自由地收集與分析數據

Walla 的存在目的，是為了創造一個任何人都能更輕鬆處理數據的世界。「處理數據」這件事大致可分為「收集」與「分析」，而許多知名的表單建立工具通常專注於「收集」階段，例如提供多樣化的回覆欄位、設計完善的範本、以及可客製化的設計等。

當然，Walla 也以高效率的數據收集為目標。我們提供超過 20 種回覆欄位、個人資訊收集與使用同意書、以及簡潔俐落的設計，這些都是我們努力的一部分。

然而，如果有人問 Walla 的核心價值是什麼，答案將是「分析」。這源於至今許多企業仍在經歷的數據分析流程的低效率問題。

讓我們回想一下透過問卷調查收到開放式回答的經驗。像是「請寫下需要改善之處」、「請寫下您的意見與問題」這類的主觀題，是我們都曾問過、也曾回答過的問題。三四十則的開放式回答，或許花一兩個小時就能完成分類，但對企業來說，問題遠不止於此。

以顧客滿意度調查為例，企業每月會收到一萬到近十萬則的回覆。若舉辦活動，平均會收到二十萬到五十萬則的回覆。因此，Walla 遇到的研究人員平均花費超過 15 個小時在數據分析上，這一點也不奇怪。

由於人力幾乎不可能逐一分類和分析所有回覆以得出有意義的洞察，大多數企業選擇了僅選擇性地應對開放式回答的策略。這種傳統的、消耗性的且有限的數據分析方式，正是 Walla 如此執著於更有效率的「分析」的原因。

一個沒有數據被浪費的世界

Walla 相信，善於利用數據的企業能實現更有效率的成長，而在一個沒有數據被浪費的世界裡，人們能做出更佳的判斷。現在，我們將介紹能讓我們向這個世界邁進一步的 Walla 核心服務——「開放式回答分析」！

讀懂數據中蘊含的情感

Walla 能自動分類數萬則顧客問題回覆中所蘊含的情感。回覆的分類標準並非固定，可根據企業需求進行客製化。最常見的分類標準是「正面、負面、中性、無意義」四種，範例如下：

• 「這項產品真是太棒了！」⇒ 「正面」

• 「服務不好，讓我很難過。」⇒ 「負面」

• 「或許還不錯。」⇒ 「中性」

• 「...」、「ooooo」⇒ 「無意義」

這樣的分類運用了 Walla 的自然語言處理（NLP）和機器學習技術。其原理是將收到的開放式回答轉換為電腦能理解的數字，然後計算新數據與已學習的正面、負面等情感之間的距離，從而進行情感分類。

一旦根據情感對回覆進行分類，其用途也變得明確。透過正面回覆，企業可以了解顧客對哪些服務充滿熱情，並決定要維持或發展哪些功能。透過負面回覆，則可以掌握需要改善和補強之處。這成為處理顧客回饋最簡單且明確的分類體系。

讀懂數據中蘊含的情境

Walla 不僅能分類情感，也能分類情境。這怎麼可能呢？

Walla 使用的語言模型將世界上所有存在的情境與脈絡劃分為 1,536 個維度。此時，意義相近的回覆會被放置在相近的位置。與情感分類相似，它是根據回覆之間的距離來判斷分類的。例如，因服務無法使用而要求退款的情境，會比稱讚服務的情境，更接近於因功能錯誤而表達不滿的情境。

像這樣根據距離將維度分組，並為這些維度貼上「退款」、「改善建議」、「稱讚」、「錯誤回報」等標籤，開放式回答的分類就完成了！企業可以預先提供想要的分類標準（監督式學習分類），也可以在沒有固定分類標準的情況下，僅要求透過回覆間的距離進行分群（非監督式學習分類）。

Walla 的回覆分類技術可以有無限的應用。例如，可以將回覆分配給技術支援、行銷、策略規劃等不同部門以釐清權責，也可以根據職級或子公司等標準進行分類。

未來理所當然的故事

一家透過 Walla 進行顧客滿意度調查的企業，正利用情感與情境的雙重分類系統，將被浪費的數據降至最低。

當收到像「我擔心我的密碼會不會被洩露」這樣的開放式回答時，Walla 會先將此回答的情感分類為「負面」，接著再將其對應的部門分類為「資安」。資安部門就能根據這些回饋，更加努力地保護顧客的個人資訊。

為了實現「自由地收集與分析數據」的目標，Walla 的技術真正地將人們從開放式回答的分析中解放出來。實際上，使用 Walla 的客戶企業，其顧客體驗（CX）團隊已擺脫了單純的數據處理工作，將他們的精力與專業投入到更複雜、更具創造性的問題解決上。當然，在開放式回答分析上所花費的時間、精力，以及支付給研究人員的費用，都實現了成本效益最佳化。

我們認為，Walla 將改變的數據分析的未來，其實是一個未來理所當然的故事。因為我們相信，這是為了做出更佳判斷、實現更快成長而能自信推薦的效率提升方案。現在，我們正處於那個理所當然的開端。