一种满意度智能分析系统技术方案

本发明专利技术提供一种满意度智能分析系统，涉及智能分析领域，包括数据采集模型、智能报表分析模型；所述数据采集模块用于采集客户的调研结果数据、历史消费数据，并且将调研结果数据与历史消费数据相互关联，计算客户的净推荐值；所述智能报表分析模型包括k

【技术实现步骤摘要】
一种满意度智能分析系统


[0001]本专利技术涉及智能分析领域，特别是涉及一种满意度智能分析系统。

技术介绍

[0002]近年来，客户满意度调查得到了普遍重视，特别是服务性行业的客户满意度调查已经成为企业发现问题、改进服务的重要手段之一。客户满意度是一个通过客户对一个产品的可感知的效果与其期望值相比较，形成的愉快或失望的感觉状态。评估客户满意度的作用在于帮助企业将有限的资源集中到客户最看重的方面，从而达到建立和提升客户忠诚，促进顾客留存的目的。
[0003]目前，许多大型品牌通过线下对不同品牌和客户群调研，为分层、分流以及差异化服务提供依据，了解并衡量客户需求；客户群调研的核心是以资源价值最大化为宗旨，帮助企业实现将有限资源优先分配给最有价值的顾客；对于以服务为核心的企业，调研帮助其研究服务标准、流程以及服务传递与客户期望之间的差距，找到客户关注点和服务短板，并且基于此提出相应的改善建议。
[0004]净推荐值(NPS)测评指标是通过测量客户的推荐意愿来了解客户对企业的满意度和忠诚度。NPS调研的核心问题通常以简单的形式来询问客户，然后根据意愿推荐的程度让客户在1～10之间进行打分，并且根据得分将客户分为三大类，例如：1.推荐者(得分在9-10之间)；2.中立者(得分在7-8分之间)；3.贬低者(得分在0-6分之间)。
[0005]设计净推荐值(NPS)问卷时：首先，将以下四个关键变量划分为四个维度：
[0006]背景信息：客户过往使用产品或体验服务的经历；
[0007]体验与预期的匹配度：用户对品牌的预期和对产品本身的使用体验匹配度如何；
[0008]口碑感知：外部社交环境对产生用户的心理上的影响；
[0009]售后体验：有可能发生的售后行为，可理解为潜在风险因素；
[0010]然后，根据这四个维度分别从询问满意程度、满意/不满意的主要原因、推荐他人的意愿度来设计问题；例如：某时尚类品牌比较关注用户的购买体验，则会咨询用户“您对店铺的销售顾问的服务满意吗，请打分”，如果用户打分为5分(0-6分之间)，客户则需要接着回答“您觉得销售顾问的服务，哪些方面需要加强”，如果客户打分为9分(9-10分之间)，客户也需要继续回答接下来的问题：“您觉得销售顾问的哪些方面让您感到满意”，从而了解消费者关注的服务内容；设计净推荐值(NPS)问卷通过结合10分制问题模型和追问“为什么”的形式，进一步帮助品牌优化服务体验和流程。
[0011]最后，通过以下计算公式得出品牌或产品的净推荐值(NPS)：NPS＝(推荐者数/总样本数)
×
100％－(贬低者数/总样本数)
×
100％；例如：10客户，推荐者为1人，贬低者为3人，请参阅图1，净推荐值为：1/10％-3/10％＝-20％。
[0012]如今越来越多的企业通过净推荐值(NPS)作为评估标准来了解消费者对产品或服务的满意度。净推荐值(NPS)侧重于用户对品牌、产品或服务的整体感受和推荐意愿，能更针对性地评估用户对于品牌的忠诚度/推荐度，从而了解品牌的整体口碑形象以及口碑营
销的潜力，因此，净推荐值(NPS)得分高不仅代表着客户的高忠诚度，更预示着新客户的增加潜力。
[0013]但是，目前许多品牌在实施净推荐值(NPS)问卷调研的流程存在一些问题，导致无法根据问卷结果精确地找到影响客户满意度最为关键的因素、需要优化的方向和优先级。原因主要在于调研设计的流程中存在缺陷，主要体现在以下两方面：
[0014]1.由于净推荐值(NPS)问卷中的问题类型并不复杂，以选择题为主，品牌容易在设计问卷时忽略各个问题间逻辑关联的重要性，比如：总体推荐意愿的问题应放在最先提出或最后提出，都会直接影响最终的调研结果，因此，企业在设计NPS问卷内容和定义各项问题的排序之前，必须明确调研的核心目标和业务现状，并且在设计净推荐值(NPS)问卷的同时引入历史数据的对接需求以及调研人群的画像分析关联。
[0015]2.许多品牌在进行NPS调研结果分析时，由于在设计问卷阶段并没有引入自动化关联算法模型，导致需要花大量的时间进行回收数据的手动处理，而这样的处理过程容易导致在分析数据时有所疏漏，无法全方位地评估各个细项问题间的逻辑关联，从而影响整个调研的高效和精准。

