哈佛商业评论

已有163年历史的布林克斯公司（Brinks）以装甲卡车车队闻名。公司还将品牌授权给了一家鲜有人知的独立姐妹公司——布林克斯家居（Brinks Home）。智能家居技术企业布林克斯家居位于达拉斯，一直在努力争取与布林克斯这一品牌相称的品牌认知度。布林克斯家居要与ADT、Google Nest和Ring等更出名的智能家居系统竞争，而且尽管得到了行业分析人士和客户的好评，市场份额却只有2%。不过，布林克斯家居系统获取了丰富的产品使用信息，呼叫中心积攒了大量客户层交易的历史数据，驻场代表自1994年公司成立时起就一直在收集竞争对手数据。

布林克斯想设法运用所有这些信息促进增长、优化所有渠道的每一个客户接触点，特别是用户体验的信息传达、个性化和交付。2020年秋，公司与AI初创企业OfferFit合作，测试了几千种信息和服务组合，改变了创意内容、渠道和交付时间。布林克斯围绕着客户获取、服务与更新进行了结构重组，开始运用AI优化服务电话时间表，协助呼叫中心人员给出交叉销售建议，并开展客户拓展进行无线系统升级。不到两年，布林克斯将对比测试的频率从每天两到三次提升至约五万次（且具备了根据需要进一步提升的能力）。这一过程大大减少了等待测试结果的需求，让布林克斯将每一个客户接触点个性化。2021年上半年，公司直接面向消费者的套餐平均从489美元增加到968美元，平均每名用户带来的收入从42.24美元提升到45.95美元，总收入较2020年同期增加了9.5%。

布林克斯家居只是品牌通过充分利用客户数据转变和个性化用户体验获得成功的一个例子。从互联网时代以前的个人细分营销到数字时代的客户旅程，个性化客户体验已经毫无疑问地成为竞争优势的基础。现在的个性化不仅仅是在广告推销材料里写对客户的名字、在有人拨打客服电话时准备好完整的数据或者在网站登录页面显示与客户相关的内容，而是所有实体和线上接点的设计目标，而且越来越多地采用AI。

我们为一百多家大规模开展用户体验个性化的全球领先企业（包括本文的一些例子）提供了协助。过去五年来，我们看到这些公司收入增长了6%至10%，个性化项目带来的净增量收入从40%提升到100%。与谷歌联合开展的一项针对几千名刚刚经历过个性化品牌体验的消费者的问卷调查表明，个性化体验的确会产生可观的财务效应。

各行各业的公司都将个性化置于企业战略的中心。前不久克罗格公司CEO称无缝化和个性化是克罗格正在投资的两大重要竞争力“护城河”。同样，家用房屋修缮（如家得宝）、银行（摩根大通）、餐饮（星巴克）和服饰（耐克）行业的公司都公开宣布个性化的全渠道无缝体验是企业战略的核心。现在竞争优势将来源于大规模获取、分析和利用个性化客户数据，以及利用AI理解和塑造客户旅程，实现优化和个性化。数字优势的地位已经超出传统营销领域，成为一个更广泛的需要C级高管关注的议题。显而易见，将此类能力嵌入商业模式的大型科技公司一直是赢家。但我们也看到勇于挑战的品牌，如餐饮业的sweetgreen和服饰业的Stitch Fix，根据第一方数据设计出具有改革能力的客户体验。

本文探讨前沿企业如何建立我们所说的智能体验引擎，利用客户数据驱动AI打造高质量客户体验。这些公司设计端对端解决方案——例如找位置、安排时间、发送待办事项提醒、提供指导、引导用户完成必要的后续行动等——主动引导客户实现目标。这类企业还能将可以迅速学习和优化的数据与技术跟人力驱动因素（跨职能的敏捷团队）结合起来。虽然建立智能体验引擎要耗费大量时间和资金，还需要复杂的技术，但能通过智能体验引擎实现的大规模个性化体验，这些放在十年前只是我们的想象。

