今年的618无疑是新消费品牌造星的舞台，各细分品类新品牌百花齐放。据天猫数据显示，2021年6月1日至15日的天猫618销售额统计，共有459个新品牌拿下细分类目TOP 1。与此同时，融资圈也被新消费类品牌霸屏，AOEO，永璞咖啡、钟薛高均在近期拿下过亿融资。
为何在新消费领域有如此大的创新机会？品牌如何及时洞察新的消费人群，消费场景，消费理念的变化，做到提前预测？本文将从电商评论中寻找答案。
消费者需求全面进入多元化时代
新消费品牌代表的是在消费结构升级的宏观背景下，迎合市场新需求的品牌，他们面向新一代消费人群，满足全新的消费场景。95、00后的消费习惯与以往时代存在着巨大的差异。面对各种新需求，消费品市场正在进入一轮从品质、包装、服务、体验等维度的全面升级。
在此升级的过程中，新消费者对品牌产品的要求从能用到好用，再到更好的体验，要求人与产品有持续的互动，甚至对产品产生依赖与情感，找到属于自己的共鸣、意义与认同感。这无疑对消费者洞察和消费者需求预测提出了极高的要求。
消费者需求的契合意味着产品要不断细分，“一个产品打天下的时代”已经过去。品牌方需要不断收集消费者反馈，甚至预测消费者行为变迁，从而领先市场进行产品与服务流程的理念创新和技术改良。
然而传统消费者需求调研中，通过问卷调研，或人工收集反馈的准确率和效率较低，无法及时还原当下快速变化的消费者痛点与市场机遇。另一方面，海量的电商评论和客服会话，包括社交媒体的舆情讨论，蕴含着大量的需求信息，是品牌方亟待开发的数据宝库，但往往大多数品牌依然停留在人工客服筛选、差评优先回复“灭火”的阶段。大量消费者的反馈意见无法科学的分析，整理，归类，并生成有效的意见来指导产品、运营、客服等部门的工作改善。
▲云听CEM通过NLP分析手机行业客户反馈热词
因此，在当下的需求多元化时代，及时高效的将海量客户反馈数据采集并加以分析。通过数据洞察了解预测消费者行为，并指导产品与服务的创新，提升品牌客户体验，已成为新消费时代品牌的核心竞争力。
电商评论分析是如何进行的
电商评论分析中评论数据的采集，通常是全网抓取而来的，就范围上而言远比单一一家品牌的数据要广，更能反馈出市场的真实需求。除此之外，它还能分析出客户对产品的客观感受以及使用后的主观感受，另外还包括“客户情感”、“购买意图”以及“客户故事”等等。
➤获取全网「电商评论」数据
将全网各平台的「电商评论」进行汇总量化处理，以此评估该企业的客户体验管理水平，并从中挖掘品牌新的增长点。这对评估企业的「数据采集、数据清洗、数据建模」能力提出极高的要求，鉴于我们在数据采集领域6年的技术钻研与商业实践，云听CEM搭建了一支实力雄厚的数据采集团队，覆盖「天猫、京东、淘宝、苏宁、国美、唯品会」等主流电商平台，实现了对「电商评论」数据实时同步。在汇聚了海量「电商评论」数据后，人工处理往往需要花费大量人力和时间成本，在信息提炼上还会出现数据不全、分析维度不精准等问题。较好的方式便是交由一个专业的智能化系统代替人力操作。通常系统会先建立AI深度学习模型，再将外部数据和内部数据一起输入模型，通过不断地自我训练，更深入地分析客户行为、使用体验、情感倾向等，从而在对「电商评论」进行整合分析时，能够更准确地总结出客户想要的指导建议。以美妆产品为例，云听CEM可以梳理出100+项评估指标，细粒度覆盖「产品、服务、市场」等各项细微体验。其中产品项涵盖的一级指标已达10个，基于一级指标「功效」搭建的二级指标多达46个，如「防晒、遮瑕、祛痘」等。依据这套指标体系，机器可以根据客户语义和情感倾向，将每一句「电商评论」分别归类至不同的「客户体验指标」分类之下，并判断客户对这项指标表达情绪的正负面，如下图。
