Виды анализа данных в клиентском опыте

11 минут
26.04.2024
  • Павел Коновалов
    Эксперт по клиентскому опыту и CХ исследований в FOQUZ
    Экс-руководитель отдела CХ исследований банка с государственным участием. Экс-руководитель отдела клиентского опыта бренда AC Robin. Начинал трудовой путь на первой линии поддержки, затем прошел стадии старшего смены, тимлида, руководителя группы. Автор множества статей и публикаций, связанных с клиентским и мультиопытом.
Аналитика данных позволяет обнаружить закономерности в больших объемах информации и интерпретировать их, чтобы извлечь ценные для бизнеса инсайты, скорректировать стратегию управления клиентскими впечатлениями, изменить ключевые показатели эффективности компании.
Этот этап исследования открывает перспективы и в области управления клиентским опытом. Взаимодействие покупателя с компанией представляет собой набор определенных паттернов, которые поддаются систематизации и типизации. Это значит, что можно по набору признаков предугадать поведение клиента и предотвратить негативный клиентский опыт.
Существует 4 типа аналитики, которые помогают проанализировать данные о клиентах и их впечатлениях от контакта с брендом, выяснить закономерности и построить модели прогнозирования результатов. Каждая методика исследования преследует свою цель и отвечает на основной вопрос:
дескриптивная аналитика: «Что случилось?»;
диагностическая аналитика: «Почему это случилось?»;
предиктивная аналитика: «Что может произойти?»;
прескриптивная аналитика: «Что делать?».

Аналитика больших данных

Такой многосторонний анализ позволяет оптимизировать процессы бренда, снизить затраты, улучшить свойства продуктов, повысить удовлетворенность клиентов и принимать лучшие решения для развития компании.
Расскажем в статье, как с помощью аналитики принимать взвешенные управленческие решения и повысить эффективность бизнес-процессов.

Дескриптивная аналитика

Дескриптивная (описательная) аналитика помогает собрать, проанализировать и систематизировать все источники информации, чтобы ответить на вопрос «Что случилось?» и найти закономерности. Данная аналитика — это ежедневные отчеты любой компании о продажах, результат CES/CSAT/NPS опросов, качественной обратной связи клиентов и так далее.
Дескриптивная аналитика показывает ситуацию в моменте и в разрезе длительных периодов. Основные методики этого вида анализа:
Мониторинг CX-показателей в режиме реального времени и возможность следить за ключевыми метриками управления клиентским опытом. Например, дескриптивная аналитика поможет измерить уровень удовлетворенности, лояльности и другие показатели, на которые влияют впечатления клиентов: LTV, средний чек, ARPU и т. п.
Сравнение данных за разные периоды, что позволяет оценить динамику развития клиентского контура или компании в целом. Например, проанализировать средний квартальный рост выручки с группы онлайн-покупателей и отслеживать исторические тенденции с помощью диаграмм для оценки динамики удовлетворенности.
Оценка эффективности различных бизнес-сегментов. Например, с помощью данной методики можно рассчитать доход на одного клиента и соотношение расходов к доходам при реализации разных продуктов, а также сравнить их с отраслевыми нормами или данными других компаний.
Несколько типов описательной статистики, которые позволяют понять ситуацию и сложившиеся взаимосвязи:
Среднее значение рассчитывается через сумму всех значений и деление на их количество;
Медиана — срединное значение в наборе данных путем их упорядочивания данных от меньшего к большему, если в середине оказалось два значения, то между ними находится среднее;
Мода — самое часто встречающиеся значения в выборке;
Дисперсия — показатель отличия в выборке данных друг от друга;
Диапазон определяет разницу между наибольшим и наименьшим значениями в выборке;
Стандартное отклонение оценивает метрику разброса выборки.

Диагностическая аналитика

Диагностическая аналитика помогает выяснить причины возникновения определенных событий и ответить на вопрос «Почему это случилось?».
Этот вид анализа позволяет понять, какие были совершены ошибки, достигнуты успехи и почему так случилось, чтобы вовремя скорректировать стратегию управления клиентским опытом. Остановимся на трех самых популярных методиках диагностической аналитики:
Регрессионный анализ находит причины, которые повлияли на конечные результаты. Например, определяет самые эффективные сценарии коммуникации с клиентом, благодаря которым произошел рост лояльности. Коэффициент корреляции помогает определить, насколько тесно связаны между эти (и не только) переменные, и может быть использован для прогнозирования будущих отношений между ними.
Анализ бизнес-процессов находит информацию о ситуациях из журналов событий, гайдов или регламентов. С их помощью можно изменить процессы в бизнесе и найти зоны роста. Включает в себя визуальный анализ графиков, времени на исполнение, аналитику потерь и потенциала. Это позволяет глубже понять процессы и найти источники оптимизации, т. к. создание впечатлений клиентов требует ресурсов, как и все другие задачи.
Семантический анализ текста — это метод трансформации информации при помощи алгоритмов работы с простым языком. Искусственный интеллект помогает с поиском сущностей в контексте и подбором правильной их интерпретации. Позволяет найти объективные факты, определить тональность и так далее. Например, такой анализ применяется для изучения отзывов клиентов и выявления закономерностей поведения на основе речевых оборотов.

