{
  "id": "customer-journey",
  "title": "客户旅程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "客户旅程是个人或组织为实现与产品或服务有关的目标而经历的一系列不断演变的活动、互动与体验。",
  "category": "economics",
  "subcategory": "business",
  "type": "concept",
  "aliases": [
    "顾客旅程",
    "消费者旅程",
    "客户决策旅程",
    "购买者旅程"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/customer-journey/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/customer-journey/",
      "json": "https://aiwiki.page/en/customer-journey.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "客户旅程是指个人或组织为实现与产品、服务或供应商有关的目标而经历的一系列活动、互动与体验。它可能在潜在客户接触某家企业之前就已开始，并延续至购买、使用、获取支持、续约、更换或离开等环节。客户旅程既包括比价、退货等可观察到的行为，也包括形成预期、解读信息、重新评估信任等不易直接观察到的过程。\n\n这一概念之所以重要，是因为客户对产品或服务的体验贯穿不同时间和组织边界，而不是由各部门彼此独立的交易简单拼成的。广告可能让客户产生某种预期，实际交付却未能满足；顺利购买之后，安装过程可能困难重重；投诉则可能源于零售商、承运商和制造商之间的协作环节。客户旅程分析将这些片段联系起来，考察它们对客户最终获得的结果及企业绩效的综合影响。\n\n客户旅程是营销、服务研究、设计和管理等领域的研究对象。研究者通过定性旅程图、运营记录和统计模型来呈现客户旅程，各种方式分别捕捉实际体验的不同侧面。客户旅程并不存在一套普遍适用的阶段顺序：应采用何种呈现方式，取决于客户的目标、所处市场、观察时段，以及分析旨在为哪些决策提供依据。"
    },
    {
      "heading": "概念基础与历史发展",
      "text": "客户旅程与客户体验有所区别，但两者密切相关。客户旅程关注随时间展开的活动与接触；客户体验则关注客户对这些活动与接触的反应，包括感知、情绪和判断。组织可以记录一笔已完成的付款，却不知道客户在付款过程中感到的是安心、困惑，还是被迫。反过来，即使没有任何直接接触，客户也可能通过评论、新闻或他人的讲述形成负面印象。\n\n客户旅程视角借鉴了若干既有的研究传统。广告反应和购买行为模型描述了将注意、评估与行动联系起来的过程。消费者决策过程研究考察了问题识别、信息搜寻、备选方案评估、购买以及后续评价。服务研究则进一步关注客户与员工之间的接触、服务交付的协调，以及生产与消费难以分离的特点。这些研究传统为旅程分析提供了重要的组成要素，但并未确立统一的客户旅程模型。\n\n在实际应用层面，一个重要先驱是 G. Lynn Shostack 于1984年在《哈佛商业评论》上发表的文章《设计能够兑现承诺的服务》（Designing Services That Deliver）。Shostack 提出了服务蓝图法，用于呈现服务流程并识别可能出现的问题。服务蓝图追踪支撑服务的组织内部工作，而旅程图通常将客户的活动与视角置于核心位置。这一区分至今仍有价值：尽管一次延误可能涉及多个内部系统和供应商，客户感受到的却可能只是一次原因不明的延误。\n\n数字商务的发展使交易分散到可通过搜索找到的网站、广告平台、移动设备、实体门店和支持渠道，因而提升了人们对客户旅程的关注。麦肯锡研究人员于2009年提出的“消费者决策旅程”框架强调，消费者的考虑与评估过程不一定遵循逐步收窄的漏斗模式。Katherine N. Lemon 与 Peter C. Verhoef 于2016年在《营销学期刊》上发表的文章《理解客户旅程全程中的客户体验》（Understanding Customer Experience Throughout the Customer Journey），整合了有关购买前、购买时和购买后各阶段体验的研究，其中也涵盖了企业无法直接控制的接触。\n\n客户旅程视角也改变了经济分析的单位。交易记录的是一次交换，而旅程还包括使这次交换真正发挥作用所需付出的努力。搜寻、等待、学习、协调和纠正错误，都可能带来可观的交易成本。信息不对称有助于解释客户为何会在作出购买承诺前查阅评论或寻求演示。有限理性则解释了他们为何可能简化比较、推迟决策，或放弃看似有利的交易机会。因此，仅凭价格和已完成的销售，无法理解客户旅程。"
    },
    {
      "heading": "阶段、触点与推进模式",
