体验家XMPlus-全旅程客户体验管理

距离2022年11月,基于GPT-3.5的ChatGPT横空出世已经过去了四年。这四年间,AI重塑了许多行业和岗位的工作方式。在体验家所处的客户体验管理(CEM)赛道,AI也在不断改变企业对“客户体验数据”的分析方式。本篇文章从数据、方法和交互等维度,梳理了AI时代企业分析客户体验数据的几种主要方式,并且基于我们对技术发展的判断,做出一些未来的预测。
我们在本文中所说的“客户体验数据”:指企业通过问卷调研、抓取电商点评、客服会话收集到的客户对产品、服务的做出的有意识的评价,不包含浏览点击等客户无意识的行为数据。(具体分类可参考《客户体验管理的四类数据及其融合》)
数据: 电商点评、问卷开放题等自然语言反馈的非结构数据。
方法: 将自然语言进行打标,进行情绪、话题分类分类以及提取洞察。
交互: 用户从CEM中导出数据,通过上传文件或粘贴文本的方式交给AI。
这个模式主要存在于AI刚刚风靡的初期阶段。本轮AI爆发的底层是“大语言模型”,因此它对于客户反馈中的自然语言的分析速度和准确率都远高于传统的NLP技术。企业的体验相关岗位都会将积累已久的问卷文本题,电商评论、甚至客服会话等数据下载后,用Excel上传给大模型进行打标和观点提炼。
这个阶段,CEM和大模型还是分离的,用户充当“人肉API”——把需要分析的数据从体验家这样的CEM系统、或者RPA软件、客服系统中导出,然后自行“搬运”到自己习惯使用的大模型中。随着DeepSeek等国产大模型的发布,包括CEM在内的SaaS软件都纷纷引入大模型,但在这个阶段,软件主要是套壳大模型,提供一个供用户聊天的界面,客户分析体验数据的方式依然是一轮一轮的“Chat”。
2023年7月,ChatGPT开始向Plus用户逐步开放代码解释器,让AI能够编写并实际执行代码。用户上传Excel后,AI也可以通过程序计算NPS、统计选项比例、比较不同客户群体,并生成图表。这补上了实际计算的能力,结构化数据分析也有了更可靠的执行工具。但从用户的操作来看,依然是准备数据、上传文件,再通过对话提出分析要求,整体上仍然属于“Chat模式”。
对于需要结合企业实际作出判断的客户体验管理工作,准确计算只是其中一步。在缺少企业指标口径、业务知识和具体场景背景的情况下,这个阶段的AI分析仍然难以贴近企业的真实场景,再加上上下文长度的限制,数据分析能够产生的业务价值仍然非常有限。
数据:NPS、不满原因等结构化问卷数据+电商评论、客服会话等非结构化数据。
方法:数据清洗、标签提取、统计计算和交叉分析,生成图表与报告。
交互:完成连接和授权后,外部Agent通过MCP按任务需要获取CEM数据集,完成自主分析。
这一阶段始于两项技术里程碑:
· 2024年11月,Anthropic推出MCP,为AI连接数据和工具提供统一协议;
· 2025年3月,Manus推出多层Agent,展示了AI规划并连续执行多步骤任务的能力。
MCP可以让体验家CEM这类业务型软件开始与外部Agent建立连接,让Agent根据任务需要从CEM获取数据。这样一来,CEM软件负责收集和管理体验数据,外部Agent负责组织分析。顺应这个阶段的技术变革,体验家CEM也适时推出了MCP功能,可以让客户将数据拉取到国内外主流的Agent平台进行数据分析。(《体验家推出MCP,让Agent成为你的数据分析师》,详见官网:www.xmplus.cn/MCP)
但拉取到大模型后,依然只是用对话进行分析,MCP就只是减少了客户“下载”数据的时间,本质上并没有提升分析的效率。时间到了2025年,以Manus为代表的Agent彻底改变了AI最初一问一答的模式,Agent可以将一个分析目标拆成多个步骤,连续完成取数、计算、分析,自主完成长链任务,生成最终的分析报告。例如,用户提出“分析上个月各门店的NPS表现”,Agent可以计算各门店的得分,计算NPS的趋势,对比推荐者和贬损者选择的原因标签,再结合开放题中的客户原话提取洞察。减少用户逐步指挥和衔接结果的工作。随后,WorkBuddy、千问工作、豆包工作等平台的推出,更让Agent走入日常工作的场景。

