本篇文章想给大家重点介绍一下有关自动打标客户声音的知识点与干货。

下文会结合一些方法论与实践案例，给大家分享自动打标的逻辑与步骤，以及解释为什么自动打标对于品牌分析客户声音VOC而言这么重要。

前几周通过三篇文章给大家介绍了VOC的指南与介绍，从文章中我们得知，在执行VOC项目的过程中，无论是借助工具还是人工的方法，都离不开打标（给客户反馈信息添加标签）这个动作。对于有一定规模，或是重视客户声音的品牌而言，利用VOC工具进行自动化打标是他们处理大量客户反馈，并实现产品迭代、优化客户体验、提高品牌声量的重要手段。

「为什么要对信息进行“打标”」

对于“打标”，我们可以简单理解为：使用标签来对客户声音进行分类分组，处理成定性数据作为参考。这个过程对于我们了解客户的问题、获得可执行的洞察以及提升客户服务水平至关重要。

对于品牌而言，客户反馈为他们提供了有关服务和产品的宝贵见解；而对于客户而言，更包含了他们对于对品牌的期望，期望品牌能对他们的一切声音（反馈、投诉或建议）做出更快的响应，这也是我们常提到的VOC。

但是对于品牌而言，回复每一条客户评论、邮件、推文等信息是无法高效执行的，我们需要资源来整理和理解所有数据背后的真实意义。这促使了许多自动打标系统与工具出现，通过机器学习，帮助品牌对大量数据进行可靠、理性、高效地分类与处理。

我们对于一些客户体验 (CX) 指标很熟悉，例如净推荐值 (NPS)和客户满意度分数 (CSAT)，它们可以帮助我们量化客户忠诚度与满意度，并监控其随时间的变化。但这并不能准确地告诉我们客户具体对什么感到满意/不满意，以及为什么（背后的原因）。要找出这背后的对象与根因，需要我们结合定性与定量分析，对大量的客户反馈信息进行处理与分析。

接下来将详细地介绍客户声音VOC打标的逻辑，以及如何使用机器学习进行自动打标。

「 如何“打标”？」

首先，在我们收集所有提及自己的品牌、服务和产品的数据后，需要利用多层级的标签（标签树）把这些数据进行分类。这里我们可以从多种维度切入，具体的分类逻辑取决于自己的业务。比如我们可以分成：产品反馈、客服反馈、营销和销售反馈；也可以分成社媒内容、产品评价、电商反馈等

在每个主要类别下，再创建子类别。比如产品团队可能会将VOC信息细分为功能请求、产品错误等；客服团队可能会分为账户问题、订单问题等；而营销和销售团队可能会分类为定价、功能问题。

拿某个品牌借助标签树整理VOC的方法为例，他们借助VOC工具将客户声音分为三个主要标签：可靠性；可用性；功能性。基于此他们可以快速找出客户反馈的对象及背后的原因：

主标签：可靠性 

– 子标签：性能、错误（Bugs）。

主标签：易用性
– 子标签：复杂度、内容、导航。

主标签：功能 

– 子标签：跟踪、协作、内容管理。

通过创建标签树，能够将客户声音拆解为更易于解决和管理的需求，帮助品牌简化工作流程并更有效地解决问题。

「打标的具体步骤与案例」

接下来将介绍具体的打标实践步骤与案例，基于此，我们可以对手动（人工）和自动（机器学习）打标有更清晰的比较。

a）阅读大量VOC

首先，需要创建一组与自己业务相关的标签，这意味着我们需要了解客户在谈论什么。比如阅读 25 – 30 条VOC，记下最常出现的主题、功能或问题。

b) 定义一套通用的标签系统

当有多个标签可用于相同的文本数据时，标记过程会很混乱。人和机器都需要一个结构良好的标签系统来明确什么文本应该使用哪个标签。

假设你需要为一条负面评论添加标签：“太混乱了，我不知道在哪里上传新数据并创建报告”。根据文本，可以应用“UI问题”打标，也可以应用“CX问题”打标，甚至可以同时应用两者。这就要求我们使用一两个句子或指南来定义标签体系，以便用户清楚哪个标签用于哪种类型的文本数据。

c) 删除范围太小或太小众的标签

我们的标签必须涵盖广泛的文本数据，这一点很重要。避免过于具体，或是过于广泛的标签主题。

此外，标签必须是中性的也很重要。这样关于同一属性的正面、负面和中性评论都可以囊括在内。例如，我们应该创建一个标记为User Experience或UI 的标签，而不是Good User Experience 这样的标签。在这种情况下，我们甚至可以创建一个像Usability这样的标签作为大的标签分类，并结合具体的子类别进行管理，例如Complexity、Content和Navigation。

