在TOC企业中，如何通过用户声音洞察（VOC）提升用户体验和忠诚度？本文分享了在海尔、海信等头部家电企业中的应用案例，详细解析了从数据感知、分析到行动的全流程解决方案，助力企业实现更高效的用户服务闭环。

用户体验作为提升用户忠诚度重要手段，提到的越来越多。作为TOC企业，客服、营销部门、售后等部门是用户接触企业的重要触点，从售前、售中到售后，企业如果可以提供更好的服务，无疑是解决问题的第一步。

实时打通企业内部用户从咨询、购买、物流、安装、售后等全流程的数据，构建了统一的用户360°画像，也就是说从用户第一次接触企业的那一刻，就可以将他所有在我企业内部发生的相关信息串联起来，构建了一个全面的、360度的用户画像，基于此我们为企业落地了多个业务应用场景，来电意图预判、投诉预判等等。

下面给大家分享一下我们在服务于海尔、海信等头部家电企业的过程中，是如果通过识别用户旅程中的痛点，将“猜测”客户想要什么，转变为“知道”客户需要什么。

我将从三部分内容展开来分享：

第一部分是所服务案例的背景

第二部分是用户声音洞察的具体解决方案、落地实践

第三部分是介绍用户声音洞察落地需要哪些底层能力支撑

Part 1 案例背景

1.1 客服、电商、品牌、营销等部门代表企业承担VOC的核心职责

我们知道企业的客服、电商、品牌、营销等部门，作为企业跟用户接触比较多的部门，他们主要承担了VOC的核心职责。

1.客服部门：承担了服务用户的职责

2.营销部门：打造的卖点要符合用户的期望，需要理解产品卖点与用户心智之间的差异

3.产品部门：研发出更符合用户需求的产品

4.电商部门：负责电商业务的提升，结合用户声音分析，来提供复购率

5.品牌部门：对品牌的声量和竞争力要进行分析，对品牌的舆情进行检查

他们都代表着企业承担着VOC的核心职责

1.2 当前VOC管理面临的现实挑战

VOC可以服务于企业的各个部门，但是在VOC分析的时候会面临非常多的现实挑战

1.数据分散：数据分散在多个平台，手工整理这些数据非常耗时，就会导致决策滞后，错过对用户需求或投诉的黄金响应期。

• 电商平台：像淘宝、京东、拼多多等；
• 社交媒体：抖音、小红书、快手等，企业内部：调研数据、热线、在线与消费者的沟通记录

2.人工处理效率低：每个员工每天能处理的信息量是有限的，并且容易受主观偏差的影响，导致分析覆盖面不足，关键需求漏网。

3. 问题分类不准确：没办法将用户声音进行准确的分类，用户说了一大段话，怎么确定他到底说了什么产品的什么问题，现在很多时候语义理解有偏差，识别不准，就会造成错误的决策，影响团队的业务成果，最终损害用户体验。用户声音分类这一点也是用户声音洞察的关键点和难点。

4. 出现问题难闭环：大部分企业对于问题的分析停留在报告输出阶段，就是有分析、有洞察，但是通过分析洞察之后发现的问题，我应该采取什么行动，问题解决的如何了？是不得而知的。

而企业真正需要的是洞察之后有改善动作，这样洞察出来的结果才有业意义，但是现在很多企业是缺乏问题追踪机制的，这样就导致闭环的断裂和业务的脱节，导致用户声音石沉大海，体验问题还是在重复发生。

作为企业，如何解决？

2.1 VOC构建思路：听得见、听得清、能分析、能决策、能闭环、能改善

通过构建听得见、听得清、能分析、能决策、能闭环、能改善的能力，帮助企业去完成用户声音VOC的管理，主要从三个方面去做VOC的构建：

• 第一个是感知，第二个分析，第三个行动。

首先第一个，感知

对接全域用户声音，包括公域私域，公域有社交媒体（抖音，小红书）、新闻媒体、电商平台（京东、天猫）、一些垂直媒体，私域包括企业内部400电话、售后投诉、在线咨询、还有企业内部的交易数据。我们通过爬虫或者RPA机器人的方式，自动化的把数据获取过来；

