亚马逊前员工创立 Spiral：用 AI 统整消费者回馈，找出“没说出口的痛”

▼

聆听使用者的声音，是所有成功产品必经的路程。企业如果想要了解使用者的心声，可以采用焦点团体访谈、问卷，或是搜集社群媒体上的评论，过程与耗费的成本并不轻松。

由两位亚马逊前员工建立的Spiral，利用生成式AI摘要网络评论或是社群平台等多个管道的消费者回馈，不仅节省寻找和分析评论的时间，还能从消费者回馈中分析出“潜在的问题”，让公司预先规划日后的方向。

从工作经验发觉CRM繁琐流程痛点

在Spiral推出之前，Elena Zhizhimontova和Andrew DiLosa曾在亚马逊Fire TV部门担任软件工程师4年，工作内容包含从消费者回馈中改良Fire TV的控制器和遥控器功能。但他们也表示，由于回馈量非常大，通常很难解决到每一位消费者的需求。

▲Spiral创办人Elena zhizhimontova和Andrew DiLosa。（Source：Spiral）

从工作中他们拜访了175间公司，发现几乎每间公司客服的流程都相当繁琐，先从电子邮件、网络评论或是社交媒体平台等多个管道搜集消费者问题，再估算出受此问题影响的消费者数量、分析问题的原因，最后才是规划如何解决，每个步骤都需要花上几天到1周以上的时间，统整下来解决一个问题，最常需要花上2个月的时间。

用大型语言模型辨识大量客户问题，盲点监控功能超前部署

“我们认为每间公司，都应该要重视消费者的回馈”，Spiral执行长Elena Zhizhimontova表示，借由消费者的回馈，公司可以从中了解自家产品的优缺点、竞争优势以及产品需改良的部分，替消费者解决问题的过程，同时也累积公司的信任口碑。

而Spiral的功能就是希望公司借由他们的工具减少消费者等待问题处理的时间，以及找到潜在的问题，提升每间公司带给消费者的“品牌信任度”。

Spiral利用大型语言模型直接摘要各种管道的消费者回馈，包括网络评论、社群平台或是电子信箱的文本内容，再自动依照问题的数量排序处理优先顺序，让公司能及时处理，减少客户流失率。

▲ Spiral利用LLM训练大量数据资料的特性，训练其分析各种管道的使用者回馈。

除此之外，大型语言模型还能判断那些没有被明说、却潜在的消费者需求，比如有某功能需求是消费者正热烈讨论的，AI会针对该问题的讨论频率以及数量决定是否该被列入开发，这项“盲点监控”的审查方式，可以让企业得知产品对于客群尚缺的功能，更好制订公司未来的发展方向。

通过风险评估，获得长期合作伙伴

跨国汇款的金融服务公司Remitly是Spiral的客户之一。Remitly服务的客群遍布全球约130个地区，过去的人工筛选、分析消费者问题的速度过于耗时，又会有出错的风险，Spiral考量到Remitly客户群的规模，帮助他们以清楚的数据量化每个问题的多寡，发觉最多消费者在提款现金时会遇到问题，让Remitly依据分析结果制定新的线上安全交易策略，并添加此问题解答在官网的“常见问题”页面，方便日后遇到相同问题的消费者能够找到相关问题的解决方案。

▲ Spiral帮助Remitly发觉最多客户在提款现金时会遇到问题，并依据分析结果制定新的线上安全交易策略。

不过，利用大型语言模型分析回馈的效率虽快，但仍存有资讯泄漏以及如何管理客户线上资料的疑虑。目前Spiral研发的这项工具通过美国会计师协会（AICPA）法规：SOC2 Type 2的认证，其服务的风险评估获得核准，也吸引各行业的客户使用他们的分析工具，并依照分析管道以及分析的消费者数量有不同的计价方式。

• The Downward Spiral of Customer Experience — Tuesday CX Thoughts
• 什么是 SOC 2 合规性？
• Spiral, a Seattle startup that analyzes customer feedback, raises $1.25M
• Spiral Raises $28M Series A to Help Banks and Fintechs Easily Embed Sustainability and Social Impact

（本文由 创业小聚 授权转载；首图来源：pixabay）

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。