إغلاق حلقة الملاحظات على نطاق واسع: أتمتة تحليل مشاعر العملاء لعلامة أزياء عالمية.
شركة متعددة الجنسيات للأحذية والملابس الرياضية · تجارة التجزئة
بناء نموذج تصنيف من 130 فئة لقراءة كل تعليق من العملاء وحساب مؤشر Net Promoter Score
الملخص التنفيذي
تسأل الشركة O عملاءها عن آرائهم في منتجات الشركة وخدماتها في كل معاملة تقريبًا، إذ تجمع أكثر من مليون استجابة من العملاء شهريًا في صورة بيانات منظمة وتعليقات نصية حرفية غير منظمة من موقعها الإلكتروني واستطلاعات الرأي داخل المتاجر ومراكز الاتصال والاستطلاعات عبر البريد الإلكتروني. وكانت الشركة O تستخدم بيانات صوت العميل هذه لحساب مؤشر Net Promoter Score الخاص بها، وأرادت استخدامها لتحديد المشكلات والاستجابة لها بسرعة، وتحسين عملياتها الداخلية، وتعزيز علامتها التجارية، لكن مع وجود أكثر من مليون تعليق شهريًا كان الحجم أكبر بكثير من أن يُقرأ ويُحلل يدويًا. اشترت الشركة O منتج البرمجيات Analyze من Attensity وطلبت من Iknow، بصفتها مقاولًا من الباطن لدى Attensity، تهيئة المنتج وإرساء منهجية تحليل البيانات.
بدأت Iknow بمراجعة مجموعة فرعية تمثيلية من البيانات، وبالتعاون مع موظفي التسويق والتجارة الرقمية وذكاء الأعمال في الشركة O، طورت أكثر من 130 فئة لتصنيف تعليقات العملاء. ثم استخدمت Iknow قدرة التعلم بالأمثلة في Attensity Analyze لأتمتة معالجة التعليقات النصية، بقراءة كل جملة وتحليلها لتحديد معناها وشعورها وتصنيفها ضمن إحدى الفئات المحددة. كما عملت Iknow مع الشركة O لاختبار النتائج المؤتمتة والتحقق من صحتها وإرساء عملية داخلية لإعداد التقارير توجه النتائج إلى المديرين التنفيذيين المسؤولين عن التصرف بشأنها. وعلى مدار المشروع، عالجت Iknow وحللت أكثر من خمسة ملايين تعليق. قبل هذا المشروع، لم تكن الشركة O تقرأ وتستجيب إلا لجزء يسير من الملاحظات التي تتلقاها وكانت تحسب مؤشر Net Promoter Score من عينة صغيرة؛ أما الآن فتقرأ الشركة O إلكترونيًا 100 بالمائة من تعليقات العملاء وملاحظاتهم التي تتلقاها وتعد تقارير عنها.
الخلفية والسياق
نبذة عن العميل
الشركة O هي واحدة من أكبر موردي الأحذية والملابس الرياضية في العالم. وكانت تجمع ملاحظات العملاء عبر كل قنوات المعاملات تقريبًا (موقعها الإلكتروني، واستطلاعات الرأي داخل المتاجر، ومراكز الاتصال، والاستطلاعات عبر البريد الإلكتروني) في إطار تركيز أوسع على تجربة العملاء وتموضع العلامة التجارية وصورتها.
سياق القطاع
كان مؤشر Net Promoter Score، الذي طوره Fred Reichheld عام 2003 بالتعاون مع Bain & Company وSatmetrix، قد أصبح أحد أكثر مقاييس ولاء العملاء اعتمادًا في القطاعات الموجهة للمستهلكين، ويُقدَّر لبساطته لكنه كان يُحسب تقليديًا من عينات استطلاع صغيرة لا من كامل قاعدة ملاحظات العملاء لدى الشركة. وكانت Attensity، التي شكلت منصتها Analyze ركيزة هذا المشروع، من الموردين الرائدين في تحليلات النصوص وإدارة تجربة العملاء. وبالنسبة إلى العلامات الاستهلاكية الكبرى التي تولد ما يزيد كثيرًا على مليون تعليق شهريًا، لم يكن التحدي الحقيقي في جمع الملاحظات بل في الاستفادة الفعلية من جميعها تقريبًا؛ فقد كان الانتقال من عينة صغيرة تُراجَع يدويًا إلى تحليل يشمل كامل البيانات تحولًا حاسمًا كانت تجريه في تلك الفترة نفسها مؤسسات كثيرة تركز على تجربة العملاء.