通过我们的AIP 2.0平台进行数据加工、清洗，基于商业大模型deepseek或通义千问，结合行业及品类特性进行情感分析、标签分类、实体识别、意图识别等，进而形成我们企业自己的主体库、标签库、场景库、指标库，赋能我们企业的业务洞察及场景的应用，也就是赋能后面的分析和行动。

上面的完成后，相当于我们的准备工作做好了，就可以进入到下一步——分析

在这里的VOC洞察体系，我们从四个维度去进行用户声音的分析，对话VOC、评论VOC、社媒VOC、质检VOC。

1. 对话VOC——就是用户和客服的沟通对话，从这个数据里面洞察用户的声音，我们可以进行会话声量的洞察、咨询热点分析、退货退款分析、询单流失分析；
2. 评论VOC——就是电商中的一些评价，基于这个去做一些产品观点分析、营销观点分析、物流评论分析，通过用户的评论挖掘一些可以打造的卖点等；
3. 社媒VOC——就是相关内容的网站，如抖音、小红书这些，针对这些区做品牌舆情分析，营销效果追踪、负面声量的捕捉；
4. 质检VOC——主要是对客服的质检，包括：客服服务分析、接待表现分析、慢响应、满意度分析。

通过这四个维度的洞察分析，发现需求或者问题后，针对性的指导产品研发、营销策略优化、社媒舆情分析、服务体验改善。

这就到了行动环节。

• 产品迭代研发：行业洞察、竞争力洞察、产品规划、单品分析、竞品分析、场景分析、体验改善；
• 营销策略优化：卖点分析、卖点验证、传播分析等；
• 社媒舆情分析：品牌舆情、电商舆情、服务舆情、产品正负向观点分析等；
• 服务体验改善：投诉管理、体验优化、接待分析、风险监控、用户原声回溯、质检分析。

这就形成了从声音到洞察的过程，然后再结合智能数据平台闭环能力，实现：问题监测—识别—协作管理，一体化闭环协作流程，推进产品、营销、服务、运营等业务的改善，真正将声音转化为业务行动。

这个方案也是应用于头部家电企业的用户声音洞察中，整个方案实现了数据的感知、分析、行动。

• 感知层面就是基于一些技术手段保障数据的全域对接，通过智能数据平台实现数据的干净和准确，构建了可用的VOC；
• 分析层面我们基于可用的VOC构建了分析体系，进而赋能场景应用达成业务的目标。

Part 2 方案介绍

我们接下来看一下具体的落地方案

具体方案我从这三方面展开

1. 感知：在感知用户声音这部分，我们具备三个能力，数据接入全、保障数据干净、分类准、模型准，这才能更好保障我们后续的分析。

2. 分析：在这里我们保证呈现清晰的分析思路，业务全景，通过洞察分析，挖掘需求和问题。

3. 有了需求和问题，我们就要采取行动，就到了第三部分，行动层，这里需求和问题准确传达，并且可以采取精准的决策。

1. 感知层

首先我们看下感知层，接入全、数据净、分类准

• 外部数据：采集了抖音、小红书、京东、天猫等相关数据。具体采集的时候，针对不同的品类，需要采集的我品和竞品的数据范围是不同的，我们要提前梳理好，比如针对电视这个品类，我品里可能分析几个系列的产品，竞品里我选择9个品牌（如TCL、三星、海信……）进行对比。如果投影仪，那我品和竞品就又是另一些品牌系列的数据。
• 内部数据：包括我们自己的京东咨询数据、CRM系统的数据、客服中心的数据、物流的数据等。

不同系统的数据我们采集的方式和频次也是不一样的，有的可能需要近实时的采集，有的数据可能今天看昨天的就可以了，这个是根据业务需求来确定。

通过这一步我们来实现全域数据的采集。

数据接入后，我们还要保障数据准确。想要保障数据准，我们就要去除一些没用的数据，就我们以往做的企业内部数据的分析，为了保障业务能够用到准确的数据，我们会从业务系统接入数据后做处理。

