2021年，随着企业数字化转型的持续推进，该浪潮迅速将客户体验触点打散，由此产生多渠道、多类型的反馈数据。要做好客户体验，就需要将分散在不同渠道的反馈数据进行整合分析，透过数据理解客户的需求痛点。然而实际推行过程并不是很顺利。原因有以下五个方面：
-
团队规模偏小。大部分客户体验团队人数不超过10人，面对海量数据，显得力不从心。
-
抽样存在偏差。传统客户体验以问卷调查为载体，这类调研中实际受访的人数往往只占到客户总量的7%，由此得到的客户体验分析难免有失偏颇，容易造成抽样偏差。
-
分析标准不统一。人工分析数据时，容易受主观情绪的影响，缺乏客观的评判依据，造成分析标准不统一、分析结果不一致。
-
反馈类型多样。大量非结构化数据（文本、图片、音视频等）相对于结构化信息而言，更难被标准化、被解析，这类数据需要大量人工进行处理，投入回报率偏低。
-
角色面临边缘化。一系列的困境导致客户体验团队难以证明其对公司的价值，导致角色面临边缘化，形成恶性循环。
随着AI能力的不断进步，针对海量非结构化数据的处理已经可以不依赖大量手工劳动，便可以挖掘出数据潜在的价值。针对客户反馈分析这一垂直领域，我们通常是利用AI中的NLP技术。它是计算机和人工智能的一个重要领域。顾名思义，该领域研究如何处理自然语言。自然语言就是我们人类市场交流所使用的语音和字符系统。 针对这一场景，可以借助多种NLP能力，多维度分析客户反馈数据，确保分析结论的准确性、全面性，主要应用到的NLP能力包括以下几类：
-
情感分析：分析客户反馈过程中的情感倾向，包括正向、反向、中性三个倾向。“正向”代表客户对服务的认可，“反向”代表客户对我司发展提出了宝贵意见，“中性”代表客户的反馈是以咨询为目的。
-
反馈分类：精准理解反馈数据，提高归因分析能力。每一条数据都将以--“反馈客户来自于XX，反馈问题归属于XX部门，反馈的产品名是XX，反馈的产品问题是XX”的形式进行归类。
-
信息抽取：通过分析客户反馈数据，从中摘取出关键的词、短语或者句子，以词云的方式将反馈数据直观地呈现出来，以便业务人员快速了解客户的“惊喜点”和“吐槽点”。
-
故障检测：对特定时间段负向反馈中的热点词汇进行趋势分析，及时发现潜在功能方面、服务方面的问题，并对故障演变趋势做出精准预测。
-
文本摘要：提炼反馈要点，降低处理成本。
该系统依托于数据平台、AI能力平台、分析平台三大数据中台，具备灵活伸缩、迭代周期短、易于扩展等主要特点。其中，数据平台负责底层数据存储，AI能力平台提供NLP标准能力，分析平台负责前端展示。
AI能力展示:
客户洞察系统借助AI能力和数据中台构建而成，是用于辅助业务人员提升客户体验的轻量级系统。数据是不会说谎的，有了该系统，我们可以结合业务特点、产品自身特点，更快找到提升客户体验的方向。客户反馈分析任重而道远，是一个极具潜力的业务场景。未来，系统的优化方向主要有:
- 优化算法能力，提高模型识别准确率。
- 持续扩充反馈数据来源，包括一些外部数据，同时支持更多类型的反馈数据，比如音频，图片，视频等。
- 尝试挑战一些新的任务，比如说将AI能力嵌入到实时业务流中，对于客户反馈实时分析，生成建议供客服人员参考。