客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

3 评论 8288 浏览 35 收藏 17 分钟

作者对净推荐值(NPS)的使用进行了新的尝试,以客户评论数据切入,划分推荐者和贬损者,他认为这种方法更有效率获取到客户体验的态度数据,那么具体该如何进行分析,如何从结果中找到可改进的痛点?文章中进行了说明,感兴趣的朋友一起来看看吧~

随着数字化转型的浪潮席卷,客户体验的接触点变得愈发离散。

传统的净推荐值(NPS)采取问卷调查为载体进行,填答率通常在5-8%左右,即便是在抽样之前进行了配比控制,小样本的调研还是会造成抽样偏差

对净推荐值(NPS)不了解的朋友,可以先阅读:

净推荐值(NPS)完整行动指南

NPS如何在企业进行应用实践

NPS 3.0:净推荐值的补充性财务指标 – “赢得性增长率(EGR)”

我在想,是不是可以通过把散落在各处的客户反馈进行整合,以评论数据去理解和分析客户体验,而不必局限于询问客户:你有多大可能性将 [品牌/产品/服务] 推荐给朋友或同事?

在最近企业咨询的项目中,我对净推荐值(NPS)的使用进行了新的尝试。

以客户评论数据切入,通过 NLP 分析客户的情绪倾向,量化计算生成净推荐值(NPS),以此划分推荐者和贬损者。

这种方法解决问卷调查在“数据样本获取成本、样本覆盖率、分析标准一致性,以及缺乏定性信息解释原因”等问题,可以更有效率获取到客户体验的态度数据,并从中找到发力点。

这或许是净推荐值(NPS)使用的新趋势,一起来了解一下。

一、为什么选择评论数据?

相比于问卷调查,客户其实更加倾向于对所消费的产品或服务进行评论。在线客户评论作为线下口碑的网络延展形式,具有信源可信度高、获取成本低且不受时间和空间限制等特点,这些评论也在客户决策参考信息中发挥着巨大的作用。

研究发现,客户的在线评论会影响客户的决策以及企业的销售量,这会给企业带来间接的价值(赵萌&齐佳音,2014)。像去逛线上购物会先去看评论、买家秀,去线下吃饭会先去看大众点评,去看电影先去看豆瓣评分等,潜在客户会受到这些评论的影响,做出消费行为。

客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

相比之下,虽然客户并未直接回答净推荐值(NPS)的问题,但是在进行评价的过程中,同时满足了「回顾过程+目标对象+推荐动机」的推荐行为三要素。

(“三要素”概念解读请阅读:问卷设计:NPS/CSAT要先问还是后问?

1)回顾过程

客户评论是历经了一个完整的回顾,即思考这个产品或服务哪里好(坏)。

2)目标对象:

由于大家消费大多会去浏览评论,那么客户在评价的过程,其实是有目标对象的,就是那些未来准备购买的人。

3)推荐动机:

从这一层关系上推论,客户在描绘对产品或服务态度的同时,在当下社会的消费语境中,自我增强(利己/声誉/经济激励)、维权、负面情绪发泄等动机会助推客户评论,让间接推荐的行为得以顺利发生。

此外,在 Dellarocas,C. & Narayan(2005)的研究中发现,客户对产品的满意度和口碑传播呈 U 形关系,即客户会对产品或服务「非常满意」或「非常不满意」会积极给与反馈评论,这与净推荐值(NPS)在理念上也是一致的。

因此我认为,反馈评论数据可以用作询问净推荐值(NPS)问题的替代品

二、评论的情绪分析

我们知道人类自然语言中的情感色彩非常丰富,一般会包括情绪(悲伤/快乐)、心情(自在/郁闷)、喜好(喜欢/讨厌)、个性(张扬/腼腆)、立场(刚正/摇摆)等等。

情绪分析也称为“意见挖掘”,主要通过技术手段去自动分析客户评论中隐含的情绪倾向,并通过数值化方式表达。目的是帮助企业了解客户对产品/服务的感受,为产品/服务改进提供依据,更好地进行商业决策。

