起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識客戶體驗：結合NLP分析客戶評論情緒，生成凈推薦值（NPS）
作者對凈推薦值（NPS）的使用進行了新的嘗試，以客戶評論數據切入，劃分推薦者和貶損者，他認為這種方法更有效率獲取到客戶體驗的態度數據，那么具體該如何進行分析，如何從結果中找到可改進的痛點？文章中進行了說明，感興趣的朋友一起來看看吧~
隨著數字化轉型的浪潮席卷，客戶體驗的接觸點變得愈發離散。
傳統的凈推薦值（NPS）采取問卷調查為載體進行，填答率通常在5-8%左右，即便是在抽樣之前進行了配比控制，小樣本的調研還是會造成抽樣偏差。
對凈推薦值（NPS）不了解的朋友，可以先閱讀：
NPS 3.0：凈推薦值的補充性財務指標 – “贏得性增長率(EGR)”
我在想，是不是可以通過把散落在各處的客戶反饋進行整合，以評論數據去理解和分析客戶體驗，而不必局限于詢問客戶：你有多大可能性將 [品牌/產品/服務] 推薦給朋友或同事？
在最近企業咨詢的項目中，我對凈推薦值（NPS）的使用進行了新的嘗試。
以客戶評論數據切入，通過 NLP 分析客戶的情緒傾向，量化計算生成凈推薦值（NPS），以此劃分推薦者和貶損者。
這種方法解決問卷調查在“數據樣本獲取成本、樣本覆蓋率、分析標準一致性，以及缺乏定性信息解釋原因”等問題，可以更有效率獲取到客戶體驗的態度數據，并從中找到發力點。
這或許是凈推薦值（NPS）使用的新趨勢，一起來了解一下。
一、為什么選擇評論數據？
相比于問卷調查，客戶其實更加傾向于對所消費的產品或服務進行評論。在線客戶評論作為線下口碑的網絡延展形式，具有信源可信度高、獲取成本低且不受時間和空間限制等特點，這些評論也在客戶決策參考信息中發揮著巨大的作用。
研究發現，客戶的在線評論會影響客戶的決策以及企業的銷售量，這會給企業帶來間接的價值（趙萌&齊佳音，2014）。像去逛線上購物會先去看評論、買家秀，去線下吃飯會先去看大眾點評，去看電影先去看豆瓣評分等，潛在客戶會受到這些評論的影響，做出消費行為。
相比之下，雖然客戶并未直接回答凈推薦值（NPS）的問題，但是在進行評價的過程中，同時滿足了「回顧過程+目標對象+推薦動機」的推薦行為三要素。
（“三要素”概念解讀請閱讀：問卷設計：NPS/CSAT要先問還是后問？）
1）回顧過程：
客戶評論是歷經了一個完整的回顧，即思考這個產品或服務哪里好（壞）。
2）目標對象：
由于大家消費大多會去瀏覽評論，那么客戶在評價的過程，其實是有目標對象的，就是那些未來準備購買的人。
3）推薦動機：
從這一層關系上推論，客戶在描繪對產品或服務態度的同時，在當下社會的消費語境中，自我增強（利己/聲譽/經濟激勵）、維權、負面情緒發泄等動機會助推客戶評論，讓間接推薦的行為得以順利發生。
此外，在 Dellarocas,C. & Narayan（2005）的研究中發現，客戶對產品的滿意度和口碑傳播呈 U 形關系，即客戶會對產品或服務「非常滿意」或「非常不滿意」會積極給與反饋評論，這與凈推薦值（NPS）在理念上也是一致的。
因此我認為，反饋評論數據可以用作詢問凈推薦值（NPS）問題的替代品。
二、評論的情緒分析
我們知道人類自然語言中的情感色彩非常豐富，一般會包括情緒（悲傷/快樂）、心情（自在/郁悶）、喜好（喜歡/討厭）、個性（張揚/靦腆）、立場（剛正/搖擺）等等。
情緒分析也稱為“意見挖掘”，主要通過技術手段去自動分析客戶評論中隱含的情緒傾向，并通過數值化方式表達。目的是幫助企業了解客戶對產品/服務的感受，為產品/服務改進提供依據，更好地進行商業決策。