不要创建只包含少数案例的小众标签，因为机器学习模型需要足够的训练数据来学习与熟练。如果 AI 模型不平衡，例如：对具有更多训练数据的标签的权重很大，他们倾向于使用更常用的标签而不是小众标签进行数据处理和预判，这会导致错误标记的我们的VOC。

如果使用人工标记，这个问题会更显著。当我们手动标记反馈时，会惯性忘记小众不常用的标签而选择最常使用的标签，导致结果的不准确性更高。

d) 创建有层次结构的标签体系（标签树）

为了让用户（或机器）更轻松地对标签进行分类，建议创建一个有层次的标签结构，其中包含一个主标签和多个子标签。

假设Shulex VOC的客户反馈提及了训练模型 和 集成性，这些应该是 功能 这个主标签的子标签。在机器学习时，具有层次结构更有助于算法做出准确的预测。

e) 对每种描述类型的词使用不同的标签

我们经常使用一组词来描述一件事，比如对企业描述可能是：

– 专注于银行业务的B2C

– 提供软件解决方案的B2C

– 农业B2B

以上，我们对每个企业的描述中都有两种类型的描述词：客户类型（B2B、B2C）；行业类型（农业、软件、银行）。每个描述类型的词下面都应该有自己的标签层次结构，这样才可以单独分析这些信息，并根据企业的销售对象和所在的行业获取不同的信息。这个情况下对机器学习中，我们不是要创建一个包含所有标签（B2B、B2C、软件、农业、银行）的分类模型，而是要训练两个不同的模型，因为举例中包含了两种分类或分组文本的方法，这两种分类需要不同的解决方案。

「为什么自动打标对于VOC分析很重要？」

上文我们已经解释了为什么打标很重要，而当我们遇到大规模的数据时，更需要借助机器学习来进行自动打标。为什么这很重要？因为我们每天都淹没在信息中，通过人工每周阅读和标记 15,000 条信息会造成效率低下且数据不准确的问题。

每一条VOC对于企业来说都是至关重要的，企业可以获得有关产品和服务的宝贵而准确的洞察，并降低客户流失率。但要做到这一点，企业则需要在业务实践中使用机器学习来进行自动标记。

比如在Shulex VOC，我们结合多种机器模型来处理和分析文本。比如用户想了解自己的客户对刚刚发布的功能的感受，我们会创建情感分析模型来将反馈分类为正面或负面，以及关键词提取模型来理解客户谈论这个特定特征时最相关的关键词。

我们在训练文本分析模型时，会通过多次的机器训练教模型如何通过创建的标签来区分文本。我们需要为每段文本添加适当的标签来训练它们。一旦我们向模型展示了几个示例，机器就会开始学习并自动运作，开始自行预测客户声音的标签分类。

相反，如果我们通过人工标记进行处理和分析，不仅需要耗费大量的人工与时间成本，还会大大降低分析的客观与准确度。

利用VOC工具进行自动打标能为企业与品牌带来以下优势：

1. 可规模化处理大量数据

自动打标能帮助我们短时间内分析大量数据。机器学习能为我们节省大量时间，同时高效处理大量数据。不仅能帮助业务部门快速解决问题，还能为企业降本增效。

2. 实时分析

在我们面对大量数据时，使用机器学习自动打标的最大优势还在于它可以 24/7 全天候完成。因此我们可以快速地检测到更紧迫的问题并进行相应处理。而这对于我们的客户而言也是好消息，通过自动打标并快速指派给对应的团队成员，能够使客户感觉他们正在被倾听，他们反馈的问题得到了重视和解决。

3. 一致的工作标准

反复多次的手动打标不仅耗时，还会容易让团队成员积极性降低。当任务冗长乏味时，我们会很难集中精力并保持工作结果的一致性。还有另一个影响一致性的人类特征是情绪，团队可能会根据他们的背景、信仰和经验以不同的方式标记相同的反馈。相反，机器遵循既定的逻辑与指导方针，总是能够根据相同的标准标记大量的数据。

4. 更深入地了解客户

根据不同的标签设置，或是打标方式，我们可以灵活地从客户声音中获得更多或更少的洞察结果。前文已经介绍了定义标签以及创建一个结构良好的标签系统的重要性，这对于获得更深入的客户洞察而言非常重要。通过在主标签中使用子标签，我们能够分析文本中的每个细节，而不仅仅是文本的整体。

例如，一个应用程序的主标签可能是 “可靠性”，它描述了一段文本的整体背景。然而，如果我们想知道 “可靠性 “标签指的是应用程序的哪项功能，以及文本对某项功能的评价是正面的还是负面的，我们可以创建子标签，如“性能”和“缺陷”。