最新调研报告表明，客户体验管理是品牌酒店的核心运营能力之一，是在激烈的市场竞争中保持良性增长的秘籍。

客户体验管理是指：规划整个客户体验旅程，在旅程的各个关键环节为客户提供良好的体验。

如何才能做好客户体验管理这件事？IHG、Four Seasons、Hiltion、Best Western等诸多国际知名酒店已经探索出一套行之有效的方法——通过NPS调研+OTA平台在线评价分析，帮助酒店管理并提升客户体验。

因有幸与国内某知名酒店品牌方合作，我们对NPS调研+OTA在线评价分析都有所了解，积累了一些实操经验，本文将与大家分享。

一、NPS调研

NPS（Net Promoter Score），中文名为净推荐值，是客户对品牌/产品的忠诚度得分。

NPS调研是基于内部问卷数据做客户体验管理，能够基于酒店的具体业务和关键环节进行个性化设置，操作非常灵活。

1. NPS得分和得分原因获取

在走完整体流程或者某个关键环节后，很多品牌酒店会以邮件/短信/微信/弹窗/二维码等方式，主动向客户推送NPS调研问卷。

NPS问卷通常包含2个问题，1个邀请给出NPS得分，一个询问得分原因。NPS问卷示例：

• 从0到10分，您向朋友或同事推荐我们的可能性有多大？
• 感谢您的认可，请问您给出此评分的原因是？

NPS调研问卷一般是基于具体业务流程或问题进行个性化设置的。

举个简单的例子，A酒店在深圳有200+门店，它想要了解整个品牌的NPS和各家门店的NPS，并深入挖掘分数差异化背后的原因。则此品牌可以：按门店细分客户群体，分开搜集不同门店的NPS得分和得分原因。

2. NPS得分和得分原因分析

得到NPS数据后，下一步就是基于问题，对NPS得分和得分原因进行分析。

① NPS得分分析

NPS得分是数值型的数据，比较容易计算和分析。

大多数NPS问卷系统都可以直接帮助品牌计算NPS得分，并以可视化图表展示出来，云听亦然。

通过对比分析NPS得分，可以快速发现问题。

例如，我们对比A酒店各门店的NPS得分后发现：门店1和门店2的定价、地理位置、酒店设置、客房、卫生等条件都差不多，但是他们的NPS得分却差距很大：

这是为什么呢？为了找出得分差距很大的原因，需要对各门店的得分原因进行深入分析。

②  NPS得分原因分析

得分原因则是文本型的数据，使用NLP对其进行深入的文本分析，才能获得有效见解。

当回收的NPS问卷较少时，可以人工一条条地分析NPS得分原因。但品牌门店众多，每天回收的NPS问卷可能成千上万，中文语义又十分复杂，这时候人工分析的效率和准确度就跟不上了，需要使用基于深度学习的自然语言处理技术（NLP）全自动地进行文本分析。

NLP：基于深度学习的自然语言处理技术，赋予机器理解和分析人类语言的能力。它是人工智能（AI）领域的一部分，与语言学有很大的重叠。如果想了解更多NLP技术细节，可与我们深入交流。

NLP可以从海量的得分原因文本中，自动识别每条原因反馈中客户提到的酒店指标、分析提到此指标时的情感倾向（正向or负向）、并进行典型意见提取（支持从整体/单项指标/指标正负向等各个维度查看典型意见）。

回到A酒店的问题，使用NLP对门店1和门店2的NPS得分原因进行分析后，我们发现：

• 从各门店各指标提到次数的统计结果来看，门店2的反馈中提到噪音的次数大大超过门店1
• 在提到噪音这个指标时，门店2关于噪音的负面反馈非常非常多
• 查看噪音这个指标的典型意见，发现关于噪音的反馈观点集中为“旁边的机器太吵了”

原来那段时间里，门店2附近有个新楼盘正在建设中，由于施工时间安排不合理，机器日夜轰鸣噪音很大，对酒店客户的休息造成非常大的影响，故而关于噪音的负面反馈非常多，大大拉低了门店2的NPS评分。

