Несмотря на ряд проблем с общим качеством опыта, отмеченных в рейтинге Forrester Customer Experience Index (CX Index), клиентский опыт (CX) остается приоритетом для многих организаций. К сожалению, этим организациям не удается добиться ощутимых преимуществ от своих CX-программ. Исследовав основные проблемы, с которыми сталкиваются CX-программы, полагающиеся на обратную связь с клиентами в качестве основной возможности, мы пришли к выводу, что им необходимо использовать более продвинутую количественную аналитику, чтобы стимулировать действия, увеличивать финансовый эффект и готовиться к будущему, основанному на аналитике, пишет в корпоративном блоге Рич Сондерс, старший аналитик Forrester.

Проблемы измерения CX только на основе опросов

Наиболее распространенными проблемами программ измерения CX являются стимулирование действий по улучшению качества опыта и доказательство финансовой значимости CX. Одной из основных причин этого является их зависимость от сбора отзывов клиентов, обычно посредством опросов. Опросы не часто позволяют точно определить первопричины, которые заставляют бизнес-функции вносить изменения, а связь между результатами опросов и финансовыми показателями в большинстве организаций остается теоретической.

Хотя стратегия CX, основанная на опросах, сдерживает развитие CX-программ, мы не призываем прекратить опрашивать клиентов. Речь о том, чтобы уменьшить зависимость от опросов и использовать данные обратной связи как часть более комплексного количественного подхода.

Количественное будущее CX

Превращение передовой количественной аналитики в стратегию помогает программам CX стимулировать действия и доказывать их ценность. Это предполагает переход от рассмотрения показателей оценки опросов в качестве основного результата к использованию данных обратной связи в качестве исходных для более продвинутых методов. Когда CX-программы объединяют данные обратной связи с клиентами с другими метриками, такими как данные об операционном взаимодействии, финансовые результаты и дополнительные данные о восприятии, полученные не в результате опросов, эти данные могут стать вкладом в расширенную аналитику и дать более действенные и финансово связанные инсайты, чем только данные опросов.

Выполнение обещаний продвинутой аналитики в CX

После обсуждения с десятками CX-руководителей, ведущими поставщиками и провайдерами услуг в области CX-аналитики мы пришли к единому мнению относительно нескольких шагов, которые необходимо предпринять организациям для успешного внедрения расширенной CX-аналитики. Среди этих пяти ключевых компонентов два требуют особого внимания:

  • Создание всеобъемлющего набора данных об опыте. Это включает в себя обеспечение доступности, качества и достоверности всеобъемлющего набора данных о восприятии клиентов, их взаимодействии и финансовых результатах их поведения. Большинство экспертов сходятся во мнении, что это самый важный и сложный аспект реализации стратегии передовой CX-аналитики.
  • Операционное использование результатов передовой аналитики. Инсайты, полученные с помощью передовых аналитических методов, могут оказаться интересными для многих организаций, но крайне важно действовать на основе полученных результатов. Это означает, что использование передовых аналитических инсайтов позволяет применять к CX проактивный подход, когда организации используют диагностику, прогнозы и предписания для управления опытом всех клиентов, а не реагируют на отзывы небольшого процента тех, кто участвует в опросах.

Как избежать ошибок при внедрении передовой аналитики в CX

Мы определяем продвинутую CX-аналитику как «продвинутые аналитические методы — включая диагностическое, прогностическое и предписывающее машинное обучение, — которые выявляют, как опыт клиентов влияет на их поведение». Термины «продвинутая аналитика» и «предиктивная аналитика» используются в экосистеме CX несколько вольно. Языковая аналитика, разговорный и цифровой интеллект, а также анализ настроений, несмотря на их полезность, отличаются от передовых диагностических, предиктивных и предписывающих методов. CX-руководители должны быть уверены в том, что они понимают эти различия при реализации количественных CX-стратегий.

Еще одна разновидность CX-аналитики — использование моделей машинного обучения для прогнозирования таких распространенных показателей опросов CX, как индекс потребительской лояльности (Net Promoter Score, NPS) или индекс удовлетворенности клиентов (Customer Satisfaction Score, CSAT). Учитывая новизну подхода, большинству организаций лучше прогнозировать фактические результаты поведения клиентов с прямым финансовым воздействием, чем прилагать усилия для развития этих возможностей, чтобы только усилить проблемы, связанные с тем, что при управлении опытом они полагаются на восприятие клиентов.

Заключительный совет

Несмотря на то, что сегодня методы передовой аналитики редко встречаются в практике CX, руководители и лидеры CX-программ должны бросить вызов самим себе и найти пути содействия, сотрудничества или расширения мандата CX для применения более количественного подхода, который подготовит их к будущему CX.