الوضع الراهن
أرادت الشركة O استخدام بيانات صوت العميل لديها لتحديد المشكلات والاستجابة لها بسرعة، وتحسين أداء عملياتها الداخلية، وتعزيز تموضع علامتها التجارية ورسائلها، والارتقاء بصورة علامتها التجارية. غير أنه مع وجود أكثر من مليون تعليق من العملاء شهريًا، كان الحجم أكبر بكثير من أن يُقرأ ويُحلل يدويًا، فاشترت الشركة O برنامج Analyze من Attensity وطلبت من Iknow تهيئة المنتج وإرساء منهجية تحليل البيانات.
المشكلة / التحدي
- حجم من ملاحظات العملاء يستعصي على الإدارة. كانت الشركة O تجمع أكثر من مليون تعليق من العملاء شهريًا، وهو حجم أكبر بكثير من أن يُقرأ ويُحلل يدويًا.
- بقاء معظم ملاحظات العملاء دون قراءة أو استخدام. قبل هذا المشروع، لم تكن الشركة O قادرة على قراءة سوى جزء يسير من الملاحظات التي تجمعها والاستجابة له، ما ترك معظم مدخلات العملاء دون استخدام.
- مقياس ولاء رئيسي قائم على عينة غير تمثيلية. كان مؤشر Net Promoter Score لدى الشركة O يُحسب باستخدام عينة صغيرة فقط من ملاحظات عملائها الفعلية، ما حدّ من دقته وفائدته.
- غياب طريقة متسقة لتصنيف الملاحظات وتوجيهها. كانت الشركة O بحاجة إلى وسيلة لتصنيف أحجام هائلة من التعليقات النصية الحرفية غير المنظمة بشكل متسق وتوجيهها إلى الفرق الداخلية المناسبة لاتخاذ إجراء.
أهداف المشروع
- تهيئة برنامج Analyze من Attensity وإرساء منهجية لتحليل البيانات لبرنامج صوت العميل لدى الشركة O.
- تطوير مجموعة شاملة من الفئات لتصنيف تعليقات العملاء.
- أتمتة معالجة كامل حجم تعليقات عملاء الشركة O وتصنيفها وتحليل مشاعرها.
- إرساء عملية داخلية لإعداد التقارير توجه النتائج إلى المديرين التنفيذيين المسؤولين عن معالجتها.
نهج Iknow
كيف هيكلت Iknow العمل
هيكلت Iknow المشروع حول بناء تصنيف للفئات انطلاقًا من عينة تمثيلية، وأتمتة التصنيف على النطاق الكامل، والتحقق من النتائج وتوجيهها، بما يعكس منهجية Iknow في التصنيف الآلي للمحتوى لتحويل حجم يستعصي على الإدارة من الملاحظات غير المنظمة إلى عملية إعداد تقارير موثوقة وقابلة للتنفيذ.
الأنشطة والقرارات الرئيسية
- تطوير تصنيف الفئات. راجعت Iknow مجموعة فرعية تمثيلية من البيانات، وبالتعاون مع موظفي التسويق والتجارة الرقمية وذكاء الأعمال في الشركة O، طورت فئات تصنيف التعليقات؛ وجرى في النهاية اختيار أكثر من 130 فئة.
- التصنيف الآلي عبر التعلم بالأمثلة. استخدمت Iknow قدرة learn-by-example (LBE) في Analyze لأتمتة معالجة التعليقات النصية، بقراءة كل جملة وتحليلها لتحديد معناها وشعورها، وتصنيفها ضمن إحدى الفئات المحددة.
- الاختبار والتحقق. عملت Iknow مع الشركة O لاختبار نتائج التصنيف الآلي والتحقق من صحتها.
- عملية إعداد التقارير الداخلية. أرست Iknow عملية إعداد التقارير الداخلية، بتوجيه النتائج إلى مديرين تنفيذيين محددين في أنحاء الشركة ليتمكنوا من معالجة المشكلات ضمن نطاقات مسؤولياتهم.
- المعالجة على النطاق الكامل وحساب NPS. عالجت Iknow وحللت أكثر من خمسة ملايين تعليق وصنفتها وحسبت مؤشر Net Promoter Score.
أصحاب المصلحة والتعاون
عملت Iknow مقاولًا من الباطن لدى Attensity، المقاول الرئيسي للمشروع، متعاونة مباشرة مع موظفي التسويق والتجارة الرقمية وذكاء الأعمال في الشركة O طوال مراحل تطوير الفئات والاختبار وتصميم التقارير.
