DIA数皆智能案例

该项目案例由DIA数皆智能投递并参与数智猿×数据猿×上海大数据联盟共同推出的《2025中国数智化转型升级创新服务企业》榜单/奖项评选。

随着汽车行业的快速发展，年产销量突破数百万辆，消费者对产品、运营和服务的需求日益多样化、个性化，传统的客户反馈机制，如过去依赖每半月一次的人工抽样分析报告，已无法满足市场快速变化的需求。在这一背景下，上海某合资车集团（年服务客户超千万级）始终坚持“以客户为中心”的商业理念，并在品牌高层的积极推动下，专门组建了一支由10+名跨部门专家构成的VoC客户之声核心团队，以实现这一核心价值，确保品牌能够精准洞察并响应用户需求。

本项目的核心目标是通过数智化转型，依托先进的数字化工具和数据驱动理念，构建一个高效的客户声音收集与分析体系。该平台通过智能化的数据采集技术，从超过15个关键渠道（包括400热线、官方App、主流汽车垂直媒体论坛、社交媒体平台等）每月处理超过3000+万条客户反馈，并将分析周期从过去的数周缩短至24小时内，并利用自然语言处理（NLP）和大语言模型（LLM）分析技术（情感及意图识别准确率目标达90%以上）对这些反馈进行深度挖掘。系统将客户反馈自动归类到超过830+个预定义标签、并聚类新兴议题，将潜在问题精准识别并进行预警处理（预警触发灵敏度提升40%）。通过这种方式，项目能够高效识别Top 20%的重复性问题，目标在第一年内将主要负面反馈的重复提及频次降低30%，进而支持品牌在问题平均提前5-7天被发现、未大规模爆发之前主动进行干预和处理，最大化提升客户体验（目标提升关联触点NPS值5分），降低客户流失风险。

通过本项目，合资汽车品牌实现了客户需求洞察的数智化转型，为行业树立了标杆，展示了数字化技术在重塑客户关系、提升市场竞争力（通过快速响应，预计挽回潜在流失客户数万名/年）及推动企业转型中的关键作用。该项目的成功经验不仅为品牌提供了切实的市场竞争优势，也为其他企业提供了宝贵的参考案例，彰显了数智化转型在现代企业中的巨大潜力与价值。

时间周期：

开始时间：2024年9月

阶段一 (2024.9 - 2025.9)：基础平台搭建与核心功能上线

•完成VOC平台基础架构建设，实现SOW中描述的核心数据洞察、分析、预警及派单功能。

•部署初步算法模型，对接核心数据源，支持业务部门进行试运行和基础问题处理。

阶段二 (2025.9 - 2026.9)：平台深化、算法增强与应用拓展

•显著提升算法模型准确性与复杂度，深化现有功能（如品牌、标签），增强平台性能。

•扩展系统集成范围（对接更多内外部系统），支持更广泛、更深入的业务分析场景。

阶段三 (2026.9 - 2027.9)：智能化升级与价值最大化

•引入高级AI应用（如智能报告、预测性分析），融合跨领域业务数据进行深度洞察。

实现更智能的任务处理与推荐，将VOC能力广泛赋能全企业，最大化数据驱动决策的价值。

完成部署对接：2025年3月

截止时间：2027年9月

数智化需求

该合资汽车品牌在追求卓越客户体验的进程中，其传统的客户需求管理模式面对当前的业务规模和市场环境，显现出对深度数智化转型的迫切需求：

1. 数据整合与处理效率的挑战与需求：

•数据来源分散且海量：客户反馈分散于超过15个关键渠道（涵盖400热线、官方App、主流汽车垂直媒体、社交平台等），数据格式多样，标准不一。面对每月处理超过700万条的庞大反馈量，传统的、依赖各渠道零散汇报的“每半月一次人工抽样分析报告”模式，已完全无法实现全面、及时的信息整合，形成了严重的数据孤岛。

•时效性与深度不足：依靠人工处理海量数据，分析周期长达数周，远不能满足快速响应市场变化和客户需求的要求。同时，分析停留在表面，难以挖掘每日1600万条数据背后深层次的关联、趋势和潜在风险，例如难以快速识别跨渠道的共性问题或新兴负面话题。

•转型需求：迫切需要建立一个统一的、高效的客户声音数据中台，能够近实时汇聚全渠道数据，进行标准化治理，并具备在24小时内完成初步分析的能力，为后续的深度洞察奠定基础。