技术实现思路

[0016]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种满意度智能分析系统，基于计算机技术对调研结果数据进行自动报表分析，以提升客户推荐意愿(即口碑营销潜力)为目的，帮助企业/品牌快速获取客户满意度的分析结果，从而实现更加高效的调研机制和更加精准的策略应用。
[0017]本专利技术提供一种满意度智能分析系统，包括数据采集模型、智能报表分析模型；所述数据采集模块用于采集客户的调研结果数据、历史消费数据，并且将调研结果数据与历史消费数据相互关联，计算客户的净推荐值；所述智能报表分析模型包括k-means聚类算法模型、自定义关联模块、决策树算法模型以及分析报表模块；所述k-means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类，得到客户分类；所述自定义关联模块用于调研问题与影响因素细分关联；所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素；所述分析报表模块用于根据关键影响因素生成可视化分析报表。
[0018]于本专利技术的一实施例中，所述数据采集模块工作原理如下：
[0019](1)通过预先设置的净推荐值问卷对客户进行调研数据采集；
[0020](2)通过客户关系管理系统获取客户的活跃度，并且将客户的活跃度与调研数据相互关联；
[0021](3)通过预先设置的净推荐值公式计算不同活跃度的客户的净推荐值。
[0022]于本专利技术的一实施例中，所述k-means聚类算法模型的工作原理如下：
[0023](1)根据客户的活跃度、消费特征、净推荐值，通过k-means聚类算进行客户价值聚类；
[0024](2)根据客户价值聚类将客户分类为：正推荐型客户、负推荐型客户、正中立型客户、负中立型客户、正贬低型客户、负贬低型客户。
[0025]于本专利技术的一实施例中，所述自定义关联模块工作原理如下：
[0026](1)通过客户关系管理系统获取客户的细分定义；
[0027](2)通过细分定义统计净推荐值问卷细分项；
[0028](3)通过净推荐值问卷的每个细分项关联到品牌或者产品的影响因素。
[0029]于本专利技术的一实施例中，所述决策树算法模型的工作原理如下：
[0030](1)将品牌或者产品的影响因素对应调研结果数据的评分作为样本特征，形成样本集；
[0031](2)将样本集作为决策树的子节点计算样本集的信息增益率，如果信息增益率大于预设值，则对样本集进行分割，并且将分割后的样本集作为决策树的子节点，否则，停止对样本集进行分割；
[0032](3)递归执行以上两步，划分得到关键影响因素。...

【技术保护点】

【技术特征摘要】
1.一种满意度智能分析系统，其特征在于：包括数据采集模型、智能报表分析模型；所述数据采集模块用于采集客户的调研结果数据、历史消费数据，并且将调研结果数据与历史消费数据相互关联，计算客户的净推荐值；所述智能报表分析模型包括k-means聚类算法模型、自定义关联模块、决策树算法模型以及分析报表模块；所述k-means聚类算法模型用于根据调研结果数据、历史消费数据进行客户价值聚类，得到客户分类；所述自定义关联模块用于调研问题与影响因素细分关联；所述决策树算法模型用于根据调研问题与影响因素分析关键影响因素；所述分析报表模块用于根据关键影响因素生成可视化分析报表。2.根据权利要求1所述的一种满意度智能分析系统，其特征在于：所述数据采集模块工作原理如下：(1)通过预先设置的净推荐值问卷对客户进行调研数据采集；(2)通过客户关系管理系统获取客户的活跃度，并且将客户的活跃度与调研数据相互关联；(3)通过预先设置的净推荐值公式计算不同活跃度的客户的净推荐值。3.根据权利要求2所述的一种满意度智能分析系统，其特...

【专利技术属性】
技术研发人员：沈忱，
申请(专利权)人：上海数康企业管理咨询有限公司，
类型：发明
国别省市：