在评估用户体验的效果时，NPS或者用户体验地图都是常用的工具和手段，但不同人都有自己不同的方法。本文作者分享自己实践的案例，希望能给大家带来一些参考。

存量竞争时代，体验的重要性日益提升，针对用户端的体验指标度量体系和方法也需要提上日程，以下是我针对XTransfer这款外贸收付产品，计划的指标推进思路，同时供大家参考，欢迎提出点评和建议。

一、指标分析流程

二、用户旅程梳理

用户体验地图（User Experience Map – UEM）是梳理业务和用户旅程核心工具和方法之一。

用户体验是用户的整体感知，必须了解用户在产品/服务的整体路径、交互方式和各触点的情况，否则体验评估设计会缺乏系统性，无法准确定位问题及发现问题根因。

来自Pointillist公司的调研：超过 95% 的组织已经采用了基于旅程的客户体验方法，而且80%受访者表示，基于旅程的战略对其业务的整体成功至关重要。超过90%的受访者表示，基于旅程的方法对他们发现改进客户体验的机会、根据目标和指标调整团队，以及理解关键旅程信号有积极影响。超过 50% 的公司也有专门从事旅程管理或旅程分析的角色或团队。

用户体验地图的主要结构分为如下几层：行为阶段、用户目标、用户行为、用户需求、痛点、机会点。

三、体验指标金字塔设计

没有标准就没有问题，评价用户体验好不好，首先要建立一套标准，符合标准才能代表用户体验好，并且把这个“好”尽可能以量化的指标表达出来，否则无法测量，管理也就无从下手。

常用体验指标名词解释

体验指标金字塔模型

该模型将指标区分为用户体验和业务运营两类指标，用户体验类指标解释“用户体验如何衡量”，业务运营指标解释“用户体验如何驱动”，希望结合内外部视角找到体验提升的机会点，包括重塑用户旅程、改造内部业务流程、优化信息表达等。

1. 用户体验指标：倾听“客户之声”，站在外部客户视角衡量用户体验；
2. 业务运营指标：站在业务视角，针对用户旅程的关键触点挖掘驱动用户体验提升的关键因素。

整体流程如下：

Step1. 梳理用户旅程

梳理用户旅程，识别旅程的关键时刻（MOT）。

Step2. 用户体验指标设计

1. 整体NPS：用于衡量整体品牌的推荐度，涵盖所有用户群及各个产品/服务。
2. 满意度/费力度：针对影响整体NPS的某个产品/服务的整个用户旅程进行满意度/费力度调研，如：如认证、收款、转账、换汇、结汇等。
3. 驱动因素/VOC：针对用户旅程的关键触点结合满意度下钻的驱动因素及VOC明确体验指标，如：负向反馈率、VOC求助量/占比等。

Step3. 业务运营指标设计

针对用户旅程的关键触点挖掘驱动用户体验提升关键因素，完成指标详细设计及口径定义。

指标设计原则

四、数据准备与能力建设

体验数据架构

同体验指标设计方法，我们将支撑体验分析的数据分为两类：

1. 业务数据，包括激活用户数、活跃用户数、收款笔数等，属于滞后数据，代表着现阶段的经营现状。
2. 体验数据，包括满意度、费力度、用户原声等，属于先行数据，代表收入或利润的未来风险。

体验分析的核心思维就是业务数据与体验数据的协同分析，基石是用户体验旅程。缺少业务数据会让我们偏离商业本质，缺少用户体验数据会让我们“盲猜”用户。兼顾数据平台的规划设计，数据准备阶段我们需要有体系化的视角实现全面的体验感知。

在“用户是谁”环节，业务数据与体验数据协同能够让我们针对一个账单收款流程，不同地区用户满意度分别有何差异；结合用户反馈数据，我们还能获知本次旅程中不同地区用户存在哪些账单收款的差异化诉求。在“如何了解产品”环节，业务数据与体验数据协同能让我们了解用户在某一页面关注度最高是哪个功能模块，关联进线咨询VOC数据还可获知该模块中具体是哪类信息缺失、模糊不清，影响用户最终的收款操作。

VOC标签体系

用户体验偏主观且因人而已，与用户自身的预期强相关，通常很难通过绝对客观数据来评价用户体验好坏。VOC（Voice Of Customer）是一种能够直接获知用户体验的数据源。我们可以将VOC加工成标签以便高效进行分析，如：

1. APP用户反馈标签：偏体验前，大多为用户在使用APP过程中遇到的产品、性能体验的问题反馈，同时也包含部分热心用户提出的诚恳建议。
2. 功能咨询标签：偏体验中和体验后，大多为用户咨询功能，使用功能后跟进资金状态的场景；
3. 求助原声：偏体验后纠纷求助，大多围绕资金异常、状态异常求助客服、销售。
4. 应用商城评价：体验后评价产品，使用时注意存在大量刷评数据。

五、问题评估与诊断

问题发现阶段主要通过指标的趋势、波动监测，以及原声异常监测，跟踪老问题，发现新问题。

对于CSAT满意度这类单一汇总类指标，通常可以跟自己比（看趋势）、跟竞对比（看标杆）发现问题；

对于用户原声这类非结构化数据，通常应用于跟踪、发现和诊断“点”层面体验问题，可通过文本分类方法加工成体验问题标签，再基于标签的声量/占比的趋势变化、排名变化发现问题；此外，也可通过文本聚类方法挖掘新标签，实时检测未知问题的发生。