那VOC更是要从数据的源头开始清洗，因为如果我们接入了一些没用的用户声音对我们的分析反而是一种干扰，所以我们需要对数据进行去水去废，像有一些水军账号、纯是转发的帖子、促销、广告垃圾帖、明星粉丝刷帖、低质量的营销号等，这些其实我们是不需要进行采集的，这些我们就通过一些特定的规则、结合AI模型，把这些账号的数据过滤掉，保障我们接入的数据的干净可用。

在我们为企业落地的时候比如标题或正文含有招聘、求职、投资必读、操盘手等字样的一些文章，我们可以直接排除掉。

数据抓取回来之后，他是一段一段的文字或者录音等，这一段段话我们怎么定位到说的是哪个产品的什么问题？怎么保障识别出来的用户声音分类是准确的？

所以我们要进行一个标签的梳理，比如我们去图书馆找书，图书馆有海量的书，如果他没有归类、没有标签的话，我们很难找到自己想要的书，用户声音也是一样，这是用户声音洞察中的一个难点，也是一个非常关键的点，我们要把用户声音说了什么识别出来，所以说涉及到要构建分析的一个标签体系，这个标签体系的构建，我们就要分几类：主体标签、维度标签、情感标签。

主体标签是什么，就是说这段声音说的是什么，评论要有一个评论的对象，我们要梳理一个主题的标签，不同的行业有不同的主体，家电行业就是电视、冰箱、洗衣机、冰洗冷空厨这些，食品行业就可能是大豆油、植物油，我们在这里以家电行业为例，我们要梳理他的主体标签。

那不同的主体标签是有不同的维度标签，比如说空调的一级标签安装方式，安装方式下分二级标签（壁挂式、吊顶式、立柜式），下面还有三级四级。如果说的是电视，就涉及到画面色彩、画面亮度，所以不同的主体有不同的维度标签，我们要梳理好。

还有情感标签，分为正向的、负向的、中立的情感。我们也是实施家电行业居多，在家电行业沉淀了15000多家电体系，这里有个小技巧，可以结合大模型，针对我们所在的行业进行一个初步分类，在这个基础上去进行逐步的完善。但是大模型给到的还是一些通用性的标签，并且不会给我们很多，如果企业从0-1建设，可以作为一个参考。真正要落地，还是建议找一些有相关经验的企业来实施，少走弯路。

我们梳理好了标签体系，那接下来就是用大模型进行数据的打标处理。

我们看一下这张图，首先接入内外部平台的数据，接入后梳理标签，然后到大模型结合梳理好的标签体系，进行打标。

基于这样一个方案，大模型就可以把一段用户原声：“发货很快，已经收到货了商品和描述的差不多，质量没问题，关键价格也台适，在这里买还是很放心的，好评！外观干净漂亮做工很不错，没发现什么瑕疵，个人感觉大小也挺合适，找了很久选的这款，大爱；海尔冰箱静音效果很好”打上标签。这段话里用户提到几个点，发货、价格、外观等，我们以外观为例：

• 主体识别：自动抓取品牌、型号「海尔冰箱BCD-123」
• 维度标签：外观-综合外观-外观颜值
• 情感判断：正向

我们打好标签之后有时候，可能会存在一种情况：

AI打标有些不准确，因为大模型打标的准确率也达不到100%；

或者有的问题没有被识别出来，因为我们梳理的标签体系就没有针对这类问题的标签。那我们应该怎么做呢？接下来看一下。

我们以这段用户评论为例：“这台电视完全不值这个价，颜色不生动，看着亮度不够、亮度低，反光还严重，2.1.2声道也没啥明显的感觉，应该买EN11的，这个屏，太一般了。”

在这段话里用户提到了几个问题，大模型会识别出来进行打标，可以看到右侧的表格中，针对每一点都打好了标签，这时候我可能发现“看着亮度不够，亮度低”这一点，我可以有一个更准确的标签，这时候可以通过我们的平台进行标签的修改，保存后即可更新；然后我又发现，有一点，反光严重并没有打上标签，原因是我并没有梳理关于反光的标签分类，那这时候也可以在平台内把标签维护进去，维护好后再去选择就可以选到对应的标签，这样就补充上了缺失的标签。