个性化的阻碍

大部分品牌不会以与世界领先企业竞争所必要的规模和深度进行客户体验个性化。个性化端到端的客户体验，需要各渠道协调安排——没有哪个品牌真正彻底掌握了这种能力。但将客户的实体店体验和数字体验相融合，也许是挑战者品牌与亚马逊、谷歌等数字原住民企业竞争的唯一方式。先行者已经开始利用更新鲜的技术，如物联网、机器学习、营销技术平台，以及各种结合敏捷方法可以获得强大优势的数字媒体工具。品牌若想赶超先行者，必须思考自己的数据和技术基础。组织结构和流程能否胜任这个任务？有没有快速测试和学习的心态？

虽然有各种令人眼花缭乱的软件工具声称可以改善客户体验的各个方面，但没有哪个平台可以全面管理端到端个性化。不过关键的问题，如对某个客户进行360度画像，正在由自动化、人工智能及用于AI推荐的激活工具解决。

电信巨头康卡斯特（Comcast）利用客户旅程分析服务Pointillist，记录每个客户在其生态系统中的足迹。这项服务记录访客互动的时间，并为每一次客户旅程生成地图。利用AI收集数据、确定客户旅程在哪里出现问题（如手机应用），康卡斯特迅速解决了体验问题。

商业正在结合各种AI、营销技术以及通过通用应用程序编程接口连接的后台解决方案，更好地开发和应用个性化数据。Salesforce和Adobe提供交付渠道解决方案，Amperity和mParticle等客户数据平台协助解决识别问题；Formation和OfferFit等内容优化引擎协助改善为客户提供的产品或服务；内容生成平台，如创意文案平台Persado和视频平台SundaySky，可以协助大规模提供个性化客户体验。

新的数字媒体为用户开创了与品牌互动的新方式。只需挥手就能激活的基于定位的追踪和支付系统，模糊了购买前互动（广告/营销）、购买时互动（销售/交易）和购买后互动（客服/客户忠诚度）之间的界限。这些能力创造了重塑客户体验的智能方式，让品牌显示出特殊的价值，加深与客户的联系。例如星巴克，用季节新品广告吸引在门店附近的老客户，同时在手机应用里向客户推送个性化内容，鼓励他们去门店尝试方便的手机点单功能。

大部分企业的带宽、资源或技术能力不足以与康卡斯特和星巴克竞争。最适合挑战者品牌的方法是开发一个数据和技术路线图，根据具体的客户案例细化需求。例如一家公司要弄清楚哪些客户数据要素必须实时用于在手机应用里生成推荐，或者要确定让哪些系统相互联通以便在客户预订之后提供附加服务的建议。然后必须让商务和技术团队一起迭代工作，在奠定基础的过程中关注交付价值。

我们从过去十年里最成功的数字转型里总结出一个70/20/10法则：改变组织（包括流程、工作方式、关键绩效指标和激励等）的努力中70%是关于员工，20%需要用好数据，剩下的10%则是技术基础。这种划分源于四个障碍。其一，大部分企业依然是产品第一，而非客户第一，因此无法让渠道、市场和产品孤岛的十余个团队开展合作。首席客户官的职位就是为了解决这个问题，协调诸多客户接触点背后的人员和部门。其二，分析并未渗透整个企业，平台无法整合客户数据、实现高级分析。其三，内容是人工产出，而且没有打上标签以便多次利用。最后，IT团队常用的敏捷工作法，跨职能团队却通常不用。没有工具协助团队迅速实验和学习，企业最终只能提供跨渠道的不一致、不流动的体验。

公司首先应当让营销、运营、分析、技术和商业部门的员工组成自治小组，给予明确的目标、预算和决策权，给这些一体化的小组布置任务，让他们建立几种具体的体验，代表增加收入和建立深层客户连接的突破性机会。自治小组要有用于衡量每日进展的工具，并进行为期两周的冲刺，建立并检验改善参与度的方法。要优化很多变量，如回应哪个触发点、利用什么渠道、何时接触客户、发布什么信息和提供什么激励。这个过程中要进行更多实验、收集更多数据，因此AI会发挥越来越大的作用。自治小组可以用机器学习决定如何设计多变量测试，记录所有变化，并决定何时锁定某一个测试推广出去。