التحديات وكيف تغلبت عليها Iknow
تحويل سيل من التعليقات غير المنظمة إلى مادة قابلة للتصنيف
كان أكثر من مليون تعليق شهريًا، معظمها حرفي وغير منظم، مهددًا بأن يتحول إلى سيل نصي يستعصي على الإدارة بدلًا من إشارة قابلة للاستخدام. عالجت Iknow ذلك بمراجعة مجموعة فرعية تمثيلية من البيانات أولًا والعمل مباشرة مع موظفي التسويق والتجارة الرقمية وذكاء الأعمال في الشركة O لبناء تصنيف شامل حقًا وملائم للأعمال يضم أكثر من 130 فئة قبل الشروع في أي أتمتة.
الوثوق بتصنيف مؤتمت بالكامل على نطاق هائل
تطلب التصنيف الآلي على نطاق واسع للغة عملاء دقيقة ومشحونة بالمشاعر، دون مراجعة بشرية لكل تعليق، ثقة حقيقية في النموذج الأساسي. عالجت Iknow ذلك باختبار نتائج التصنيف القائم على learn-by-example والتحقق منها بدقة مقابل بيانات الشركة O نفسها قبل الاعتماد عليها في إعداد التقارير، وبتوجيه النتائج عبر عملية داخلية منظمة ليتمكن مديرون تنفيذيون محددون من التحقق من النتائج والتصرف بشأنها كل في مجاله.
النتائج والأثر
النتائج الكمية
- حجم الملاحظات: أكثر من مليون تعليق من العملاء يُجمع شهريًا عبر موقع الشركة O الإلكتروني واستطلاعات الرأي داخل المتاجر ومراكز الاتصال والاستطلاعات عبر البريد الإلكتروني.
- تصنيف الفئات: أكثر من 130 فئة طُورت لتصنيف تعليقات العملاء.
- التعليقات المعالجة: أكثر من خمسة ملايين تعليق عولجت وحُللت وصُنفت خلال المشروع.
- التغطية المحققة للملاحظات: انتقلت التغطية من عينة صغيرة إلى 100 بالمائة من تعليقات العملاء وملاحظاتهم.
- مدة المشروع: مهمة استغرقت ستة أشهر.
النتائج النوعية
أرسى هذا المشروع عملية مستمرة لجمع بيانات صوت العميل وتحليلها والتصرف بناءً عليها ولحساب مؤشر Net Promoter Score. قبل هذا المشروع، لم تكن الشركة O تقرأ وتستجيب إلا لجزء يسير من الملاحظات التي تجمعها، وكان مؤشر Net Promoter Score لديها يُحسب باستخدام عينة صغيرة فقط من البيانات؛ أما الآن فتقرأ الشركة O إلكترونيًا 100 بالمائة من تعليقات العملاء وملاحظاتهم التي تتلقاها وتعد تقارير عنها. وحققت الشركة O تحسينات كبيرة في عملياتها كافة بإغلاق حلقة التغذية الراجعة بين عملائها والإدارات والوظائف الداخلية التي تخدمهم.
الوقت حتى تحقق الأثر
خلال مهمة استغرقت نحو ستة أشهر، نقلت Iknow الشركة O من مراجعة يدوية للملاحظات قائمة على العينات إلى عملية مؤتمتة بالكامل تعمل باستمرار وتغطي 100 بالمائة من تعليقات العملاء الواردة، مع وصول النتائج إلى المديرين التنفيذيين المسؤولين عن التصرف بشأنها.
قدرات Iknow التي أثبتها المشروع
المهارات الأساسية
- التصنيف الآلي للنصوص وتحليل المشاعر
- تصميم برامج صوت العميل
- تحليلات مؤشر Net Promoter Score
- تهيئة نماذج التعلم بالأمثلة
الأساليب وأطر العمل
- أخذ العينات التمثيلية وتطوير تصنيفات الفئات
- اختبار التصنيف الآلي والتحقق منه
- تصميم تقارير داخلية موجهة إلى المديرين التنفيذيين
التقنيات والأدوات
- Attensity Analyze (تطبيق تحليلات العملاء والتفاعل معهم)
- التصنيف الآلي للنصوص learn-by-example (LBE)
ضع هذه الخبرة في خدمة مشكلتك.
كثير من أعمالنا لا يظهر على الموقع. احجز مكالمة وأخبرنا عن قطاعك وسنعرض عليك المشاريع التي تقابل مجالك.