就是通过这种方式，我们不断微调大模型，让他越来越准确。

2. 分析层

上面通过我们数据全、数据准、分类准、模型准，保障了我们基础的用户声音的识别，那下一步就到了分析了，就是我们有了用户声音，则通过可视化的分析，去了解一个全面的、清晰的业务现象。

下面我们介绍下“呈现清”，是如何通过用户声音洞察，把用户需求和期望需求，转化为产品创新与营销增长的燃料。

先看左侧产品规划场景，这里解决一个本质问题：如何从海量用户声音中淘金？从行业洞察、竞争力洞察、单品分析和竞品或者我本品不同系列的对比分析、用户使用场景的洞察，来预判我品未来的规划迭代方向。

还有，通过产品体验改善去了解产品阶段性的发展方向，体验改善的情况。用数据证明“是否真的改善”。

再看右侧营销洞察，这里构建的是‘传播-验证-放大’闭环

1）卖点分析

从用户语言提取真实卖点：比如我们可能发现‘冰箱双循环’提及率是‘超薄机身’的3倍。

他可以让我更好的了解用户真正的关注点，颠覆主观判断：研发认为重要的参数，用户可能根本不关心。

2）卖点验证

卖点验证模块通过对本品产品宣传词云和消费者认知词云的对比，识别出自身产品的独特卖点，准确地定位产品在市场中的位置，包括目标用户群体、价格区间和竞争环境等；通过对竞品宣传词云和消费者认知词云的对比，能够明确产品优势、指导产品开发、优化市场定位。

3）传播分析

监测社交扩散路径：通过提及量传播、购买意愿、互动表现、情感表现，多维度分析产品在市场中的传播情况，洞察用户声音，以便通过有效的信息传递和沟通策略来吸引、激活、留存用户。

我们举一个产品规划场景的例子

很多产品经理可能经常遇到这种问题——市场部说用户想要大容量冰箱，研发部坚持做超薄技术，到底该听谁的？这是一个很常见的场景，也正是产品规划场景要解决的本质问题：用户声音代替主观判断，让产品规划升级有据可循。

1）行业洞察

这是产品规划的地基—通过‘行业趋势追踪’与‘概念热度’，观察外部赛道变化。

比如数据发现：

“屏幕亮度”在电视参数关注中，提及量占比35%

“MiniLED背光”在概念热度榜，月均搜索量暴涨

业务指导动作：

产品定义：亮度级别升级

技术投入：将MiniLED技术优先级提升至研发核心（原计划明年布局 → 提前投产）

营销话术：主打“阳光下看得清”场景，替换模糊的“色彩鲜艳”宣传

这个就是根据用户声音，我们在产规划，甚至说营销上做的一些调整。

2）产品竞争力

产品竞争力洞察模块主要分析各个品牌（包括竞品与本品）的竞争力、传播力、喜爱度、亲密度、购买力、服务力指标，有助于全面了解产品表现、精准定位产品特点、支持决策制定和促进产品创新，还能提高市场响应速度，量化自身与竞品的攻防点。避开正面消耗战，找到差异化破局切口。

3）单品分析

用户为哪些功能买单？哪些参数被选择性忽略？用户对我这个品有哪些满意和吐槽的点，未来如果升级我可以朝着哪个方向去做？

比如发现：冰箱门体设计大家提及的很少，不太关注，但提及‘智能屏’溢价意愿达40%，那可以集中资源打磨高价值特性—智能屏，剔除无效投入。

4）对比分析

不仅支持本品和竞品的对比，还支持本品（或竞品）的两个品之间的对比，从多角度挖掘分析产品特点。

基于‘优劣对比’‘参数表现’等指标，在用户视角下量化优劣势。

用户眼中我们真实排位如何？哪些差距会动摇购买决策？

如：静音效果比竞品落后较多，且直接影响用户的购买意愿→ 我们视为必须消灭的短板，需要去进行迭代优化。

5）场景洞察

通过场景的洞察更进一步的挖掘用户的需求，抓取一些碎片化场景中的未满足需求。通过分析使用对象、使用空间、使用场景、家居家装、购买关注点等场景的洞察分析，精准定位用户需求，用户更期望在什么场景下使用我的产品，往往可以激发产品的设计。