不过,数据接通以后,一个挑战也随之而来:如何补齐业务知识和企业背景?WorkBuddy等Agent虽然可以加载专业Skill,企业知识和分析口径也可以通过资料补充进去,但这些内容如何配置、如何维护、哪些员工可以使用,仍然需要有人负责。这个阶段,AI已经能够完成更多分析任务,但分析结果能否用于业务决策,很大程度上取决于企业提供了多少有效的背景。
数据:所有体验数据+运营指标数据+企业背景的知识库、指标体系、报告模板等。
方法:结合专业Skill和企业Context,按照企业的指标口径、业务知识和报告要求开展分析,形成贴近业务的解释与建议。
交互: 用户直接在CEM中发起任务,原生Agent在系统已有权限范围内调用数据,自主完成分析结果。
2024年9月,Salesforce发布Agentforce,将Agent与平台数据和业务工具整合起来,呈现了由SaaS服务商在业务系统内部发展Agent的另一条路线。在这种模式下,用户可以直接在日常使用的业务系统中提出问题,数据获取、工具调用和结果展示由产品内部流程衔接。体验家也推出了“体验管理Agent”,让客户可以在CEM系统中,以自然语言,让Agent实现长链条的自主分析和定时任务(详见www.xmplus.cn/agent)。用户不再需要另外更强大的BI工具或者WorkBuddy等外部Agent,而是直接在CEM系统内解决战斗。企业也可以围绕已有的数据权限和业务口径,组织AI的使用,解决数据安全的问题。
虽然不能像用型Agent(WorkBuddy等)一样让客户随心所欲的完成各种任务,但体验家CEM原生Agent内嵌了咨询和数据分析团队常年积累的数据整理和数据分析方法,以技能(Skill)的方式供用户随时调用,在客户体验数据的分析方面实现了即插即用。更重要的,是原生Agent可以让企业在使用时上传自己的指标体系、报告模板以及其他业务知识库,让Agent在分析结果时输出贴合真实业务场景的分析结果和行动建议,而不是脱离实际的凭空漫谈。

至此,原先在CEM系统中没有得到充分分析的数据,经过了“手动导出至大模型”和“MCP传输给Agent”两个阶段之后,最终回归到在“CEM系统中完成Agent自主分析”,让企业可以配置在原先设置的权限范围内进行协作。
在AI诞生之后,企业服务软件行业就存在“是否会被AI折叠?是否会成为一个被调用的后台工具”的自问。但企业要做好客户体验管理的工作,从来都不是一个纯“智力”的提升就可以达到的,或者几句话就能说清楚的事情。它依赖企业的语境,高质量的数据,以及多岗位协作的平台。AI时代,分析客户体验管理数据最终会走向SaaS软件+AI能力+企业知识的融合。
企业知识管理大师,野中郁次郎曾说:“与信息不同,知识无法脱离其所处的情境;它嵌入于‘场’之中。”【1】。这里的“场”,是人们共享经验、开展互动并创造知识的共同空间。因此,在体验管理领域,SaaS与AI的融合,也应当为企业构建这样的空间:让客户反馈与业务经验相互印证,让不同岗位的专业判断形成共识,最终转化为持续改善客户体验的行动。
参考文献:
【1】NONAKA I, KONNO N. The concept of “Ba”: Building a foundation for knowledge creation[J]. California Management Review, 1998, 40(3): 40-54. DOI: 10.2307/41165942.
扫码关注体验家公众号,随时随地获取体验家观点







免费订阅
提交信息,我们将定期为您推送更多您喜欢的内容
我们将定期为您推送更多精彩内容
Copyright © 2023 XMPlus 瀚一数据科技(深圳)有限公司 粤ICP备18114013号-2
粤公网安备44030502005360号