2. 智能分析与流程自动化的瓶颈与需求：

•缺乏智能化分析能力：现有体系缺乏先进的自然语言处理（NLP）和大规模语言模型（LLM）技术支撑，无法对海量非结构化文本进行深度的语义理解、精准的情感判断（正负面、强度）、意图识别（投诉、建议、咨询）和核心观点自动抽取。

•标签体系与问题发现滞后：虽然有基础分类，但面对新车型、新服务产生的新问题，手动维护标签体系效率低下，且无法自动归类到精细化的标签（需覆盖830+个预定义标签），更难以及时聚类发现新兴议题。

•预警与闭环效率低下：问题识别主要靠人工，缺乏基于数据驱动的自动化预警机制，导致问题（尤其是Top 20%的重复性问题）发现滞后，难以实现平均提前5-7天发现问题、未大规模爆发前干预的目标。问题的派发、跟踪、解决、反馈流程自动化程度低，难以形成高效的管理闭环。

•转型需求：亟需引入AI驱动的智能分析引擎，实现对客户反馈的自动化、高精度（情感及意图识别准确率目标达90%以上）解析与标注。需要构建智能化的问题预警系统（预警触发灵敏度提升40%）和自动化的派单与闭环管理流程。

3. 洞察赋能业务价值的愿景与需求：

•洞察与决策脱节：传统的分析结果往往以静态报告形式呈现，与业务部门（如产品、研发、质量、市场、服务）的日常决策和行动流程结合不紧密，难以将客户声音转化为直接的业务改进动力。

•客户体验提升遇阻：由于响应和解决问题的速度与精度不足，影响了客户体验的持续提升，存在客户流失风险。

•转型需求：期望通过数智化平台，将客户洞察转化为可行动的建议和任务，通过可视化看板、自动报告、预警通知等方式，深度赋能各业务环节。目标是在第一年内将主要负面反馈的重复提及频次降低30%，实现关联触点NPS值提升5分，最终通过卓越的客户体验挽回潜在流失客户（预计数千名/年），将VoC从成本中心转变为价值创造中心，巩固市场竞争力。

面临挑战

在实践过程中，合资主机厂面临以下几大痛点：

痛点1：标签体系敏捷性不足与扩展瓶颈

•描述：汽车行业产品迭代快、新功能与服务层出不穷。现有标签体系虽然有标准化基础，但在响应新车型特性、新服务场景（如智能网联功能、用户共创活动反馈等）时，往往依赖人工滞后补充，缺乏自动化识别和动态扩展能力。这不仅导致新出现的用户痛点或需求信号无法被快速、准确地分类归纳，也使得标签维护成本高昂，成为洞察效率的瓶颈。

•示例：当一款新车型增加了“L2+级辅助驾驶”功能后，用户反馈中出现大量关于“自动变道响应迟钝”、“特定路况下ACC（自适应巡航）退出逻辑”等新场景的具体描述。若标签体系不能自动识别并关联到这些新增功能点和具体场景，就需要分析师手动梳理、定义、补充标签，不仅耗时，且可能因理解偏差或遗漏，导致对该核心功能的早期市场反馈信号捕捉不全、不准。

痛点2：问题根源探究能力薄弱，下钻分析受限

•描述：尽管能识别出表层的、宏观的问题（如“抱怨量大”），但现有机制难以自动、有效地将用户反馈进一步下钻，关联到具体的业务环节、产品批次、零部件或软件版本。缺乏从“现象”到“根源”的穿透力，使得问题定位模糊，整改措施难以精准触达用户真实痛点或具体故障点。

•示例：系统能聚合显示大量关于“车机系统卡顿”的反馈。但若无法进一步细分定位，是特定批次的硬件性能不足、是某个版本的系统软件存在内存泄漏，还是特定第三方应用（如在线音乐App）兼容性问题导致的卡顿？这种模糊性使得研发或质量部门难以快速锁定并解决根本原因，只能进行泛泛的优化，效果有限。

痛点3：VoC数据源受限，缺乏全域行业参照系

•描述：许多VoC分析因数据源局限于内部或单一技术生态（如仅抖音系数据）而视角狭隘，错失了跨平台（如汽车之家、微博、微信、快手、小红书等）的完整用户声音。这导致无法建立客观的行业参照基准。作为独立第三方VoC平台，我们整合多元化、跨平台数据源，提供无偏见的全域视野，赋能企业对照真实市场格局进行精准定位与竞品分析。

•示例：单一平台数据可能误判口碑（如某新功能受部分用户欢迎），却忽略了垂直论坛（汽车之家等）的深度批评或社交平台（微博等）的广泛负面传播。我们的全域数据能揭示完整真相，避免战略误判。