6）产品体验改善

通过对同一品牌下同一型号的产品不同时间段的对比分析，适用于查看产品阶段性的发展方向，可以更加准确地把握市场动态和消费者需求变化，从而推动产品的持续优化和升级。

接下来我们就以一个简单的场景为例，这样便于我们的理解：

这是我们从海量VOC中抓取的用户痛点：看似简单的‘亮度不够’，背后藏着一个产品升级的机会。

比如我们先看一级话题中用户对画质效果讨论最多，那我们可以再去看画质效果下的，二级、三级、一直到四级的关注点是什么，最终我们发现在四级的关注中，在低亮度这个话题下，大家有共同负向的声音，说的都是同一件事，就是我这个品的屏幕亮度不够，那针对用户的这个槽点，我们就可以去验证一下，进而明确我产品迭代的方向。

屏幕类型：开发85时MiniLED背光模组

亮度级别：实现 3000nits峰值亮度

刚刚我们分享了基于用户声音推进产品的迭代的案例，接下来，我们再来说下负向的一些口碑问题是如何分析洞察的，涉及几块业务域：服务领域、质量、舆情、物流、电商领域的一些口碑问题分析。

• 企业用户服务方面，基于用户声音找到服务的断点，进而优化服务，用户投诉分析、服务工单、客服服务的分析，从服务的各个角度去洞察问题；
• 质量的口碑问题，也是关注的重点，质量是企业的根本，产品质量故障分析、质量类投诉分析；
• 舆情领域，关于品牌舆情、服务舆情信息，及时发现外网舆情，触发处理机制，避免舆情发酵；
• 物流口碑，关于物流全链路的分析，仓储、配送、物流、送货等各个节点的用户声音洞察，发现问题，解决问题，提升用户满意度、提高企业全链路时效；
• 电商领域，针对咨询的数据、差评进行分析，洞察用户的吐槽和不满。

举例：客服售后投诉闭环场景

下面就以服务口碑中的客户服务场景为例重点说一下，问题闭环这个场景。

服务口碑场景也很大，我们以其中两个比较关键，容易理解的场景举例——用户投诉分析和服务质量分析，在这里，我们着重看下用户投诉这个场景，在用户大量的声音中，其实投诉的声音，往往是企业中很重要的一个输入，用户的吐槽、不满往往蕴含了企业我们可以去改善的业务点，能指导我们产品的研发、质量的改善、服务的提升，如果我们能更好的解决投诉，能很大程度提升用户的忠诚度。

场景1：比如，针对规模化的管理，如果说我们某一个品牌的投诉量如果增加幅度较大那是不是预示有什么问题，我们是不是可以通过这个去逐层追溯，我们是哪里需要改进？

场景2：再比如我们服务的企业，投诉量是可以统计到实时的每一个用户的身上的，那有了这个数据的支撑，做了一个规则，比如，历史的服务中这个用户投诉大于三次，再次来电，快速进线，金牌坐席服务，这就是通过统计了投诉的数据，发现这个用户针对某个企业，已经有过3次投诉，如果再有投诉可能就会大大拉低品牌在该用户心中的印象，所以当他再次来电，为了能够给他提供更好的服务，无需让他通过繁琐的进线按键操作，也不用普通坐席服务，毕竟普通坐席有时候遇到问题无法快速解决，那么直接通过金牌坐席，快速解决问题，让该用户不产生再次的不满。

服务质量上，我们可以从服务工单、客户服务、闭环效率等角度去进行分析。

比如服务工单，可以去分析哪些服务用户不满意、服务过程有违规的一些操作，比如卖增值服务、和用户沟通不礼貌等行为。

通过客服服务分析，主要监测客服的服务表现，是否一次解决问题，客户的评价是否满意，接待响应是否及时。

还有一个很关键的闭环效率分析，我们针对不同问题，应该是有不同的闭环时间要求，比如投诉类问题12小时闭环；安全类问题8小时闭环等。

3. 决策层

在分析洞察后，我们就要行动力，不管说我们是通过用户声音，发现产品怎么升级，还是用户投诉后我们发现要去解决什么问题，我们都需要去行动，将声音真正转换为行动，这样才形成了闭环。