打造智能体验引擎

要完成客户对端对端体验的每一个目标，企业必须全面考虑如何设计某个特定时刻的流程、需要的支持信息，以及完成互动所需的跨渠道或跨组织联系（如门店和网店之间、体验中和体验后）。这不只是客户旅程规划或技术规划，也是构建前端流程呈现给客户、构建后端燃料驱动智能体验引擎的过程。

智能体验引擎不只要建立在最高级的端对端体验（如在布林克斯实现更好的安保服务），还必须精确关注微观目标——组成完整体验的每一个积极时刻——并且确保所有目标都整合在一起。

此外，引擎的“智能”体现在很多地方。智能体验引擎是利用最好的数据和专门技术精心构建的，使用不断改进的机器学习算法寻找合适的方法推动客户进行下一步，在互动方面不断测试、学习并驱动相关决策。客户获得的是会日益改善的平滑无缝、积极且独特的体验。

最好的品牌会采用五种核心方法，定义如何构建智能体验引擎。这些品牌从广泛的来源收集数据信号和洞见，将端对端体验重新想象为以智能决策驱动的无缝流程，把能吸引客户的接触点联系起来激活跨渠道体验，结合客户的具体情况满足其需求，并且不停地测试、增加创新、严格评估效果并了解客户会受到的不同影响。

下面结合运用得当的公司案例逐一介绍这些方法。

连接数据信号与洞见

构建智能体验引擎的第一个要求是为每个客户建立360度画像，运用各种可能的方式获取关于每个客户的新信号。运动服饰企业lululemon在过去五年里投入巨资实现了这一目标。顾客第一次在lululemon实体零售店购物时会被要求提供电子邮箱地址用来接收收据，报名店内瑜伽课的时候也会收集顾客的邮箱地址。像其他很多品牌一样，lululemon根据顾客个人信息，利用益百利（Experian）或安客诚（Acxiom）等服务扩充了基本的客户资料，实现基于性别或位置的营销活动。

顾客与品牌互动加深，通常会下载手机应用或在网店购物。点击流数据可用于了解客户浏览了哪些商品，对着哪些商品考虑了较长时间或回头再看，哪些产品很快就划过去了。这类数据可用于推测购物意向和未来推送目标。2020年lululemon收购Mirror，获得了观察客户行为的新窗口。Mirror为用户提供在家中即可观看的健身课视频，让lululemon可以了解顾客的锻炼习惯——这种偏好数据帮助品牌更好地调整产品及服务推送。

将端对端体验重新想象为无缝的流程

澳大利亚领先的航空公司澳洲航空（Qantas），以广泛的视角看待出行流程，大量投资优化客户旅程的每一个细节，从核心的航空业务开始，将预订、登机手续、候机室和飞行中的体验个性化。例如澳洲航空的手机应用会根据乘客所在的位置实时推送信息，如最有效率地登机手续办理方法、何时该离家前往机场、最佳路线推荐等。澳航考虑的还不只是出行，而是与沃尔沃斯（Woolworths，澳大利亚领先超市品牌）、希尔顿、Avis、eBay和澳大利亚的几大主要银行等数百个合作伙伴构建了跨领域的忠诚客户生态系统，让客户根据自己的喜好以新方式获取和消费积分。澳洲航空的媒体、分析及研究服务Red Planet协助公司及其合作伙伴将线上和线下的行为数据与媒体购买结合起来开展广告活动。

澳洲航空还利用数据开展新业务。例如，公司设计了一款手机应用，让客户通过每日行走一定步数或锻炼等健康习惯获取积分，邀请客户注册新的健康保险业务以解锁积分。这款应用还让公司可以向成员交叉销售旅行产品和其他产品。为了安排关于这些产品的沟通，澳洲航空建立了营销信息平台，利用AI和个性化内容资料库，从合适的渠道向客户发送合适的信息。