痛点4：缺乏整合行业洞察与业务执行的闭环能力

•描述：主机厂核心挑战是将VoC洞察转化为问题行动，远超工具选择本身。通用平台常因缺乏汽车业深度认知与实战经验（Know-How），导致分析脱离业务实际。客户真正需要的是整合型解决方案：它必须融合深刻的行业咨询（理解业务痛点与目标）、高效的数据产品（支撑分析洞察）以及丰富的实战运营经验（指导落地执行，尤其在社媒营销、用户生命周期管理等方面），从而将数据洞察无缝转化为策略制定、行动执行与效果评估的完整闭环。缺少这种从咨询到产品再到运营的闭环整合能力，数据价值就难以有效转化为客户体验提升和实际的商业增长。

•示例：例如，发现用户对“智能座舱个性化”感兴趣（洞察），整合方案能建议营销卖点（咨询）、指导社媒互动与用户培育活动（运营），并将反馈纳入产品迭代（产品），形成价值闭环，而非仅提供分析报告。

数据支持

本“VoC 数据洞察及聚类派单项目”处理的数据具有显著的海量性、多源性、异构性和高时效性要求。

1. 数据类型与来源：

主要处理来自超过15个内外部渠道的客户反馈数据，其中90%以上为非结构化文本数据，包括：

•内部渠道： 400呼叫中心通话录音转译文本、官方APP用户反馈区文本、车机端反馈、经销商服务系统记录等。

•外部渠道：主流汽车垂直媒体论坛（如汽车之家、易车）的发帖与评论、主要社交媒体平台（如微博、微信公众号评论区）的用户评论与提及、第三方质量投诉平台数据、线上调研问卷的开放式问题文本等。

•结构化/半结构化数据： 同时融合处理少量结构化数据，如用户ID、车辆VIN码（用于关联车型配置）、反馈时间、NPS评分、调研问卷选择题结果等，以丰富分析维度。

2. 数据处理量级：

•原始数据接入量：系统设计需具备每月稳定处理超过4.8亿条原始客户反馈记录的能力。

•核心文本处理量：核心的NLP及大模型分析引擎，需具备每日处理超过1600万条文本记录的吞吐能力，完成从清洗、分词到情感、意图、实体、标签识别及聚类的全流程分析。

•数据存储增长：考虑到原始数据、中间处理结果及最终结构化洞察数据的存储需求，预计平台每年将产生TB级别的数据增长，需要具备高可扩展性的存储架构支撑。

3. 数据处理要求：

•时效性：核心目标要求从数据接入到产生初步洞察分析结果（如预警信号、核心标签分布）的端到端处理时效控制在24小时内，相比传统模式（数周）实现数量级提升。

•准确性：对关键分析环节（如情感极性判断、核心意图识别）的准确率要求达到90%以上。

•转化能力：关键在于将海量的、噪音较大的非结构化原始数据，高效转化为结构化的、具有业务价值的、可用于驱动决策和行动的洞察数据点。

应用技术与实施过程

在上海某合资车集团的VoC数据洞察及聚类派单项目中，DIA数皆智能运用了领先的数智化技术，构建了一套从原始数据采集、清洗、处理到深度洞察与闭环管理的全自动化处理链路。此举旨在全面提升该品牌对海量客户需求的捕捉与响应能力，并为企业内部各环节的决策提供精准、高效的数据支持。平台深度融合了自然语言处理（NLP）、大语言模型（LLM）以及智能化数据分析等多项前沿技术，高效地将来自超过15个渠道、月均超过4.8亿条的庞大且多样的非结构化客户反馈，转化为结构化的、蕴含丰富业务价值的洞察，最终形成了具备“预警-追踪-处置-反馈”能力的闭环管理体系。

以下是本项目的关键实施流程与所应用的核心技术详解：

1. 数据预处理：智能化清洗与品牌车型精准提取

项目初期，DIA团队首先对通过多渠道（涵盖400热线通话转录文本、官方APP用户反馈、主流汽车垂直媒体及社交平台评论、线上调研问卷开放题等）采集的原始客户反馈数据进行精密的预处理。鉴于数据来源广泛，原始数据存在格式不一、表述随意、标点混乱、语义混杂等质量挑战。为确保后续分析的统一性与准确性，DIA实施了一套标准化的智能清洗流程，包括：