▲电商评论的「指标分类」与「情感判断」
在仅仅70个字的句子中，系统就能分析出“正/负面情感”、“功效”、“产品款式”。即便是“好自然的肤色”这样比较抽象的内容，系统依然可以判断出客户是在描述功效相关的问题，并且是正面评论。
预测消费者需求以及具体行动指引
回归实际的运用中，电商评论分析最大作用之一便是行为预测和行动指引。品牌方拥有了多种数据分析结果时，便可以做到新品机会的预测、竞品的调研分析、研发+服务迭代等等。下面以面膜产品为例，云听CEM采集了7个品牌夏季补水系列面膜的电商评论数据，通过10张数据图表，从上述提到的3个应用场景展开分析。
应用场景：新品机会的预测
基于深度学习的NLP自然语言处理技术，云听CEM可对海量电商评论进行机器实时自动化分析，将评论情感划分为正面情感、中性情感、负面情感3类。
图表1：电商评论情感正/负面占比
有了量化的评论数据，企业产品、运营、客服、市场等部门及管理层便能迅速清晰地了解该品牌在消费者心中的表现，并通过量化的数据，衡量各部门的工作成效，提供更精准的决策指引。
适用场景：消费者喜好洞察、客户情感分析
适用部门：市场部、产品部、运营部、客服部
以品牌A举例，从图中我们可以看出在所有评论中，消费者最关注的指标依次为：体验>功效>价格>包装>物流>味道>大小>品牌>颜色>赠品>发货>售后>客服>成分>品质>促销>节日>支付>大小>系列>代言人>人群。
其中「成分」的负面评论数量最多，有329条。从负面声量进行数据下钻，追踪具体的消费者评价，我们发现：
「产品包装和宣传文案上关于成分的描述过少，不够清楚」，是用户产生负面评论的主要原因。由于面膜直接接触脸部皮肤，用户对成分的关注度非常高。对于产品经理，可在在下一批次的产品包装上进行改良，增加成分的描述，满足用户对成分的安全心理诉求。对于运营经理，可在电商平台的宣传文案和设计图上，增加成分的描述，减少用户购买的心理阻碍。
适用场景：新品上市分析、产品迭代、口碑分析
适用部门：市场部、产品部、运营部、客服部
指标满意度：正面指标声量/（正面指标声量+负面指标声量）
在「体验」这个一级指标下，我们又进一步细分为服帖、舒适、清爽、满意、柔软、轻薄、湿润、细腻、清凉等用户常提及的二级指标。从指标满意度来看，用户对A品牌面膜的服帖和舒适这2个指标的满意度均超过90%。而在所有电商评论指标中，服帖、清凉、细腻、湿润是用户提到最多的指标，也是用户最关注的面膜营销点。
适用场景：消费者喜好洞察、新品上市分析、产品迭代、营销策略制定
适用部门：产品部、运营部、市场部
应用场景：分析竞品，发现新机会
从指标声量仪表盘中，我们发现每家品牌用户关注点都有所不同。各品牌最受关注的体验指标分别为：A品牌的产品体验；B品牌的功效与颜色；C品牌的品牌（知名度与信誉）；D品牌的面膜大小、品牌价值、发货速度；E品牌的面膜包装、味道与颜色；F品牌的功效与物流速度；G品牌的产品包装与赠品。
此外，我们还能通过数据下钻，以进一步了解每个声量指标背后用户到底说了什么？从而获得更精准的商业情报。
适用场景：竞品分析、品牌调研
适用部门：市场部、产品部、运营部、客服部
图表5：京东星级分布品牌对比
通过图表，我们将7家品牌的京东星级放在一起对比结果一目了然。数据显示，C品牌的5星评价数量排名第一，有1704条；其次是G品牌1204条、F品牌1096条。A品牌星级分布最均衡，D品牌和G品牌一星负面评价最多。综合销量和评价来看，C品牌表现最好，其次为A品牌。
