴展了這個分析程序，從那時起它變得更加普遍，但你今天如何利用它的力量呢？

以下是應用語音和數據分析以改善客戶體驗的五個簡單步驟：

1、收集客戶的聲音

您可能想查看2017年3月的專欄“使用大數據構建客戶計劃的集成語音:6步指南”，我在其中列出了20個或更多不同的地方，您可以收集客戶的聲音，將它們匯集在一起“綜合VOC計劃”，并使用客戶聯系原因代碼或關鍵詞分析其趨勢。

例如，您應該包含您控制的社交媒體帖子（公司Facebook網站或Twitter提要）以及您無法控制的社交媒體帖子（例如Google，Yelp和行業網站）；您客戶的聊天會話，電子郵件，電話聯系人和短信；對任何調查的逐字評論（例如，基于聯系后的基于網絡或IVR的調查問卷，第三方外撥電話和網站性能網站）；以及與銷售團隊，高管，現場支持或維修，柜員和其他面向客戶的團隊的任何互動。

2、關鍵詞和熱門話題目錄

這是關鍵步驟，可能非常有啟發性。在這里，我建議將整個客戶“旅程”中的跨職能團隊與您的公司聯系在一起，并詢問他們（a）我們客戶的“真實時刻”在哪里，以及（b）我們可能在哪里跌倒？換句話說就是“熱點”是什么？然后你可以開始問“他們是什么？”例如，你可能想聽到“這對我來說很容易注冊”而你不想聽到“這對我來說很難使用你的網站”。

在我的上一本書--您的客戶規則！--中，提供了當今客戶所需的Me2B體驗，我的合著者David Jaffe和我采訪并研究了公認的全球體驗領導者，如Birds of Prey（澳大利亞），Nordstrom（美國），Vente-Privee（法國）和Yama to Transport（日本），我們制作了7個客戶需求列表，分為39個子需求。每個Needand Sub-Need都是用客戶語言編寫的，可以輕松挖掘單詞并應用語音和數據分析；對于每個Sub-Need，我們還提出了“失敗聲明”。

對關鍵詞和熱門話題進行編目的另一種方法是從我的亞馬遜1999假期書中取出一頁，并列出您不希望從客戶那里聽到的翻版表達，例如：

“為什么......？”

“你一定是在開玩笑吧！”

“這是第二次......”（體驗的良好指標--破壞重復接觸，或“雪球”）

收縮包括“不能”和“不會”，特別是當與“有意義”或“為我工作”等詞語結合時。

“破壞”

3、捕捉這些聲音和單詞

從大大小小的供應商那里都有很多優秀的語音和數據引擎，因此您不難說服其中一個或兩個從您的一些渠道的客戶聲音中獲取您的編目關鍵詞和熱門話題。分析他們的頻率和強度（這是語音分析閃耀的地方）。

4、使用推薦引擎

現在好玩的開始了！但首先，請記住語音分析，就像其他形式的大（和?。祿粯?，忽視“保持得分”的傾向是必不可少的（就像說“我們上個月的VOC評分為82，兩個月以上的好評”，以前當它是79），因為你永遠不知道是什么驅動得分。相反，使用語音分析作為客戶體驗的關鍵洞察力，通常是消耗或銷售下降的主要指標，也是營銷或其他運營團隊改善績效的工具。

一旦捕獲了聲音和單詞，您就可以構建一個推薦引擎，嘗試恢復客戶信心，改善客戶體驗，并導致客戶重新購買和保留。一個經典的推薦引擎是為您的客戶服務代表，出納員或安裝人員提供指導“當您聽到X，做Y時。”更先進但功能更強大的推薦引擎可以捕捉近乎實時的負面情緒或聲音通過特定的變更或干預措施（例如來自您的專業技術解決方案小組的外撥電話或自動應用于其帳戶的折扣），在他們下一個可能的痛點之前聯系這些客戶。

5、學習并比較結果

在構建運營模型時，最后一步涉及大數據的另一個高影響方面，通常稱為“機器學習”。像金融服務公司這樣的組織使用這個學習步驟來看看他們的定價或政策變化建議是否有效，這意味著“客戶是否購買更多并留在對照組中？”?；蛘唠娦呕蛴芯€電視/互聯網提供商可以查看他們的定價或促銷是否有效；或公用事業單位檢測他們的費率計劃或非高峰折扣計劃。

如果是這樣，請再試一次；如果沒有，請與這些客戶一起嘗試其他內容，并在特定時間向某些客戶提出某些建議無效。這并不意味著推薦這些建議；相反，它們被存儲以供將來用于測試預測模型。

一旦您擁有這些模型并“學習”，就可以回到第1步并加深您的語音和數據分析，以改善客戶體驗！