这就到了行动这一环，也就是用户声音洞察闭环的闭环这个关键一部分了。

声音包含两个大的方面：一些需求和期盼，还有不满和吐槽。

从产品规划、营销洞察上，我们需要洞察出用户的需求和期望，服务中的口碑、质量、物流、舆情领域在负向情绪上，洞察出我们需要解决的问题。

当有了需求和问题后，就要流转到后面的流程去进行解决，比如用户的需求，比如说电视亮度不够，这可能是我们需要改善的地方，但是我们不能用户期望怎么样就去重新设计产品，我们是需要产研部门去验证，要结合市场、产品定位等各方面因素去做判断，这时候，我们就要有确认的过程，确认后会给到产研对应责任人去执行落地改善。

另一方面负向的口碑问题，也就是发现的口碑问题，这种一般是直接推送给责任人处理，因为用户的一些投诉是表示已经不满了，这个问题已经存在了，比如外网有舆情发酵了，这时候企业肯定是识别到了，即刻就要采取行动，4小时内要闭环解决。再比如用户投诉了，针对投诉类问题，是什么类型就要直接派发到对应责任人，在8小时、12小时或者24小时内去闭环。

不管是需求，还是吐槽，我们都可以在系统手动去创建任务解决，也可以去根据规则触发行动去解决，手动创建就不多做介绍了，我们主要看下基于AIchian智能链的自动化预警触发行动的方式。

在这里我看下基于AIP智能链的自动化预警体系

我们看一个简单的场景，比如基于一定规则去监测问题、触发行动、闭环问题的过程。

就是当某款新品电视上线后，企业肯定要持续一段时间去监测新品市场的表现，这其中是有规则可循的，比如我们可以设定该品连续15天销量下降大于5%，或者投诉量连续3天上涨超过5%，这两个规则有一个满足，证明我新品是存在一定问题的，那就要给去采取行动解决这个问题。

那在实际我们落地的案例中，就是实现了这样的能力，首先设定规则，设定规则后，设定什么时间去执行这个规则，因为有的事情需要每天都要监控，有的我们每周监控即可，这都是根据不同的业务需求去设置的，然后也可以设置当这个规则触发后，比如说当投诉量连续三天超过了5%，我是要做什么，我可以选择，第一个，给企微、钉钉、飞书发送预警消息，提醒责任人；第二个直接在VOC平台内自动创建任务，进行跟踪处理；第三个和企业内部业务系统联动，创建任务，如有关于产品质量缺陷的抱怨，可以联动企业内部质量管理系统进行处理，或者直接发送到企业的OA系统。把问题形成任务，进行线上化的跟进和管理。保证用户有声音，我们有回响。

最后，这一部分，执行闭环，也是我们落地非常关键的一环，前面我们也说到，有的时候用户声音往往石沉大海，那我们通过闭环的机制，实现声音的闭环。

不论是通过规则触发的执行闭环，还是手动触发的执行闭环，他背后其实都有一个很重要的一项工作，来保障我们出现问题传达的准确，就是什么问题找到什么人，这个工作就是业务责任人梳理的过程，是为了快速解决问题的一种重要的手段。我们要梳理出各种投诉的场景类型，针对不同的类型的投诉，要给到哪些人去处理，甚至说，一次投诉直接谁来解决，二次是谁，大于三次是谁，根据不同的等级，需要什么样的角色介入负责，将这套流程设置在系统中，保障用户每一个问题都有解决的路径。

上面我们主要介绍了闭环这块需要的能力，接下来我举两个针对用户声音洞察除了需求和问题分别如何行动闭环的例子。

首先我们看在产品研发场景，大致是一个什么样的流程，比如我们通过VOC洞察发现用户对亮度的需求，他觉得亮度有些低，那负责用户声音洞察的运营人员，认为这个是需要改善的，那么他可以直接创建一个这样的需求，给到具体这个品的产研负责人。产研负责人需要和相关人员去讨论验证后，如果是真的应该去升级亮度，那么就去下发一个任务，去闭环。当然产品的需求洞察，也是有一定规律的，我们也可以去通过预警规则的设置，比如，某一个词语在某个时间段内提及量达到多少，给我推送一个消息，或创建一个需求给到对应人员去评审也是可以的。

