现如今，电商平台之间已经从单纯的价格战、质量战演化到了服务战。例如京东从 2013 年广告 618 大促主打物流速度，已经从商品价格开始转向服务；又如天猫生鲜的服务：次日送达、正品保障、专业客服团队。
2016天猫生鲜那么，什么是服务？怎么做客户买单的，让客户感到惊喜的，让客户以后继续使用产品的服务？
服务是指具有无形特征，却可给人带来某种利益或满足感、可供有偿转让的一种或一系列活动。服务通常是无形的，并且是在供方和顾客接触面上至少需要完成一项活动的结果。服务的概念很广，有物流、质量、售后服务等。其中售后服务(After-sales service)，是指生产企业、经销商把产品（或服务）销售给消费者之后，为消费者提供的一系列服务，包括产品介绍、送货、安装、调试、维修、技术培训、上门服务等，是增强产品竞争能力的一个办法。典型的电商的售后服务包括安装维修服务（如有）、退换货、维权处理（第三方平台通常有）等。
要做一个有竞争力的服务，首先要知道短板在哪里，今天我们聊聊服务时代如何了解售后服务的短板。
1. 看清自己
DT时代的解读应该从数据开始。一个成熟的售后服务，一般可以从这两方面看：
售后服务指标：纠纷发起率、纠纷量、平均处理时长、反弹率……
服务体验指标：满意率、不满意率……
服务的衡量会更侧重看体验指标，因为服务的量、时长等并不能解释用户的感受和态度，且服务大多数是由人提供的，考察的是感受。所以会增加满意率、不满意率等指标同时进行判断。
那么如果售后是由人处理，非机器处理的，那么还需要关注人员效能指标：未完结量、7 天完结量/率、超 N 天完结量……
2. 怎么看
首先，我们会看满意与不满意，这两个指标能告诉我们服务在用户角度的好与坏；其次看业务指标，两者需要结合判断。例如，淘宝服饰的售后满意度是 70%，30% 的用户不满意主要集中在对处理时间的不满意上，且不满意的用户的服务时长比满意的用户长，说明这里用户的主要痛点就是处理时长太长。那这些数据又如何能够获得呢？需要有一个数据框架，框架的分解要结合竞品、服务用户的 SOP、以及用户反馈的需求，说白了，就是站在用户的立场上分解整个框架。
例如售后服务（维权部分）的满意度框架：
这里把售后的维权部分按照流程分解为三块：申请小二介入后的举证（提供问题凭证）、小二按照规则进行处理、小二给出介入结果后消费者退货退款。各个模块再按照业务的流程在用户心智中的体验关键点进行分解。
然后将框架转变为问题，这里需要注意的是具体的问题表述需要清晰易懂。
如果自行分解框架比较难入手，建议也可以参考 ASCI、SCI 模型（参见http://www.theacsi.org），这里不展开详述。
框架分解好了，就可以根据节奏将问卷投放出去，收集数据。可以作为日常运营的数据每日投放，也可以作为专项每月投放收集。
3. 看出什么：如何解读数据
这些数据都收集到了之后，首先圈定问题的方向及严重度。这个例子中我们使用的是结构方程模型（SEM）。结构方程模型是基于线性关系（y=ax1+bx2+…+nxn）的技术，通过这个方法我们可以发现潜在的、互依的或互相影响的因果变量，是一种建立、估计和检验因果关系模型的方法。结构方程最大的好处是能处理相对复杂的线性关系，同时处理多个因变量，相比如图中箭头所示，单箭头表示「会影响」，双箭头表示「有关系」。
模型关系示例一般来说，进行模型计算之前，首先要进行因素分析，简化、合并因素。这个过程略去，有兴趣可以 google 具体的做法。拿到因素分析的结果后，我们放入到自己设定的模型中后，根据指标进行各个因子之间关系的调整，调整到模型合适的拟合度，会得到如下结果。
模型结果备注：这里小编使用的 AMOS 进行数据分析，图中为模拟非真实数据
参考书籍：AMOS与研究方法（荣泰生），重庆大学出版社出版。
所有统计方法的前提都得基于数据是可以用模型来计算的前提之下，如上图，左下角是模型的拟合度，表达的是数据是否可以被模型很好的解释，这份数据是否能用这个模型来计算，图中数据表明拟合度良好。基于这个前提下，我们通过数据就能发现：箭头所示的数值表达的是这个因子对整体满意度的贡献度，如图的模拟数据能发现结果执行最重要（1.20），其中退款金额最重要。也就是说如果能让用户接受退款金额，这个分项的指标有所提示，那么整体满意度就会相应的有大幅度的提升。
然后我们再结合其他的业务指标对应到我们的处理规则、业务上，如何让用户接受处理结果。有下一步的业务动作之后，再回归到整体满意度和相应的业务指标来看是否有提升。
以上介绍的是以一个售后的业务为例，关于如何更好地发现业务的体验问题，有任何疑问欢迎给小编留言。下一次跟大家分享一些实例，看到的这些问题如何推进解决，如何基于数据运营售后服务的体验等。
