卓思：从“愚公移山”到“蚂蚁搬砖”——技术赋能下的客户声音研究

90岁的愚公面对王屋太行两座大山，选择领着家人“叩石垦壤，箕畚运于渤海之尾”，靠着凿石头、挖泥土、肩挑背扛的方式挖山不止。目标非常明确，精神值得尊敬，但是方法毕竟受时代所限，在今天看来还是存在一些问题的。

第一，效率太低。虽然“子子孙孙无穷匮也”，但如果只靠这么挖下去，愚公老人家大概率是看不到移山成功那一天的；第二，有可能永远挖不完。按照地壳运动的原理，山的高度不是一成不变的，假设挖山的速度赶不上山增长的速度，那故事可能就是另一个故事了。

卓思认为，体验为王的时代，我们同样面对着一座巍峨巨山，一座随着时代发展快速积累增长的金山——来自客户的声音。这座金山的价值毋庸置疑，客户对品牌、产品、服务表达的评论、期望、偏好等信息都能从中挖掘出来，分析后即可准确定位客户的需求和痛点，从而为业务改进提供方向。

客户声音的重要性其实早已为业界所关注，客户满意度、推荐度等调研客户声音的方式也已非常成熟。然而，传统的分析方法在这个时代却遇到了和愚公移山一样的困境。

一方面是太“慢”了。靠着人工进行声音收集、整理记录、数据分析，其效率已不足以应对客户快速变化的需求。2021年，受全球性芯片短缺问题的影响，乘用车销售中的交付延期问题从4月开始快速增长，但在某豪华品牌的购车客户NPS调研中，这一问题直到7月才反映出来。究其原因，该项调研的执行和报告周期以季度为单位，并不能对客户声音做出即时响应。调研结果的滞后，影响了企业对客户关注问题的响应效率，客户不满持续积压，随之而来的就是8月、9月关于交付延期问题的投诉大幅增加，同比增幅超过100%。

另一方面还是太“慢”了。随着发声渠道的多元化和客户声音收集手段的智能化，可分析客户声音的增长速度也越来越快，而传统分析手段面对这样的海量数据应对乏力。以某豪华品牌汽车厂商为例，每年仅其自行收集的客户声音总量就在200万条左右，而传统的客户满意度调研的年样本量一般只有15-25万条左右，近十倍的差距，显然不是靠增加人力投入就能弥补的。

所以，卓思认为解决问题的核心就在一个“快”字——分析速度要快，出结果更要快。

卓思表示，新问题自然要用新方法解决，“愚公移山”既然快不起来，不妨试试技术驱动下的“蚂蚁搬砖”——以AI工具为蚂蚁，以有价值的信息为砖石，高效地把客户声音这座金山搬空，无用信息可以扔到“渤海之尾”，把有用信息留下来创造价值。

就像把大象装进冰箱一样，用蚂蚁搬砖的方式分析客户声音也需要三步。

第一步：明确目标——积累知识图谱以区分信息价值。面对庞大的客户声音之山，首先要仔细分析这座山长什么样，有哪些特征，进而明确哪些是要搬走的金砖，哪些又是无用的沙石。

客户声音是自然语言的表达，天然具备非结构化特征，并充斥着大量无效信息，有价值的信息往往隐藏其中。比如有客户说：“这家4S店太差了，服务水平不行，肯定不会在这买车，看车一个多小时也不说给我倒杯水。”纵观这段反馈，前几句吐槽虽然是客户真实情绪的表达，却不及最后说的“没有倒水”这一点对业务提升更有价值。精准捕捉客户声音中的有效信息，可以帮助企业快速定位问题并加以改善。

此外，问题的定位也可以随着管理要求不断细化。当“给客户倒水”的问题解决后，还能通过客户声音定位出更多的细节需求，比如“客户需要什么时候倒水”、“客户是否关注怎么倒水”、“客户希望喝水还是提供其他饮品”这些问题都可以通过设定标准，在客户声音中找到答案。

第二步：设计图纸——搭建码框体系以契合业务逻辑。仅仅把有价值的砖挑出来是不够的，还得对客户散乱的“只言片语”进行结构化整合，使之更符合业务应用的需要。如同先设计一张施工图，明确每块“砖”搬到之后应该放在哪里，金砖才能更进一步变成可以藏娇的金屋。

图纸的设计需要基于对业务逻辑的深刻认知，要遵循树形结构，层级分明，并有一定的业务导向。例如“交车时间长”、“礼品赠品质量差”、“上牌速度慢”分别为客户声音中很常见的抱怨点，而在实际业务中这三者又都同属“车辆交付流程”的一部分，那么这类反馈则可以向上归纳为对“车辆交付”的抱怨。

对于一线执行人员而言，了解客户对“交车时间”、“礼品赠品”、“上牌速度”等具体业务内容的评价更有价值，可以在实际工作中直接对症下药、改进提升；而对负责统筹全局的管理者来说，从宏观上看清当前的主要问题是属于“车辆交付流程”还是“人员资质能力”则更有意义，可以有针对性地进行顶层设计，通过制度和管理手段解决问题。树形结构分析体系的优势也正在于此，将散碎的客户声音结构化，方便不同层级的管理者从中获取需要的信息。

第三步：持续训练——进行数据标注以提升AI智能。要想让AI蚂蚁把砖搬得又快又准，还需要通过技术手段对其进行大量、持续的训练，让它们变得更“聪明”，这个过程被形象地称为“语料喂养”，需要由具备丰富经验的AI训练师来进行。

训练的原理并不复杂，AI训练师通过人工分析总结规则，将其灌输给AI蚂蚁；AI蚂蚁根据当前规则自行分析后，由人工对其结果进行校正；人工丰富完善新的规则，继续灌输AI，即人工灌输规则——AI分析——人工校正规则，并不断重复这一过程，让AI的分析结果越来越准确、越来越贴近人工水平。原理虽然简单，将之化为现实的难度却很大，除了软件系统的架构外，还需要有具备专业分析能力的人员在后台提供持续支持。本质上在其中起到关键作用的依然还是人，而机器则是放大人员能力的工具，二者缺一不可。

只要将上述三个步骤做好，AI蚂蚁即可实现对客户声音的全面分析。虽然其准确率还无法达到人工水平，但考虑到其远超人工水平的搬砖速度，路上掉几块金砖还是可以接受的，而且这一情况也会随着持续的AI训练而不断改进。

卓思自行研发的NLP（自然语义识别技术）平台，通过10年间超过200名AI训练师的不断喂养，已经实现了综合考虑语义、情绪和情境三个方面的智能识别分析，每小时可以处理10万条以上的客户反馈，并可以做出准确率超过94%的自动化判断。

卓思表示，在市场竞争日趋激烈、客户需求快速变化的当下，对于客户声音进行洞察，愚公移山和蚂蚁搬砖的优劣自然不言而喻。世界在变，认知世界的方法和工具也需要随之改变。喊着以体验定义世界的口号，手里当然也不能只拿一把锄头。