那另一方面负向声音，也就是发现的口碑问题，这种一般是直接推送给责任人处理，因为用户的一些投诉是表示已经不满了，这个问题已经存在了，必须尽快处理。

比如外网有舆情发酵了，这时候企业肯定是识别到了，即刻就要采取行动，4小时内要闭环解决。

再比如用户投诉了，针对投诉类问题，是什么类型就要直接派发到对应责任人，再8小时、12小时或者24小时内去闭环的。

我们以服务的投诉场景举例，客服收到了用户的投诉，每一类投诉问题我们就会给到对应的负责人去处理，比如质量投诉——开箱不合格，这时候就要要求服务商4小时内登门服务。有的问题，给到的责任人，责任人发现可能我自己解决不了，需要其他人员协同处理，就会线上去协同相应的人员一同解决，并且如果解决不及时，系统会自动升级给上级领导。也就是这样一套机制，保证用户投诉问题，快速解决。

这就是我们全链路追溯的一个过程，首先我们可以把用户声音洞察这个系统集成在企业通讯工具中，如企微、钉钉、飞书、或者是自有的通讯工具都可以，进入系统后，我们可以看到几部分内容：

1. VOC各个业务板块的VOC可视化分析入口，产品、营销、质量、舆情等；
2. 为了让用户可以快速进入处理任务，可以提供一个任务处理的入口；

进入后，可以看到各个状态的任务统计信息，比如我们有多少个任务正在处理，然后我们继续看有哪些具体的任务，具体的信息是怎样的，处理的进展，整个处理过程的信息包括文件都会留存，并且有需要讨论的可以一键健群，一键拉取相关人员到同一个群里，讨论处理。

Part 3 底层能力建设

我们刚才看到，从数据的接入、处理、打标、VOC洞察分析的可视化页面、VOC的闭环，这整个过程的落地，是要有一个基本底层能力支持的，那下面就介绍下，我们是通过什么能力，保障用户声音VOC洞察闭环的落地的。

我们落地的时候是基于AIP平台，他是一个企业级的数据操作系统，帮助企业实现数据、规则、行动管理的闭环。

平台具备三个能力：数据能力、规则能力、行动管理能力。

1. 数据：主要是完成数据的采集、加工、整理和模型构建、指标建设的能力；
2. 规则：帮助企业构建逻辑资产，比如预警规则、业务规则、模型规则、算法，在这里统一的管理；
3. 行动：有了规则后，可以在这个之上建立各种各样的决策，有了规则可以决策，有了决策就产生各种行动方案。

我们看下平台的具体功能，或者说我们企业需要具备底层哪些能力才能保障从声音的感知，分析洞察到闭环的过程，这个能力我们还是从刚刚说的三方面进行介绍数据、逻辑、行动。

1. 数据层面：我们构建了数据连接、指标加工两大能力，主要是保障数据的接入、加工处理、构建语义模型、形成指标体系；
2. 逻辑层面：帮助企业构建规则、包括决策流、决策流的编排，通过logic逻辑的能力把我们的业务规则进行沉淀，比如刚刚说的投诉量连续3天上涨超过5%形成规则，让系统自动化的监测预警。

并且我们也有这种数据可视化、问题归因分析或者自助探索的能力，辅助业务人员找到问题，便于采取行动。针对不同的问题，我们可以预置好是发送通知、创建voc平台内的任务，还是和企业业务系统进行交互，比如告诉质量系统，需要处理某类质量问题，都是可以的。

一旦这个规则逻辑，预置好了行动方式，就流转到了行动层，那就到了最后关键的一步！我们在行动层，通过任务管理的能力，去解决问题、全流程的跟踪问题。

正是通过这些能力，保障了我们用户声音从感知到分析到行动的一个闭环，让我们获取到的用户需求和用户不满，都得到有效的解决，提升用户体验。

VOC给企业带了的价值体现总结

1. 提升产品与服务创新（驱动增长）

2. 优化客户体验与忠诚度（防御性增长）

3. 指导精准营销与销售策略（提高效率）

4. 实现高效的客户服务与运营（降低成本）

5. 支持战略决策与风险管理（规避风险）