客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

情绪分析的目标就是从客户评论的非结构化的文本抽取出「实体、属性、观点、观点持有者、时间」这五个要素,并且对它们的关系进行分析,最终得出评论内容表达的情绪倾向性。其中实体和属性合并称为评价对象(target),而观点持有者与时间这两个要素可依分析需要加入。

而评论要实践净推荐值(NPS)理念的话,需要用到的是情绪分析中的极性分类(Polarity Classification)能力。即在客户评论的内容中,通过情绪极性分析归类为正面、负面和中性。

客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

正面:表示正面积极的情绪,如高兴,幸福,惊喜,期待等。

中性:表示客观的陈述事实,不涉及个人情绪色彩的表态,或者是不相关、包含愿望的信息。

负面:表示负面消极的情绪,如难过,伤心,愤怒,惊恐等。

以某手表商家评论为例:

客户 A:手表外观看着就大气,功能很多,一直都相信 XX 品牌,而且还是防水的,充电速度也快,喜欢。

客户 B:这是我买来给给家里弟弟使用,还没开始用。

客户 C:信用很差,说好的送太空人表盘,需要自己先买,然后再把钱退回来,说好 3 天退,到第 6 天都还没退,要一直催。

通过情绪分析的极性分类:

客户 A 的评论为:正面情绪

客户 B 的评论为:中性情绪

客户 C 的评论为:负面情绪

人工的判断可以判别情绪极性,但是计算净推荐值(NPS)是需要具体的数值进行计算的,可以怎么做,接着往下看。

三、如何从情绪分析中计算NPS?

得益于自然语言处理 (NLP, Natural Language Processing) 技术的发展,从之前 AI2 的 ELMo,到 OpenAI 的 fine-tune transformer,再到 Google 发布的 BERT 模型。NLP 库的进步使得从评论内容中提取信息更容易、更准确。

客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

我尝试利用 NLP 通过 4 个步骤,分析客户评论的正负面评论比例以及情绪值,结合 NPS 的方法,从而识别推动者和反对者。

具体操作步骤如下。

步骤 1:采集已购买客户的评论数据,依据客户 ID 进行评论汇总。

原则上是可以把所有的客户评论都进行分析。由于我们更加希望关注购买频繁客户的声音,在实际的应用上,可以设定适用于分析的基准值。比如,一年内最低消费次数为 3 次,作为分析目标对象。

通过数据汇总,你大概可以得到下面的表格。

通过这个表格,可以筛选出需要进行分析的客户范围。或者,还可以依据客户评论数量设定不同客户群,分别进行。

步骤 2:把评论进行NLP情绪分析,依据客户ID汇总正面/负面评论数。

接下来,需要使用到 NLP ,来帮助我们完成极性分类的评分环节。

我是使用谷歌的 AutoML Natural Language 创建分析模型,搭建完成后把你需要分析的评论文本信息导入,模型就可以根据文本内容,给出相应的极性分类。

客户体验:结合NLP分析客户评论情绪,生成净推荐值(NPS)

情绪值的区间为 [-1,1],越靠近 +1,情绪越正面;越靠近 -1,情绪越负面;0 则为中性情绪。

比如,TT 同学的评论为正面情绪(0.84),DD 同学的评论为负面情绪(-0.5)。

下面是评论内容情绪分析-极性分类的示例。

经过 NLP 情绪分析-极性分类之后,再依据客户 ID 进行正面评论数和负面评论数汇总。

步骤 3:计算正面/负面评论的平均分,计算评论得分。

为了识别客户属于「推荐者、中立者、贬损者」的类型,把该客户的评论情绪值依据「正面」和「负面」区分,分别计算平均数。

得到平均数后,参照净推荐值(NPS)的理念,找出该客户在整个购买历程当中,正面和负面的差值占比,以此得到该客户对于品牌的整体情绪倾向。

计算公式如下:

