在商详页基于用户动线和VOC挖掘用户决策因子带来浏览体验提升;在物流侧洞察用户求助时间与实际物流停滞时长的关系制订表达策略带来物流产品满意度提升;在性能优化域构建主客观关联模型找到启动时长与负向反馈指标的魔法数字以明确优化目标;构建多源VOC标签体系综合运用用户行为和用户VOC洞察、落地体验优化策略,并总结出一套用户体验分析方法论。
“付款5天了,物流信息3天没有更新”
“这么多天了,是物流出问题!还是送货人私吞掉!我没有收到货物!我要退款!请进快解决问题!”
“物流一直不更新好烦”
▐ 业务梳理
图2.1 物流体验业务大图
▐ 指标设计
在完成业务的体验问题与机会点梳理后,需要一套完整的指标体系衡量体验,指导判断体验问题的轻重缓急。
图2.2 体验指标拆解金字塔
CSAT:用户满意度,衡量用户对特定事件/体验的满意度,通常采用五点量表(非常满意、满意、一般、不满意、非常不满意)采集数据。
CES:用户费力度,衡量用户使用某产品/服务来解决问题的困难程度,通常也采用五点量表采集数据。
VOC:用户原声,通常指用户反馈的舆情、评价、咨询求助等。
图2.3 物流体验指标体系
▐ 量化分析
图2.4 淘宝物流表达满意度研究报告
场景化调研:但对于主动调研的数据,由于依赖用研问卷的投放与报告产出,存在投入成本较高、产出周期较长等问题,我们需要有更及时的主观数据采集工具。因此,我们还重点引入场景化满意度调研能力,针对物流异常的场景在物流详情页设计调研入口并投放场景定制化问卷,解决了及时、精细化采集主观数据的问题。具体产品形态见图2.5。
图2.5 物流场景化调研入口及问卷
通过物流异常场景的精细化数据采集和调研分析结果,如图2.6所示,可以发现:物流信息长时间不更新,且不知道原因、物流出现异常的时候,没有及时告知,是物流异常场景下导致用户体验不好占比最高的两个原因。
原声分析:进一步,通过CCO物流求助原声标签分析,如图2.7所示,我们同样可以发现:发货慢/不发货、运输中物流不更新,是物流体验中两个最主要的问题。
求助所处物流阶段 |
占比 |
TOP求助标签 |
标签占比 |
---|---|---|---|
已支付 |
X% |
商家发货慢 |
X% |
商家不发货 |
X% | ||
未按约定时间发货 |
X% | ||
已发货 |
X% | 商家不发货 | X% |
物流信息没有/不更新 |
X% | ||
虚假发货 | X% | ||
运输中 |
X% |
|
X% |
物流查询 |
X% | ||
买家未收到货 |
X% | ||
|
X% |
买家未收到货 |
X% |
物流查询 |
X% | ||
物流信息没有/不更新 |
X% | ||
已入站 |
X% | 买家未收到货 | X% |
物流查询 |
X% | ||
驿站问题 |
X% | ||
已签收 |
X% | 买家未收到货 |
X% |
商品/配件少件漏发 |
X% | ||
空包裹 |
X% | ||
商家发错货 |
X% |
图2.7 CCO物流求助原声统计-分物流阶段
▐ 问题定义
-
业务问题:针对运输中物流不更新场景(即物流停滞场景),该如何通过产品表达缓解用户焦虑,降低用户求助。 -
业务目标:降低用户物流万求,提升用户满意度。 -
业务痛点:平台无法直接解决异常,且工单服务能力有限(日均最多N万异常工单量)。
-
业务目标:AB物流停滞异常万人求助量-X%,用户调研物流产品满意度+X%。 -
数据问题: -
停滞异常的判定标准:即当物流停滞超过多少小时,定义为停滞异常。 -
停滞异常的表达策略:即在物流X小时不更新时,面向什么样的场景/用户,表达什么内容; -