情緒分析的目標就是從客戶評論的非結構化的文本抽取出「實體、屬性、觀點、觀點持有者、時間」這五個要素，并且對它們的關系進行分析，最終得出評論內容表達的情緒傾向性。其中實體和屬性合并稱為評價對象（target），而觀點持有者與時間這兩個要素可依分析需要加入。
而評論要實踐凈推薦值（NPS）理念的話，需要用到的是情緒分析中的極性分類（Polarity Classification）能力。即在客戶評論的內容中，通過情緒極性分析歸類為正面、負面和中性。
正面：表示正面積極的情緒，如高興，幸福，驚喜，期待等。
中性：表示客觀的陳述事實，不涉及個人情緒色彩的表態，或者是不相關、包含愿望的信息。
負面：表示負面消極的情緒，如難過，傷心，憤怒，驚恐等。
以某手表商家評論為例：
客戶 A：手表外觀看著就大氣，功能很多，一直都相信 XX 品牌，而且還是防水的，充電速度也快，喜歡。
客戶 B：這是我買來給給家里弟弟使用，還沒開始用。
客戶 C：信用很差，說好的送太空人表盤，需要自己先買，然后再把錢退回來，說好 3 天退，到第 6 天都還沒退，要一直催。
通過情緒分析的極性分類：
客戶 A 的評論為：正面情緒
客戶 B 的評論為：中性情緒
客戶 C 的評論為：負面情緒
人工的判斷可以判別情緒極性，但是計算凈推薦值（NPS）是需要具體的數值進行計算的，可以怎么做，接著往下看。
三、如何從情緒分析中計算NPS？
得益于自然語言處理 (NLP, Natural Language Processing) 技術的發展，從之前 AI2 的 ELMo，到 OpenAI 的 fine-tune transformer，再到 Google 發布的 BERT 模型。NLP 庫的進步使得從評論內容中提取信息更容易、更準確。
我嘗試利用 NLP 通過 4 個步驟，分析客戶評論的正負面評論比例以及情緒值，結合 NPS 的方法，從而識別推動者和反對者。
具體操作步驟如下。
步驟 1：采集已購買客戶的評論數據，依據客戶 ID 進行評論匯總。
原則上是可以把所有的客戶評論都進行分析。由于我們更加希望關注購買頻繁客戶的聲音，在實際的應用上，可以設定適用于分析的基準值。比如，一年內最低消費次數為 3 次，作為分析目標對象。
通過數據匯總，你大概可以得到下面的表格。
通過這個表格，可以篩選出需要進行分析的客戶范圍?；蛘?，還可以依據客戶評論數量設定不同客戶群，分別進行。
步驟 2：把評論進行NLP情緒分析，依據客戶ID匯總正面/負面評論數。
接下來，需要使用到 NLP ，來幫助我們完成極性分類的評分環節。
我是使用谷歌的 AutoML Natural Language 創建分析模型，搭建完成后把你需要分析的評論文本信息導入，模型就可以根據文本內容，給出相應的極性分類。
情緒值的區間為 [-1,1]，越靠近 +1，情緒越正面；越靠近 -1，情緒越負面；0 則為中性情緒。
比如，TT 同學的評論為正面情緒（0.84），DD 同學的評論為負面情緒（-0.5）。
下面是評論內容情緒分析-極性分類的示例。
經過 NLP 情緒分析-極性分類之后，再依據客戶 ID 進行正面評論數和負面評論數匯總。
步驟 3：計算正面/負面評論的平均分，計算評論得分。
為了識別客戶屬于「推薦者、中立者、貶損者」的類型，把該客戶的評論情緒值依據「正面」和「負面」區分，分別計算平均數。
得到平均數后，參照凈推薦值（NPS）的理念，找出該客戶在整個購買歷程當中，正面和負面的差值占比，以此得到該客戶對于品牌的整體情緒傾向。
計算公式如下：
