在我之前的专栏中，我已经提到了几种可以改善使用大数据分析的客户体验的方法，其中一种最成功的方法是将语音和数据分析应用到您现有的客户互动中。

我最早的语音分析经验之一是在1999年假期期间在亚马逊网站上。我为亚马逊的三个网站（美国，英国和德国）运营全球客户服务，这个假期给我们的运营带来了很大的压力。尽管网络自助服务和运营效率取得了重大进展，但亚马逊推出了新的“商店”，这些商店需要退货（不像早期的书籍，音乐和视频商店）和更高水平的支持，然后WTO于12月上旬在西雅图召开会议，在那里我把两个美国联络中心都放在一个似乎鼓励抗议的“无抗议区”。

接下来发生骚乱，服务水平下降，在我们的每日会议中如同战争一般，我的IT合作伙伴提出应用一项名为word-spotting的新技术来帮助缓解电子邮件队列。我们发现所有带有“圣诞老人”，“圣诞节”或“毁了”的电子邮件都值得更快关注，因此他们帮助我们创建了一个新的电子邮件队列，分配给我们的三级客户服务代表，这些关键词包括如“如果你们在我们前往父母家之前没有得到约翰尼的玩具，那么圣诞老人就不会到来，圣诞节也会毁了！！！”

这需要一些繁重的工作，但我们的队列迅速恢复控制，我们为Johnny和Rachel保存了许多Christmases，我们可以跟踪积极的客户口碑（类似于今天的NPS），因为这个干预计划；此外，我的座席们真的很喜欢解决客户问题，在这里他们可以“锁定”或删除多个电子邮件消息，这些电子邮件已经开始积累，因为妈妈对于及时获取产品非常着急。第二年，我们扩展了这个分析程序，从那时起它变得更加普遍，但你今天如何利用它的力量呢？

以下是应用语音和数据分析以改善客户体验的五个简单步骤：

1、收集客户的声音

您可能想查看2017年3月的专栏“使用大数据构建客户计划的集成语音:6步指南”，我在其中列出了20个或更多不同的地方，您可以收集客户的声音，将它们汇集在一起“综合VOC计划”，并使用客户联系原因代码或关键词分析其趋势。

例如，您应该包含您控制的社交媒体帖子（公司Facebook网站或Twitter提要）以及您无法控制的社交媒体帖子（例如Google，Yelp和行业网站）；您客户的聊天会话，电子邮件，电话联系人和短信；对任何调查的逐字评论（例如，基于联系后的基于网络或IVR的调查问卷，第三方外拨电话和网站性能网站）；以及与销售团队，高管，现场支持或维修，柜员和其他面向客户的团队的任何互动。

2、关键词和热门话题目录

这是关键步骤，可能非常有启发性。在这里，我建议将整个客户“旅程”中的跨职能团队与您的公司联系在一起，并询问他们（a）我们客户的“真实时刻”在哪里，以及（b）我们可能在哪里跌倒？换句话说就是“热点”是什么？然后你可以开始问“他们是什么？”例如，你可能想听到“这对我来说很容易注册”而你不想听到“这对我来说很难使用你的网站”。

在我的上一本书--您的客户规则！--中，提供了当今客户所需的Me2B体验，我的合着者David Jaffe和我采访并研究了公认的全球体验领导者，如Birds of Prey（澳大利亚），Nordstrom（美国），Vente-Privee（法国）和Yama to Transport（日本），我们制作了7个客户需求列表，分为39个子需求。每个Needand Sub-Need都是用客户语言编写的，可以轻松挖掘单词并应用语音和数据分析；对于每个Sub-Need，我们还提出了“失败声明”。

对关键词和热门话题进行编目的另一种方法是从我的亚马逊1999假期书中取出一页，并列出您不希望从客户那里听到的翻版表达，例如：

“为什么......？”

“你一定是在开玩笑吧！”

“这是第二次......”（体验的良好指标--破坏重复接触，或“雪球”）

收缩包括“不能”和“不会”，特别是当与“有意义”或“为我工作”等词语结合时。

“破坏”

3、捕捉这些声音和单词

从大大小小的供应商那里都有很多优秀的语音和数据引擎，因此您不难说服其中一个或两个从您的一些渠道的客户声音中获取您的编目关键词和热门话题。分析他们的频率和强度（这是语音分析闪耀的地方）。

4、使用推荐引擎

现在好玩的开始了！但首先，请记住语音分析，就像其他形式的大（和小）数据一样，忽视“保持得分”的倾向是必不可少的（就像说“我们上个月的VOC评分为82，两个月以上的好评”，以前当它是79），因为你永远不知道是什么驱动得分。相反，使用语音分析作为客户体验的关键洞察力，通常是消耗或销售下降的主要指标，也是营销或其他运营团队改善绩效的工具。

一旦捕获了声音和单词，您就可以构建一个推荐引擎，尝试恢复客户信心，改善客户体验，并导致客户重新购买和保留。一个经典的推荐引擎是为您的客户服务代表，出纳员或安装人员提供指导“当您听到X，做Y时。”更先进但功能更强大的推荐引擎可以捕捉近乎实时的负面情绪或声音通过特定的变更或干预措施（例如来自您的专业技术解决方案小组的外拨电话或自动应用于其帐户的折扣），在他们下一个可能的痛点之前联系这些客户。

5、学习并比较结果

在构建运营模型时，最后一步涉及大数据的另一个高影响方面，通常称为“机器学习”。像金融服务公司这样的组织使用这个学习步骤来看看他们的定价或政策变化建议是否有效，这意味着“客户是否购买更多并留在对照组中？”。或者电信或有线电视/互联网提供商可以查看他们的定价或促销是否有效；或公用事业单位检测他们的费率计划或非高峰折扣计划。

如果是这样，请再试一次；如果没有，请与这些客户一起尝试其他内容，并在特定时间向某些客户提出某些建议无效。这并不意味着推荐这些建议；相反，它们被存储以供将来用于测试预测模型。

一旦您拥有这些模型并“学习”，就可以回到第1步并加深您的语音和数据分析，以改善客户体验！