Predykcyjna satysfakcja: modelowanie nastrojów, zanim zostaną zmierzone

Ankieta satysfakcji mówi ci, jak czuje się kurcząca się grupa, która sama z siebie zdecydowała się odpowiedzieć. Nie mówi natomiast, jak czuje się reszta, a przepaść między jednymi a drugimi z roku na rok się pogłębia.

Powód nie tkwi w wadliwym projekcie ankiety. Rzecz w tym, że odpowiada coraz mniej osób, a te, które milkną, systematycznie różnią się od tych, które wciąż odpowiadają. Gdy grono respondentów przechyla się w stronę jednej grupy, wyliczona z niego średnia przestaje opisywać całą populację. Raportujesz zdrowy wynik i nazywasz go reprezentatywnym, podczas gdy klienci, którzy nigdy się nie odezwali, po cichu odchodzą.

Liczba, której ufasz, opiera się tylko na tych, którzy odpowiadają

Spadek liczby odpowiedzi widać dziś w skali całego kraju. U.S. Census Bureau podaje, że w badaniu Current Population Survey, jednym z najbardziej rygorystycznie prowadzonych na świecie, podstawowy odsetek odpowiedzi spadł z 82 procent w marcu 2019 roku do 67 procent w marcu 2024 roku. W tym samym czasie wśród respondentów nadreprezentowane stały się gospodarstwa domowe o wyższych dochodach, co zawyżyło mierzony dochód i zaniżyło poziom ubóstwa.

Skoro federalny system statystyczny, dysponujący umocowaniem prawnym i profesjonalnymi ankieterami terenowymi, traci piętnaście punktów odpowiedzi i nabiera mierzalnego przechyłu dochodowego, to kwartalna ankieta e-mailowa z jednocyfrowym odsetkiem odpowiedzi nie mierzy satysfakcji. Mierzy satysfakcję tych, którzy są skłonni odpowiedzieć.

Średnia z ankiety jest reprezentatywna tylko wtedy, gdy ci, którzy odpowiadają, są podobni do tych, którzy milczą. To założenie po cichu się rozsypuje.

Predykcyjna satysfakcja szacuje odpowiedź, której udzieliłby każdy

Predykcyjna satysfakcja domyka tę lukę modelowaniem, a nie częstszym wypytywaniem. Punktem wyjścia jest poprawna próba osób, które rzeczywiście odpowiedziały, a ich odpowiedzi traktujesz tak, jak na to zasługują: jako oznaczone dane treningowe. Następnie zestawiasz tych respondentów z atrybutami, którymi już dysponujesz dla całej populacji: korzystanie z usług, historia transakcji, zachowania w poszczególnych kanałach, staż, lokalizacja, kontakty z obsługą.

Model uczy się zależności między tymi obserwowalnymi wzorcami a satysfakcją zgłoszoną przez respondentów. Zastosowany do całej reszty, wylicza szacowany wynik dla każdego klienta lub obywatela, który nigdy nie odpowiedział. Efektem nie jest jedna uśredniona liczba, lecz mapa nastrojów obejmująca całą populację, segment po segmencie, która pokazuje, kto jest zadowolony, kto odpływa i gdzie pod powierzchnią narasta niezadowolenie.

To ta sama dyscyplina modelowania, która stoi za modelowaniem rezygnacji, tyle że wymierzona w nastroje. A korzyści z działania w oparciu o zamodelowany sygnał, a nie o skargę, są dobrze udokumentowane.

Czekanie, aż sygnał sam się pojawi, kosztuje sporo, bo większość niezadowolenia nigdy nie zostaje wypowiedziana.

Jak uruchomić model predykcyjnej satysfakcji

Metoda jest na tyle rygorystyczna, by przejść przez sito zakupów i wymogów regulacyjnych, a na tyle praktyczna, by ruszyć w ciągu kwartału.

1. Oprzyj się na poprawnej próbie. Prowadź ankietę dalej. Respondenci są twoim punktem odniesienia, a model jest tylko tak wiarygodny, jak etykiety, na których się uczy.
2. Zestaw to z danymi, którymi już dysponujesz. Połącz respondentów z danymi o użytkowaniu, transakcjach, aktywności w kanałach i z rejestrami obsługi. Na start nie potrzebujesz żadnych nowych narzędzi pomiarowych.
3. Ucz i waliduj na zbiorze testowym. Wytrenuj model na respondentach, sprawdź go na respondentach, których nigdy nie widział, i podaj dokładność, zanim ktokolwiek zaufa pojedynczej predykcji.
4. Oceń całą populację. Oszacuj satysfakcję dla wszystkich, a potem agreguj wyniki według segmentu, regionu i usługi, by odsłonić luki, które kryje uśredniona liczba.
5. Uzupełniaj, nigdy nie zastępuj. Tam, gdzie masz prawdziwą odpowiedź, korzystaj z niej. Model poszerza zasięg ankiety; nie udaje, że nią jest.
6. Skieruj interwencję. Przekaż segmenty wysokiego ryzyka do procesu zamkniętej pętli oraz do następnego najlepszego działania, tak aby zamodelowany wynik przełożył się na konkretną, przypisaną reakcję.

Korzyścią jest sygnał wyprzedzający, a nie ładniejszy raport

Gdy satysfakcję modeluje się dla całej populacji, przestaje ona być spojrzeniem wstecz, a staje się prognozą, na której można oprzeć działanie. Dziś liczy się to bardziej niż rok temu: Forrester ustalił, że jakość doświadczeń klientów w USA spadła trzeci rok z rzędu, co jest sytuacją bez precedensu, a pogorszenie odnotowało 39 procent marek. Organizacje, które utrzymują pozycję, nie ankietują intensywniej. One widzą klientów, których ankieta pomija.

Zamodelowany obraz inaczej rozkłada też wydatki. Zamiast finansować problemy, które akurat są głośne, finansujesz segmenty, o których dane mówią, że po cichu się wycofują, a ten wybór potrafisz uzasadnić liczbą, a nie anegdotą.

Aby zbudować to razem z nami, zapoznaj się z oceną predykcyjnej satysfakcji oraz naszymi realizacjami w obszarze zamkniętej pętli, albo zobacz, jak sprawdza się to w praktyce w studiach przypadków.