評論得分 = ((正面評論數 x 正面評論分) + (負面評論數 x 負面評論分) )/評論總數
注意：由于負面評論的情緒值為「負數」，所以這里使用的是加號。概念上，是正面情緒總得分減去負面情緒總得分。
比如，客戶 A，總評論數為 42，其中正面評論數為 41，正面評論平均得分為 0.9。負面評論數為 1，負面評論平均得分為 -0.92。
客戶 A 評論得分 = ((41 x 0.9) + (1 x (-0.9))) / 42
經由計算可以知道，客戶 A 的整體評論情緒值為：0.86。
步驟 4：轉化為 NPS 分數，劃分客戶類型，計算NPS得分。
為了消除評論得分之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性。這里 NPS 的計算通過把各評論得分轉化為 [0-10] 的量級，進行客戶類型的劃分。
計算公式如下：
客戶 NPS = (評論得分 + 1) x 5
品牌 NPS = 推薦者% – 貶損者%
計算示例：
注意：在凈推薦值（NPS）的評分方式上是不存在小數的分數值，這里會將 X≤6 劃分為貶損者， 8≥X＞6 劃分為中立者， X>8 劃分為推薦者。
比如，客戶 A 的評論得分是 0.86 分，那么她的 NPS 得分就是(0.86 + 1) x 5 = 9.28，屬于推薦者。
根據計算，可以知道有 9 位推薦者，2 位貶損者，那么品牌的 NPS 得分為：= (9 – 2) / 12 x 100 = 58.3。
四、如何從結果中下鉆分析，找到需改進痛點？
我們知道 NPS 的得分并不能為企業帶來價值，得分背后原因的挖掘才是真正意義所在。同樣，依此方法同樣可以達成。
以某酒店的客戶評論為例，通常酒店在消費者視角，會關心「服務、價格、設施、位置、餐飲、衛生」六大維度。
從上面分析所劃分的推薦者和貶損者，依據這六大維度以及繼續下鉆。通過劃定的維度，借由 NLP 技術，分別對于不同維度進行極性分類，獲得情緒值。
另外，可以通過詞云的方式，找到對于推薦者、貶損者客戶群來說，都是哪些接觸點在發揮作用。
以此，尋找對于不同客戶類型來說，分別可以優化改善的發力點是哪些，并從中找到產品或服務改善的優先次序，幫助你快速掌握客戶的脈搏并采取行動。
總的來說，不同維度轉化為數值之后，后續的分析等同于常規的 NPS 分析步驟。
五、寫在最后
這是一種新的凈推薦值（NPS）實踐思路，結合 NPS 的核心理念和 NLP 技術，可以確定品牌的推薦者者、貶損者者和中立者，亦可以下鉆通過多維度拆解評論（定性數據）找到背后具體的原因。
在數據樣本獲取成本、樣本覆蓋率、分析標準一致性，以及缺乏定性信息解釋原因等問題上，該思路基本可以解決上述挑戰。
客戶體驗伴隨著業務的進行，同步進行監測，可持續性觀測客戶對于品牌長期以來的態度變化趨勢。
當然，目前這個模型度量概念還處于需要不斷探討驗證的階段，像不同領域語料庫的完整程度，會直接影響 NLP 的輸出結果，從而影響整體的數據表現。
以上，是我最近關于凈推薦值（NPS）的實踐總結，希望對你有所啟發。歡迎有不同想法的朋友交流學習。
專欄作家
龍國富，公眾號：龍國富，人人都是產品經理專欄作家，人因工程碩士。致力于終身學習和自我提升，分享用戶研究、客戶體驗、服務科學等領域資訊，觀點和個人見解。
本文原創發布于人人都是產品經理，未經授權，禁止轉載。
題圖來自Unsplash，基于CC0協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。
厲害了 不過感覺單個客戶評論數不會這么多啊
一級棒
很棒