•文本去噪：自动过滤无关字符、表情符号、冗余信息。

•语言规范：进行停用词过滤、句子切分、标点符号修正、口语化表达规整。

•领域词库应用：特别针对汽车行业特性，DIA构建并应用了包含品牌、车系、具体车型配置、技术术语、零部件名称等的专业词库体系。结合规则模板与先进的实体识别算法，系统能够自动识别并提取反馈文本中提及的品牌、车型、配置等关键实体信息。

•车型自动匹配：开发了自动化的车型信息匹配模块，确保来自不同渠道、表述各异的反馈都能精准映射到对应的品牌与车型，为后续的跨渠道聚合分析与精细化洞察奠定坚实基础。

2. 大语言模型（LLM）驱动的观点精细化抽取

经过预处理的洁净数据，进入由大语言模型（LLM）驱动的核心观点抽取阶段。此过程旨在从客户的自然语言表达中，精准提炼出反映其核心意图与情感体验的结构化信息单元。每个“观点”通常包含“评价对象（主体）”与“具体描述/体验（表达）”两部分，例如将“我的车导航反应有点慢”解析为“导航系统（主体）”+“反应慢（表达）”。

相较于传统依赖固定规则或模板的方法，LLM具备强大的语义理解与泛化能力，能够：

•深度理解复杂表达：有效处理隐性情感、复合句式、多层逻辑关系等复杂语言现象。

•上下文感知：结合语境进行语义分析，自动拆分长文本中的多个独立观点。

•结构化输出：为每条有效观点自动赋予标准化的“主体”与“表达”标签，并保留原始语境信息。

这种基于LLM的处理方式，不仅显著提升了观点抽取的覆盖率与准确性（关键情感及意图识别准确率目标超过90%），也为后续的深度分析和决策提供了更丰富、可靠的语义背景信息。

3. 三级属性标签智能匹配与LLM兜底

观点抽取完成后，系统将每条观点与预设的、符合汽车产品结构的三级属性标签体系进行智能匹配。该体系按照“模块-子系统-功能项”的层级构建（例如：“智能驾驶-辅助驾驶系统-自适应巡航ACC功能”），全面覆盖整车、动力总成、内外饰、智能座舱、信息娱乐、三电系统等关键领域，包含超过830+个预定义标签。匹配过程采用混合策略：

•规则优先：优先利用关键词、实体识别结果和预定义规则进行高效、精准的映射。

•LLM语义兜底：当遇到新车型、新功能相关的反馈，或表达方式模糊，导致规则无法精准匹配时，系统自动调用LLM进行深度语义推理。LLM基于上下文理解，判断该观点最可能归属的标签。例如，用户反馈“夜里开车，后视镜反光太厉害了”，即使没有明确提及“防眩目”，LLM也能推理并将其准确归类至“外后视镜-防眩目功能”。

这一机制极大地提升了标签体系的动态适应性与覆盖完整性，确保了对新兴问题和细微反馈点的及时捕捉，显著降低了人工维护标签体系的滞后性与成本。

4. 产品类观点的问题类型深度划分

对于明确归属于具体产品功能或部件的观点，DIA平台会进一步进行“问题类型”的细化分类，旨在更精确地指导产品优化与业务改进。常见的类型包括：“功能异常”、“使用不便”、“设计缺陷”、“期望落差”等。此分类过程结合了：

•规则语义提示：基于特定词汇、句式模式进行初步判断。

•LLM深度理解：利用LLM对用户反馈的真实意图和问题性质进行深层语义判断。

例如：“踩刹车时有吱吱响”会被归类为“功能异常”；而“感觉座椅调到最低还是有点高”则可能被识别为“设计缺陷”。通过这种精细化分类，DIA不仅实现了问题的自动化归因，更能帮助品牌的产品研发、质量控制及售后服务团队快速定位问题性质，采取更具针对性的改进措施。

5. 语义聚类分析：观点归并与问题簇标签生成

所有经过处理和标注的观点，将进入语义聚类环节。其核心目标是将表述各异但反映相似问题或需求的客户反馈自动聚合在一起，以实现对海量信息的有效收敛和关键问题的快速识别。DIA采用先进的文本向量化技术（如Word2Vec、Sentence-BERT等）和语义相似度计算方法：

•向量化表示：将每条观点转化为高维空间中的向量。

•相似度计算与聚类：基于向量间的距离或相似度，运用聚类算法（如K-Means、DBSCAN等）将语义相近的观点聚集为“问题簇”。例如，“导航经常卡死”、“中控屏反应迟钝”、“车机系统老是无响应”等反馈会被聚合成一个问题簇。