评论得分 = ((正面评论数 x 正面评论分) + (负面评论数 x 负面评论分) )/评论总数

注意:由于负面评论的情绪值为「负数」,所以这里使用的是加号。概念上,是正面情绪总得分减去负面情绪总得分。

比如,客户 A,总评论数为 42,其中正面评论数为 41,正面评论平均得分为 0.9。负面评论数为 1,负面评论平均得分为 -0.92。

客户 A 评论得分 = ((41 x 0.9) + (1 x (-0.9))) / 42

经由计算可以知道,客户 A 的整体评论情绪值为:0.86

步骤 4:转化为 NPS 分数,划分客户类型,计算NPS得分。

为了消除评论得分之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。这里 NPS 的计算通过把各评论得分转化为 [0-10] 的量级,进行客户类型的划分。

计算公式如下:

客户 NPS = (评论得分 + 1) x 5

品牌 NPS = 推荐者% – 贬损者%

计算示例:

注意:在净推荐值(NPS)的评分方式上是不存在小数的分数值,这里会将 X≤6 划分为贬损者, 8≥X>6 划分为中立者, X>8 划分为推荐者。

比如,客户 A 的评论得分是 0.86 分,那么她的 NPS 得分就是(0.86 + 1) x 5 = 9.28,属于推荐者。

根据计算,可以知道有 9 位推荐者,2 位贬损者,那么品牌的 NPS 得分为:= (9 – 2) / 12 x 100 = 58.3

四、如何从结果中下钻分析,找到需改进痛点?

我们知道 NPS 的得分并不能为企业带来价值,得分背后原因的挖掘才是真正意义所在。同样,依此方法同样可以达成。

以某酒店的客户评论为例,通常酒店在消费者视角,会关心「服务、价格、设施、位置、餐饮、卫生」六大维度。

从上面分析所划分的推荐者和贬损者,依据这六大维度以及继续下钻。通过划定的维度,借由 NLP 技术,分别对于不同维度进行极性分类,获得情绪值。

另外,可以通过词云的方式,找到对于推荐者、贬损者客户群来说,都是哪些接触点在发挥作用。

以此,寻找对于不同客户类型来说,分别可以优化改善的发力点是哪些,并从中找到产品或服务改善的优先次序,帮助你快速掌握客户的脉搏并采取行动。

总的来说,不同维度转化为数值之后,后续的分析等同于常规的 NPS 分析步骤。

五、写在最后

这是一种新的净推荐值(NPS)实践思路,结合 NPS 的核心理念和 NLP 技术,可以确定品牌的推荐者者、贬损者者和中立者,亦可以下钻通过多维度拆解评论(定性数据)找到背后具体的原因。

在数据样本获取成本、样本覆盖率、分析标准一致性,以及缺乏定性信息解释原因等问题上,该思路基本可以解决上述挑战。

客户体验伴随着业务的进行,同步进行监测,可持续性观测客户对于品牌长期以来的态度变化趋势。

当然,目前这个模型度量概念还处于需要不断探讨验证的阶段,像不同领域语料库的完整程度,会直接影响 NLP 的输出结果,从而影响整体的数据表现。

以上,是我最近关于净推荐值(NPS)的实践总结,希望对你有所启发。欢迎有不同想法的朋友交流学习。

专栏作家
龙国富,公众号:龙国富,人人都是产品经理专栏作家,人因工程硕士。致力于终身学习和自我提升,分享用户研究、客户体验、服务科学等领域资讯,观点和个人见解。

本文原创发布于人人都是产品经理,未经授权,禁止转载。

题图来自Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 厉害了 不过感觉单个客户评论数不会这么多啊

    来自美国 回复
  2. 一级棒

    来自广东 回复
  3. 很棒

    来自福建 回复