Виды аналитики и их методы

Предиктивная аналитика

Предиктивная (прогнозная) аналитика — это вид аналитики, который использует скрытые взаимосвязи между данными дескриптивного анализа, диагностической аналитики для предсказания событий в будущем, отвечает на вопрос «Что может произойти?».
Два основных типа методов прогнозирования:
Качественные методы основаны на экспертных оценках и мнениях специалистов. Полезны при отсутствии или неполноте статистических данных. Например, при анкетировании и прочих исследованиях рынка с помощью этой методики выявляется потребительский запрос. Другой вариант — дельфийский метод, который предполагает анкетирование специалистов в той сфере, где нужен прогноз.
Количественные методы работают со статистикой и моделями, помогают находить связи, предугадать долгосрочные тренды. Также есть метод прогнозирования временных рядов для анализа разных временных интервалов и моделирования тенденций. Примером такого исследования можно считать эконометрическое моделирование — анализ клиентской информации (сегменты и когорты клиентов, степени лояльности и удовлетворенности и их влияние на ключевые бизнес-показатели).

Количественное прогнозирование позволяет предугадать долгосрочные тренды, а также анализировать разные временные интервалы для моделирования тенденций. Примером такого исследования можно считать эконометрическое моделирование. С его помощью стоит анализировать клиентскую информацию (сегменты и когорты клиентов, степени лояльности и удовлетворенности и их влияние на ключевые бизнес-показатели).

Другой пример — метод индикатора. Позволяет сопоставлять точки данных, чтобы обнаружить связи между, на первый взгляд, несвязанными величинами (например, влияние изменений лояльности бренду на структуру среднего чека).
Предиктивная аналитика помогает предсказать и предотвратить отток клиентов еще до его возникновения, а также спрогнозировать потенциальные успехи или неудачи в развитии продукта и сервиса компании. Предиктивная аналитика позволяет выяснить причины случившегося и смоделировать подходящую модель решения проблемы, учитывающую риски ее реализации.

Прескриптивная аналитика

Прескриптивная (предписывающая) аналитика — анализ данных, который помогает выработать корректирующие методы и устранить отклонения на основе исторических или текущих бизнес-процессов, отвечает на вопрос «Что делать?».
Выглядит процесс так: создается модель данных, обогащается информацией, обрабатывается, формируется прогноз, и затем модель выдает заложенные предписания.
Данный анализ применяется на этапе оптимизации процессов. Например, модуль прескриптивной аналитики определяет, какая характеристика услуги вызывает больше всего жалоб и предлагает наиболее экономически выгодное решение — убрать какой-то параметр, оставить как есть, развить его и т. д.
Прескриптивная аналитика применяется при прогнозе объемов продаж, потребительского спроса, графика работы для максимальной продуктивности сотрудников и т. д.— для принятия операционных и стратегических решений. Рассмотрим основные методы этой методики:
Имитационное моделирование выстраивает различные сценарии для процессов, где невозможно или очень трудно построить точное уравнение из-за сложности параметров. Например, оценить способность площадки для конференций справиться с непрогнозируемым потоком посетителей.
Машинное обучение используется, когда есть большой объем корректных данных, но сложно определить зависимость между входными и выходными данными. Например, проанализировать цепочку звонков от клиентов на основании годовой выгрузки отчетов, чтобы выявить и преобразовать неэффективные этапы.
Исследование операций позволяет моделировать процесс в виде уравнения с целевой функцией и описанием параметров, что помогает оптимизировать процессы и принимать обоснованные решения. Например, изменить последовательность операций при обработке входящих звонков от премиум-клиентов, чтобы снизить время ожидания.

Этапы анализа данных

Основные инструменты анализа — сбор данных и оценка качества информации. Методику процесса можно представить в виде 4 этапов:

Определение цели анализа.

Важно понимать, на какие вопросы должен ответить процесс анализа. На этом этапе выбирается тип аналитики и пул данных для анализа:
Внешние факторы: тренды, репутация компании, место в рейтинге конкурентов;
Внутренние факторы: особенности корпоративной культуры, специфика производства, возможности использования инноваций;
Индивидуальные характеристики: свойства продукта, пол, возраст и семейное положение сотрудника.

Поиск контекста.

Необходимые для анализа данные могут быть разбросаны по различным программам и файлам, в лучшем случае — агрегированы в базах данных. Для получения некоторых ключевых показателей, возможно, потребуются внешние источники данных, например, отраслевые базы для сравнительного анализа или информация с веб-сайтов электронной коммерции и платформ социальных сетей.

Этапы анализа данных

Извлечение и подготовка данных.

Этот этап включает очистку информации от несоответствий и ошибок, а также приведение различных источников к одному формату для использования в аналитических инструментах.

Обработка информации и представление данных.

На этом этапе используются методики выбранных типов аналитики. Всю накопленную информацию необходимо представить в удобном и понятном виде. Это может быть таблица, диаграмма, гистограмма, линейный график, облако текстовых ответов или панель метрик (KPI).

FOQUZ как сервис аналитики клиентского опыта

С помощью FOQUZ можно реализовать основные этапы различных видов исследования клиентского опыта.
Поиск контекста.
Сервис позволяет проводить количественные и качественные опросы, как по узким сегментам, так и в целом по всей клиентской базе. Ответы агрегируются и внутри опроса, и в единой настраиваемой базе ответов.
Извлечение и подготовка данных.
В таблицах FOQUZ можно настроить фильтрацию данных, нормализовать их, сгруппировать ответы (например, по степени заполнения анкет и т. п.).

FOQUZ как сервис аналитики клиентского опыта

Обработка информации и представление данных.
В интерфейсе рассчитываются значения показателей по разным клиентским и статистическим (при интеграциях) метрикам. Все ответы можно классифицировать по данным клиентов: тегам, точкам контакта, сегментам, когортам и т. д. Это позволяет наглядно представить оценки респондентов и портреты аудитории, которая их оставляет. Можно также рассчитывать значения кастомных метрик.
Представление данных.
В FOQUZ автоматически строятся графики по полученным ответам респондентов: облако текстовых ответов, отчеты по обработке заявок, значения показателей в динамике и т. д.

Популярные статьи