当下，对于零售消费企业来讲，企业经营的竞争力已从传统的渠道与产品优势逐渐转移到用户体验与价值的塑造上。那么，如何有效倾听用户之声便成为了企业亟待解决的重要课题。
随着生成式 AI 等技术的兴起，AIGC为用户之声的洞察与应用带来了全新的机遇与可能。
现如今， 消费品的多样性和丰富性让消费者拥有了更多选择和主权 。在此背景下，对于零售消费类企业来说，企业经营的竞争力已从传统的渠道为王 、产品至上， 逐渐转变为注重用户体验与价值。
企业若想要抢占用户心智、赢得市场份额， 越来越依赖于如何有效地倾听客户之声并快速响应、洞察其需求。
那么何为客户之声？根据HubSpot的定义，VoC用于收集客户反馈，捕捉客户对企业业务 、产品和服务的感受， 为企业提供洞察力以创建更强大的客户体验。
据统计，当下客户声音的采集主要有两种方式，一种是依靠专业的采集工具，一种是基于代码进行采集 。目前企业对于客户之声的收集十分重视，但专业工具的价值仍待彰显。
据虎嗅调研，有效的客户声音采集是VOC分析的基本保障，最为重要的有以下两点：
1 、强时效性：客户的需求 、痛点是动态变化的，因此对于客户声音的采集应当限制在一定时间内。
2 、全渠道采集： 客户声音采集覆盖多个渠道，如售前咨询 、产品评价 、各大社交媒体 、售后服务咨询 、客户服务中心等，以确保包含不同客户群体的声音 。
因此如何快速的收集来自各个渠道的客户声音并加之分析 ， 从而快速洞察需求成为了关键。
随着生成式A I等技术的兴起， AIGC正以其强大的学习能力、NLP能力和大数据处理能力 ，深度赋能客户之声， 重塑沟通体验，并驱动业务增长 。
AIGC赋能客户之声：精准洞察需求， 赢得客户口碑
在AIGC驱动下，客户之声的应用实践探索不仅限于简单的数据收集与分析，而是将A I的智能化能力融入客户反馈的每一个环节，从收集 、整理到洞察 、应用 ，形成了一套高效 、精准的闭环系统。
在客户之声的收集阶段，AIGC技术通过自然语言处理、语音识别等先进算法， 能够自动从多种渠道 （如社交媒体 、在线评论 、客服对话等）中捕捉并提取客户的真实声音 。
在整理阶段，A I对这些海量 、非结构化的客户反馈进行智能分类 、标签化处理，并自动去除重复和无效信息 。 同时，通过情感分析， AIGC识别出客户反馈中的情感倾向，为后续的洞察分析提供重要依据。
图：VOC分析流程
来源 ：虎嗅智库整理
在洞察阶段，AIGC技术基于大数据分析技术，深入挖掘客户反馈中的关键信息和趋势，还能结合业务场景和实际需求，生成具有洞察力的报告和建议。
最后在应用阶段，AIGC技术将客户之声转化为实际行动。企业可以根据AIGC生成的洞察报告和建议，制定针对性的改进计划，并快速实施到产品或服务中。同时，AIGC还能持续跟踪客户反馈的变化情况，评估改进效果，为企业提供闭环反馈机制，确保客户之声的持续、有效应用。
以当下出海领域VOC之声应用较为典型的某电商企业为例，作为亚马逊最大的第三方品牌卖家之一，VOC是其不可或缺的关键流程， 过去一直依赖于人工操作，这导致了数据量不足、数据源匮乏的问题， 进而使得所得结论缺乏准确性，未能带来显著的指标改善。
此外，还存在服务渠道繁多， 客户服务标准与流程未能实现统一等问题，进一步增加了管理的复杂性和挑战性。
具体而言：
1 、消费者数据谜团
电商平台出于对消费者信息的保护和垄断，不会向第三方卖家透露任何客户档案 。以Amazon为例，不但匿名处理了所有客户信息，订单信息；甚至将卖家向客户索要联系方式与评价行为视为封号第一大条件 。因此，卖家始终无法得到自己精准的客户画像。
2 、海量数据 ， 无法分析
亚马逊近4万+ 品类，千亿级别评价，而一个产品经理，一天顶多人工看完120条评价，并完成标注与分类工作。如果需要出具一份完整的消费者反馈分析，需要一周的时间，但也只能分析500-600条评价。这就造成了评价数据虽然有价值，但“读”不完、“读”不透的局面。
3 、分析结论 ， 无法应用
即便Gen a i能力蓬勃发展，怎么运用到工作中和流程中来，是行业普遍遇到的问题 。对于垂直行业而言，需要AI契合流程，而不是流程顺应A I。因此用AI的能力产出一批VOC分析结论远远不够，而需要从职能与流程的角度出发打造垂直小模型，来帮助企业实现AI价值最大化。
针对以上痛点， Shu lex （一家针对跨境领域的A I+客户体验领域服务商）联合AWS基于Bedrock多款模型进行评论/文本打标 、tag insight 、单品，BSR榜单和关键词商品的评论分析以及深入挖掘消费者画像，产品体验 ，购买动因，用户期望和服务体验 。并且支持通过分析消费者产品情绪，精准定位问题，帮助产品不断完善，从而赢得用户口碑。
具体步骤上，首先，Shulex的AI chatbot，支持在意图检测模块，使用 Bedrock cohere embedding模型实现向量化。其次在VOC评论分析环节，通过向量数据库对海量的Amazon评论/社媒数据，进行分类打标和实时分析，为客户提供实时的商品评论洞察报告，包括但不限于：用户画像、使用场景、购买动机、商品卖点、商品不足点等。
最后基于大模型的评论分析：选择上一步中品类的数万条评论 （包含正负评论 、意思相近的评论）输入给大模型，让大模型对每个评论进行标签，将这些标签而后进行聚类后生成标签的样本库。
综上所述，Shu lex通过对客户反馈的收集 、整理 、洞察， 例如支持单品，BSR榜单和关键词商品的评论分析；深入挖掘消费者画像，产品体验，购买动因，用户期望和服务体验；分析消费者产品情绪，精准定位问题，从而帮助产品不断完善，为企业提供更加精准、全面的市场洞察和决策支持，从而改善客户体验，提升业务增长 。
结语
尽管AIGC在洞察VOC方面展现出了巨大潜力 ， 但仍面临一些挑战，如数据隐私保护 、模型透明度和可解释性等问题 。未来，随着技术的不断进步和算法的持续优化，AIGC将在更多领域展现出其强大的能力和应用前景，为VOC洞察提供更加精准和高效的解决方案。
文章来源：虎嗅智库服务