基于这个分析结果，门店2就能采取一些行动，有效减少噪音对客户的影响，提升体验。

在采取行动后，在上线体验优化策略后，酒店还需定期追踪各项体验的提升效果，并形成周/月/季度报告汇报给上级。

二、OTA在线评论分析

国内OTA平台客户活跃，积累了体量巨大的在线评价，是非常重要的酒店客户体验反馈数据源。

OTA在线评价分析是基于外部公开的互联网数据做客户体验管理，可以与竞品做深入对比，与NPS调研方式相辅相成，共同帮助酒店品牌提升客户体验。

1. OTA在线评价获取

国内主流的OTA平台包括：大众点评、美团、携程、去哪儿、飞猪、艺龙、马蜂窝、途牛、猫头鹰等。

在线评价字段包括：评价评分（以星级或者评分展示）、评价内容、评价时间等。

同样的，我们带着问题去进行在线评价分析。

举个简单的例子，B酒店想要了解自身与主要竞品品牌在客户体验方面的表现，以取长补短，抢占更多市场份额。则此品牌可以将自己和竞品在OTA平台上的在线评价采集下来，再对其进行深入分析。

2. OTA在线评价分析

将在线评价采集下来后，下一步就是基于问题，对评价评分和评价内容进行分析。

① 分析评价评分

评价评分是数值型数据，或者可以转换成数值型数据。

几乎所有OTA平台的在线评价，都会有评价评分，但有的平台直接显示评分（携程），有的平台只展示星级（美团），有的平台评分和星级都有（飞猪）。

如果显示评分，直接分析即可。如果只显示星级，则在数据采集或数据清洗时需将其转换成评分，再进行分析。

例如：★★★★★（转换成5分），★★★★（转换成4分）。

通过计算行业平均得分、主要竞品品牌得分和自身得分，品牌可以快速明确自身相对于行业、相对于竞品的客户体验水平。

例如，B酒店在计算行业平均得分、主要竞品品牌得分和自身得分后发现，B酒店的得分与行业均值差不多，但是与某竞品品牌C差距很大。竞品品牌得分领先的原因是什么？我们如何才能跟进？进一步分析评价内容，可以为回答以上问题指明方向。

② 分析评价内容

品牌酒店每天产生上万条在线评价，评价内容也是文本型数据，需使用NLP技术进行文本分析。

NLP可以从海量的得分原因文本中，自动识别每条评价中客户提到的酒店指标、分析提到此指标时的情感倾向（正向or负向）、并进行典型意见提取。

自动识别客户提到的指标。客户在反馈或评论时可能会提到多个指标。

我们预先搭建好一个指标体系（可能涉及近百个指标），NLP就可以将每条评论中提到的指标自动识别出来。

例如，下图这条评价提到了地理位置、客房2个一级指标，其中地理位置方面提到商场、巴士站2个二级指标，客房方面提到卫生情况、窗户、卫生间、吹风机、热水、床、空调、插头9个二级指标。

分析提到指标时的情感倾向。在识别提到的指标后，NLP可以进一步分析客户提高此指标时的情感倾向是正向or负向。

还是以上图这一条在线评价为例，客户提到各个指标时的情感倾向为：

商场：正向（下面就是万象天地）
巴士：正向（上面就是巴士站）
卫生情况：正向（干净）
窗户：负向（没有窗户，所以挺压抑）
卫生间：正向（干湿分区）
吹风机：负向（断电）
热水：正向（挺热）
床：正向（大软宽）
空调：正向（给力的很）
插头：负向（太松了）

进行典型意见提取。NLP可以从大量的反馈或评论中提取典型意见。支持进行整体的、分指标的、指标正负面等各个维度的典型意见提取。

回到B酒店的问题，使用NLP对自身、某竞品品牌C在各OTA平台上的在线评价内容进行分析后，我们发现：

• 从各品牌各指标提到次数的统计结果来看，竞品品牌提到周边地理环境和服务这2个指标的次数非常高
• 在提到地理环境和服务这2个指标时，几乎全为正向反馈
• 查看地理环境和服务这2个指标的典型意见，发现关于地理环境的反馈观点集中为“位置明显、容易找”，关于服务的反馈观点集中为“临别的小礼物很贴心”

原来竞品品牌C在选址上做的很好，装修又极具品牌特色，非常容易找到。同时他们特别注重服务体验，尤其是临别体验，各个门店在客户临别时会为其提供当地的特色小礼物。品牌C做好了这几项，整体NPS得分很高。

基于这个分析结果，B酒店就能采取一些行动，在选址装修和个性化服务上投入更多资源，力求带给客户更好的体验。

以上就是本文的全部内容，感谢您的观看。

扫码添加小助手 免费领取福利礼包