•标签生成与信息展示：系统为每个问题簇自动生成简洁明了的标签（如“中控信息娱乐系统卡顿/响应慢”），并汇总展示该簇下的典型用户反馈、出现频次、情感极性分布、时间趋势等关键信息。

聚类分析结果通过数据可视化仪表盘直观呈现，帮助业务团队迅速把握用户反馈的热点、痛点及潜在趋势，显著提升问题优先级判断与资源调配的效率。

6. 洞察应用与闭环管理

通过上述贯穿始终的处理链条，每一条原始的客户反馈都被转化为蕴含高价值的结构化洞察。这些洞察最终服务于驱动业务改进和提升客户体验。

•实时推送与预警：平台的可视化仪表盘将聚类分析结果、关键问题标签及其趋势实时推送给产品、运营、服务三大相关业务部门，实现对潜在问题的快速预警（预警触发灵敏度提升约 40%）。

•自动化派单与追踪：DIA开发了智能的问题派单功能（一期采用人工派单），可根据问题的严重性、紧急程度、归属部门等预设规则，自动创建工单并分派给相应的处理团队。系统支持对问题的处理状态进行全程追踪，确保每一个客户反馈都能得到及时响应和有效处置。

•成效验证：自该VoC平台上线运行以来，系统展现出强大的处理能力，每日稳定处理的核心文本记录超过20万条。通过精准洞察和高效的闭环管理流程，已初步实现了关键绩效目标：主要负面反馈的重复提及频次下降了约28%（持续向第一年降低30%的目标迈进），关联触点的NPS提升了5分。更重要的是，系统成功构建并实践了“识别-分配-处置-验证”的闭环管理流程，确保品牌能够基于真实的用户声音持续优化产品与服务，有效提升用户满意度和品牌忠诚度，预计每年可挽回数万名潜在流失客户。

商业变化

通过本次深刻的数智化转型，该合资汽车品牌在客户反馈管理领域实现了根本性的变革，成功从依赖传统人工处理、效率较低且响应滞后的模式，跃迁至以智能化技术驱动、能够敏锐洞察并快速响应客户需求的现代化管理新阶段。

与转型前相比，“客户之声 (VoC) 数据洞察及聚类派单”解决方案的全面引入，带来了显著的速度与精准度提升。通过部署智能化的观点自动抽取与问题精准聚类等核心功能，品牌得以更实时、更全面地识别并深度理解海量客户的核心诉求与潜在需求。实时数据分析能力的赋予，使得品牌能够更加迅捷地捕捉市场环境的细微变化并迅速作出响应，显著拉近了企业与客户之间的距离。

在商业价值的实现上，本次转型所带来的成效是多维度且深远的。这不仅仅是技术层面的升级，更是客户体验的一次全面优化：

•客户痛点有效解决：通过建立精准的问题预警系统和高效运转的闭环管理机制，品牌成功将客户反映的主要负面问题的重复提及频率降低了28%。

•客户满意度提升：直接带来了相关客户触点NPS值提升5分，有效提升了客户的整体满意度和对品牌的长期忠诚度。

•商业损失减少：借助平台提供的前瞻性洞察能力，品牌得以主动识别并成功化解了多个处于萌芽状态的关键质量隐患，在问题扩大化之前进行了有效干预。这不仅显著降低了潜在的巨额售后服务成本，更通过卓越的客户体验预计每年挽回数万名潜在流失客户，保护了来之不易的品牌声誉。

此次转型，不仅帮助该品牌在行业内成功树立了“以客户为中心”的数字化运营典范，更重要的是，为企业未来的产品创新、服务升级以及整体业务的可持续、高质量发展，奠定了不可或缺且极为坚实的数据驱动基础。

关于企业

·数皆智能

上海数皆智能技术有限公司（DIA数皆智能）孵化自法国益普索集团，作为一家国内领先的客户体验和增长运营服务商，具备一站式咨询、运营和产品解决方案能力。为企业提供从KOX社媒营销、CRM用户运营、VoC客户之声、AI智能应用的四大板块业务支持。聚焦汽车、泛零售、泛金融、B2B等行业的价值落地，帮助企业实现用户洞察落地，将体验数据真正应用到业务运营当中，实现CLV增长。

·某头部合资汽车集团

某头部合资汽车集团成立于上世纪九十年代，旗下拥有四大生产基地，运营覆盖豪华、主流与新能源在内的多元品牌矩阵，长期保持年销量领先，并跻身世界500强。公司积极推动电动化与智能化转型，持续深化本土化创新，整车出口规模已突破百万辆，始终在引领中国汽车产业的发展方向。

来源：数据猿