约束条件:在不超出日均最多N万工单量的服务能力下,最大程度管理用户预期,缓解焦虑情绪;
-
“物流X小时不更新”中的X的定义。假设X数值过小,物流停滞的信息过早通知用户,可能会造成用户焦虑反增平台求助量,而且X数值小意味着表达的量级大,快递服务商/商家的服务能力难以应对;反之X数值过大,可能用户早已感知异常并发起求助,失去表达的最佳时机,起不到降低平台求助作用。 -
表达内容的设计。业务认为表达就一定要给用户确定性,不能空安抚。我们希望尽早表达去干预用户求助,但服务能力又限制了我们尽早表达。能否有一种不通过提供服务的表达方式,但能给到用户确定性。 -
精细化的表达策略。从上述数据问题也可以发现,停滞异常需要根据人群/场景做精细化的表达策略,这就意味着我们需要提供一套通用的方法论,让业务能自主分析并定制精细化策略。
▐ 基础数据
主观数据:用户物流求助/投诉数据
客观数据:淘宝订单物流节点数据
▐ 指标定义
异常订单占比
求助覆盖率
定义:X小时不更新异常发生之后的求助量 / 总求助量
衡量:衡量X小时不更新异常能服务到的求助量
含义:高,表达/服务能干预到的求助多;低,表达/服务能干预到的求助小
标准:理想覆盖X%以上的求助
异常万求量
定义:X小时不更新异常订单求助量 / 该类异常订单量 * 10000
衡量:衡量用户对于X小时不更新异常的感知强度
含义:高,用户负面情绪严重;低,用户负面情绪轻微
Y小时恢复率
定义:X小时不更新异常订单在Y小时内重新更新物流状态订单量 / 该类异常订单量
衡量:衡量X小时不更新异常在Y小时内自然恢复的能力
含义:高,自然恢复能力强,无需提供服务;低,自然恢复能力弱,需要服务介入
标准:恢复率超过X%则无须提供服务
策略洞察
从停滞异常的求助数据出发,我们通过主客观数据关联分析方法,洞察用户求助时间与实际物流停滞时长的关系,权衡利弊,最终分析确定表达策略。
图4.1 物流停滞主客观指标关联洞察
-
停滞X小时为最佳安抚表达时机,因为其求助覆盖率超过X%(能干预到大量求助),且恢复率超过X%(绝大多数能短期内自然恢复),我们只需要在这个时间段透出安抚文案且告知预计恢复时间,就能缓解用户的焦虑感。既表达安抚并给予一定确定性,又无需提供工单服务,成功化解了数据问题难点b; -
停滞X小时为最佳催物流服务提供时机,其订单占比控制在X%以内(有相应量级的服务能力),且异常万求突增(用户已经有强烈情绪)。当前产品侧我们打通了CP与PBC,可同时向快递公司与商家发起工单,要求其在规定时间内回复解决方案。 -
停滞X小时及以上不更新引导联系商家,其异常万求量极高(用户负向情绪严重),且恢复率低,建议用户尽快联系商家退款或补发。
业务PD根据上述产出的策略,最终设计形成如下产品形态,并已开始上线,详见图5.1。
图5.1 物流停滞表达产品样式
在产品上线前期,我们也协同业务一起观测产品指标,分析文案的安抚或引导效果,并针对文案和交互做了一系列优化,在此就不逐一展开赘述。
我们通过AB实验对产品上线后的效果进行了数据论证,在此不赘述科学的实验设计与效果评估。经分析,实验桶物流万人求助量-X%,异常解决率+Xpt(X%->X%),售后咨询满意率+Xpt(X%->X%)。此外通过定期用户调研,手淘物流产品满意度+Xpt(X%->X%)。
目前团队招聘中,欢迎拥有消费者、商品、交易、营销等相关领域数据分析/数据科学背景的优秀人才加入,有兴趣可将简历发送至zhuqi.zq@taobao.com 。
本文分享自微信公众号 - 大淘宝技术(AlibabaMTT)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。