激活跨渠道体验

星巴克以跨渠道个性化而闻名。星巴克的手机应用基于个人偏好和行为，以游戏的方式推荐产品，付费媒体广告很有针对性，包括汽车购餐的电子餐牌在内的门店体验会根据天气、当地客户偏好和库存而变化。

许多规模较小的连锁餐厅难以与星巴克这个级别的个性化竞争，不过在全世界只有140家门店的sweetgreen（星巴克的门店超过3.3万）也利用数据和数字化打造了跨渠道体验。Sweetgreen推出了一个在同类产品中最佳的手机应用，可以方便地订购自选沙拉并选择自提或配送。该品牌利用收集应用展开新的电子菜单、为顾客提供个性化产品，门店顾客可以用手机支付。这款应用让sweetgreen的数字参与度在2021年超过了星巴克，68%的sweetgreen销量来自电子渠道，星巴克美国门店的电子渠道销量则只有52%。

根据客户具体情况满足其需求

克罗格和特易购（Tesco）等大型零售商拥有庞大的数据及分析团队，可以编写算法以最合适的方式吸引客户。克罗格和特易购合作的分析机构（分别是84.51°和dunnhumby）运行几百个偏好模型，确定为哪些客户提供怎样的个性化推广内容。

中型连锁店巨鹰超市（Giant Eagle）也进入了这个领域。巨鹰超市与软件即服务创新科技公司Formation合作，以期达到同样的个性化推广水平。该公司将购物体验游戏化，在手机应用上布置特定任务，为完成任务的顾客提供积分奖励。例如新顾客会被邀请完成“每周购物挑战”，在特定月份里每周去一次巨鹰超市，获得额外奖励积分在超市的fuelperks+项目中使用，获取免费汽油或超市购物折扣。长期忠诚顾客如果购买了手机应用根据类似客户画像推荐的他们可能感兴趣的新品类产品，比如巧克力，就能获得积分奖励。

不断测试

数字原住民Stitch Fix用物质奖励鼓励团队每月进行上百次实验，做好其中1/3会失败的心理准备，利用实验得到的数据改进智能体验引擎，提出下一步行动的建议。公司还会直接要求客户提供数据。（详见《Stitch Fix公司CEO：让个人风格走向大众市场》一文，刊登于《哈佛商业评论》2018年5月刊）

Stitch Fix的服务订阅者在新注册时会看到Style Shuffle界面，看到自己喜欢的产品就向右划动，不喜欢的产品则向左，让Stitch Fix了解其个人品位和风格。随后公司用算法根据顾客选中的几件产品推测出几千个顾客可能感兴趣的产品，协助编制每月送到顾客家中的推荐目录。

严格评估

本文作者戴维与另一位作者合写的《设计“客户旅程”》（刊登于《哈佛商业评论》2015年11月刊），介绍了领导者如何利用与客户体验一致的跨职能团队重塑组织。如今领导者走得更远，给团队更大的利用数据的权限。团队本质上是产品经理，专门负责不断改善端对端的顾客交互。

要想启动本文介绍的这个过程，首先要问：我们希望彻底改变什么体验，如何构建智能引擎以实现目标？有了答案之后，根据客户关系管理系统和营销自动化平台上的客户记录确定自己是否已经获得了驱动更有价值的体验所需要的所有相关数据。是否运用数据改善了客户体验？是否实现了各渠道间无缝衔接？两个问题的答案可能都是否定的。

大部分CEO和C级高管声称意识到了顾客体验的重要意义，但往往是光说不做。这种状况必须改变。每家企业都需要一个明确的战略用于构建智能体验引擎，让组织能够应用AI、个性化和敏捷流程，打造更深层、更持久的品牌忠诚度。

戴维·埃德尔曼是哈佛商学院执行顾问兼高级讲师。马克·亚伯拉罕是波士顿咨询公司董事总经理兼高级合伙人。

戴维·埃德尔曼（David C. Edelman）

马克·亚伯拉罕（Mark Abraham）| 文  

蒋荟蓉 | 译   时青靖 | 校   李源 | 编辑