momo电子书

手机浏览器扫描二维码访问

第八章 测量（第3页）

接下来，介绍三种测量指标：描述性指标、感知性指标和结果性指标（详见图8–1）。

图8–1用户体验指标分类

感知性测量：用户体验的最真实衡量

你是否还记得在第一章中，我们将用户体验定义为客户如何看待自己与交易公司之间的互动？因此，测量用户体验便是去测量客户的观点——这是只存在于客户脑海中的东西。

你想要让这个答案从客户的脑海里飞到你手中，那么你就需要询问他们在每一步体验中的满意程度：你的服务是否满足了他们的需求？容易性如何？他们享受这个体验过程吗？

以捷蓝航空为例，他们主要通过调查的方式，收集各个方面的信息来衡量其用户体验。

这是由于调查可以让你用数字的形式来作为衡量的标杆，这对于任何一种测量系统都适用。

他们通过让客户以事先规定好的量表来回答所有调查问题——例如，从非常不满意（1）到非常满意（5）。

这种级别的精确度会让你随着时间的推移准确跟踪体验过程，同时建立起与商业利益之间的相关性模型，相关资料请参见第二章。

这种方式同我们在第六章里介绍的民族志研究方法形成了鲜明的对比，民族志研究可以揭示定性洞察，但如果作为一种测量工具来看，却远不够精确。

调查还有另外一个潜在的优势：如果你既定了一个标准方法——如美国客户满意度指数（AmericanCustomerSatisfactionIndex）或者弗雷斯特用户体验指数（Forrester’sCustomerExperienceIndex），那么你就可以与使用同样方式的公司进行比对。

对于行业内对比来说，这一方法尤其有效，并适用于任何行业。

目前唯一有可能取代调查的方式仍处于起步阶段：可以推断出客户感知的软件工具。

这些工具同我们在第六章里描述的内容颇为相似。

通过未经格式化的文本，如电话客服中心的脚本信息和社交媒体的发布内容，这种软件可以推断出客户的满意度等级——无论是针对某个特定的互动模块还是整个体验过程。

这是一种很有前景的客户洞察新方式，可以对调查数据进行补充，但是在可预见的未来，仍然无法完全取代调查这种定量分析的方法。

这是因为，这类工具想要达到同调查一样准确而连贯地衡量特定客户互动中的情绪变化，还有很长的一段路要走。

当你的测量方案成熟的时候，你可以考虑这个选择，但是在最开始的时候，你依然需要采取试错法（tried-and-true）进行实地调查。

描述性指标：现实中发生的事情

描述性指标包含了客户互动中的大量数据，比如电话客服中心呼叫记录，客户什么时候拨通电话，以及对话的时长；或者账单系统记录，客户从你这里购买了什么产品，通过什么渠道进行购买等。

这些指标通过告知你在现实中发生的事情来提供多种客户观点。

例如，我们合作的一家电信公司告诉我们，曾经有一次他们接到了大量的客户来电投诉，投诉当期的账单出现了大量错误。

通常，这种情况会导致公司成立项目组对账单系统进行修复。

而那些描述性指标显示，根据客户购买的通信计划来看，他们的账单是没有问题的。

这就要求这家电信公司开展一次根源性问题分析，最终揭示真正的问题所在：可能会对自己购买的服务包存在疑惑。

因为他们收到的账单同预期不同，而这些账单只是看起来有错误而已。

收集描述性指标，你需要IT部门的协助。

他们会通过某些工具，如SAS、SPSS或者ClickFox来挖掘内部系统，如通联中心日志、账单系统，以及客户关系管理系统等获得数据。

结果性指标：预测业务结果的洞察

结果性指标会告诉客户在同你的公司进行互动之后想要做的事情——或者实际上做的事情。

这项指标会让你将客户观点（例如一次满足的购物之旅），同最终的业务结果（如回头客购买行为）进行关联。

结果性导向的指标可以分为两种类型：关于客户预期行为的自我导向报告数据和客户实际行为的历史数据。

结果性指标以预期行为来寻求客户在未来的行动预测。

净推荐值是目前最流行的结果性指标。

净推荐值可以认为是基于客户对如下问题的回答：“你向朋友或者同事推荐（某公司）的可能性有多大？”

很多公司把净推荐值看得很重要，因此他们将净推荐值作为结果性指标和感知性指标，他们假设那些打算进行推荐的客户们经历了一次良好的体验。

我们的研究证明，这个假设在大部分情况下都是合理的，然而也是有代价的：很多把净推荐值作为双重标准的公司，对于体验的理解也不够详细。

其他的结果性测量指标包含了由实际客户行为所构成的数据。