市场调研负责人可以根据该图找出自己和竞争对手的差距有多少，在京东的表现和在其他电商平台的表现有何不同，并且通过数据下钻的方式，找出在用户评价中具体的优劣势描述。
适用场景：口碑评价、竞品分析、渠道表现对比
适用部门：市场部、产品部、运营部、品牌部
通过图表，品牌能快速了解自家品牌在同等价位、客户群体相同的竞品之间的每一项指标的表现。从图中看出，E品牌在功效、味道、物流、价格的差评率都比较高，需要引起品牌高度关注，及时了解情况，调整产品研发以及运营策略。此外，我们还能了解同等价位区间的面膜品牌，各家的优劣势分别是什么，商家如何进行差异化产品研发与宣传，客服在准备话术时如何更好地应对消费者的比较。
适用场景：同等价位间的竞品对比、产品定位规划、营销决策制定
适用部门：市场部、产品部、运营部、客服部
从热力图中，我们能一目了然地看出A-G品牌在各项指标上的差评率表现。由浅至深，标识着指标的差评率由低到高。
从图中可以看出品牌之间各项体验指标的优劣。作为商家掌握这张热力图，能做到知己知彼，了然于心。对于竞品的长处我们可以学习，对于竞品的短处，我们可以了解别人踩过的坑，避免犯同样的错误。
适用场景：竞品分析、产品定位、营销决策制定
适用部门：市场部、产品部、运营部、客服部
应用场景：研发+服务迭代
对于运营团队，负面声量高的指标应避免成为产品的宣传卖点，重新挖掘产品的其他优势。对于客服团队，负面声量的统计可帮助其提前做好客服话术设计、用户补偿措施，避免大量差评对销量造成恶性影响。对于产品团队，应检视产品的设计与品控，为下次产品迭代优化做好明确的计划。对于物流团队，有助于其客观评估第三方物流仓储的服务能力，以便及时替换。
适用场景：产品迭代、文案设计、营销策划
适用部门：产品部、运营部、客服部、仓储部
通过曲线图，企业能直观地看到该面膜消费者评价的情感走势。当企业对产品、服务、营销策略做出调整时，可通过走势图观察消费者评论是否出现相应变化，以此验证企业的改善计划是否获得成功。
适用场景：客户体验管理、品牌舆情分析、工作汇报
适用部门：市场部、客服部、产品部
该图将消费者关注点（提及量）与指标差评率两个数据进行关联。根据差评率和提及量我们可以把各个指标划分至最高优先级、第二优先级、第三优先级、最低优先级四个象限。
最高优先级：提及量最高、差评率最高的指标，是企业最迫切需要优化的体验指标，如功效、物流、客服。第三优先级：提及量高、但差评率低的指标，如体验、气味、赠品、包装。
根据该图，企业可将最优资源安排给优先级最高的需求部门，以数据科学驱动推动产品迭代、服务升级、资源配置。
适用场景：产品研发、需求优先级决策、资源协调
适用部门：产品部、客服部、市场部、运营部
通过上述的全部案例，我们可知，电商评论分析的结果可以运用在企业的各个部门里，并且这个结果是人人可取，随时使用，实现了一次采集、一次建模，可以多次使用的效果，这为企业各部门在做电商评论分析时避免了重复动作的情况，为企业节省成本。同时，如果从整体上看，部门与部门之间看似使用的数据范围各不相同，实际的行动指引也差异显著，但企业品牌本就是一个整体，尤其是对于客户而言，正是因为这些不同的碎片体验作用在一起，形成了一个大的品牌认知。因此，做电商评论分析能带给企业的不仅仅解决即时性的问题，从长远来看，电商评论分析做的好，进一步推动的是企业客户体验的完善。
本文编辑：云听CEM @Joie