      "text": "一种常见的宏观分类将客户旅程划分为购买前、购买中和购买后三个阶段。购买前包括识别需求、搜寻信息、评估备选方案，以及决定是否采取行动。购买中包括选择、下单、签约和付款。购买后包括交付、安装、使用、支持、维护、续约、处置，以及可能发生的再次购买。这些分类是便于分析的工具，而非固定的行为规律：下单之后，评估仍可能继续；在持续的服务关系中，同一段旅程也可能包含多次购买。\n\n旅程应从何处开始、到何处结束，取决于所研究的问题。零售商可能考察从访问产品页面到付款的这段过程，而制造商则可能考察从识别需求到多年持有和使用产品的整个时期。这两种范围本身都无所谓对错，但各自都会排除一些可能重要的事件。范围较窄的结账旅程可以揭示支付错误，却可能忽略客户对产品是否适合自己的疑虑。范围较广的产品持有旅程可以发现维护问题，却可能因细节不足而无法诊断某一次具体的结账失败。\n\n触点是客户获取信息、采取行动或形成与旅程有关的印象时所经历的一次接触。触点包括广告、搜索结果、包装、销售交谈、账单、送达通知，以及与其他用户的接触。触点并不等同于渠道。移动应用是一种渠道，而在应用内查看订单状态则是一次具体的互动。单一渠道可以包含多个触点，单项任务也可以跨越多个渠道。\n\n组织对不同触点的控制程度各不相同。企业可以直接塑造自己的网站或员工工作流程，可以与分销商共同影响其产品展示方式，但对独立评论或私人交谈的控制则要小得多。由客户自主开展的活动，例如家庭内部讨论某次购买，即使在卖方系统中不留下任何记录，也可能起到决定性作用。这一区别意味着，不能想当然地认为某个组织能够完全“管理”整段旅程。\n\n实际的旅程经常出现分支、循环、暂停，或在未购买的情况下终止。客户可能先在商店查看一件家电，再到网上比较价格，随后推迟决定，最终购买竞争品牌的型号。续约可能自动发生，客户并未主动重新考虑；而一次服务失误则可能突然使客户重新开始评估。因此，重复行为未必能证明客户有所偏好：习惯、合同限制和转换成本都可能产生类似的行为模式。\n\n旅程还可能涉及目标各不相同的多个人。在企业采购中，使用者、技术专家、采购人员、财务审批人员和法务审核人员可能在不同时间参与其中。家庭购买同样可能由不同的人分别承担付款、选择和使用的角色。将这些情形表示为一个抽象个体的行动路径，会掩盖其中的协商、交接以及相互冲突的判断标准。相比之下，多参与者的表示方式会明确区分所描述的是谁的行动、信息和结果。"
    },
    {
      "heading": "旅程映射与定性研究",
      "text": "客户旅程映射以直观呈现先后顺序、依赖关系和问题的形式来描述旅程。典型的旅程图会沿一条轴排列阶段或事件，再分层添加客户目标、行动、渠道、疑问、情绪反应及佐证材料。有些旅程图还会展示负责团队、运营指标和改进机会。相较于视觉布局，证据基础更为重要：如果一张图只是复现了员工的假设，即使绘制得十分详尽，也仍可能不准确。\n\n研究方法上的首要任务是界定范围。一项有用的研究应明确行动主体、目标、触发情境、起点、终点及相关背景。相比“使用交通工具”，“为一条不熟悉的路线购买火车票”的范围更清晰，也更便于理解。背景情境可能显著改变旅程：续办公交月票的通勤者、比较路线的偶尔出行者，以及因原车票对应车次被取消而重新购票的乘客，可能使用同一款应用，却面临不同的不确定性和时间限制。\n\n证据通常来自访谈、情境观察、日记、可用性研究、投诉、客服记录和交易数据。访谈有助于还原参与者的目标及其对经历的理解，而观察则能发现参与者忽略或难以描述的行为。对于持续数天或数周的旅程，日记十分有用，因为它能减少对单次回顾性叙述的依赖。运营记录可以确定事件发生的时间和频率，但要解释某个事件为何重要，通常仍需借助定性分析。\n\n抽样决定了旅程图呈现的是谁的旅程。只研究购买者，就会排除中途放弃的人；只研究注册用户，就会排除无法或不愿创建账户的人。语言、残障状况、数字技术与设备的可及性、既往经验、紧迫程度和经济资源的差异，都可能产生截然不同的路径。如果招募参与者的前提是能够成功使用受研究的界面，那么无障碍方面的障碍尤其容易被低估。只有当群体划分对应着目标或限制条件上的实质差异，而非仅仅是点缀性的群体人口特征描述时，这种划分才最有价值。\n\n旅程图还需要明确其与时间的关系。现状旅程图描述已有的旅程，而未来旅程图则提出重新设计的旅程。综合多名参与者的经历形成的体验，并不是对某一个人行为的如实记录。同样，除非情绪曲线的数值来自明确界定的测量程序，否则它通常只是定性综合的结果。分别标明证据、推断和提议，可以避免视觉呈现所暗示的确定程度超出研究证据所能支持的范围。\n\n旅程图可以与服务蓝图结合使用，将客户可见的事件与后台工作联系起来。例如，“等待退款”可能取决于仓库验货、支付授权、会计规则和通信系统。将这些依赖关系绘制出来，就能解释为什么仅仅修改通知可能无法解决延误问题。由此形成的图示将客户遇到的问题与造成这一问题的运营条件联系起来。"
    },
    {
      "heading": "渠道、中介与数字基础设施",
      "text": "在全渠道零售中，客户为实现一个持续的目标，会在门店、网站、应用程序、联络中心及其他渠道之间切换。关键不只是提供多个渠道，而是确保信息和服务在这些渠道之间保持连贯。客户在线预订商品后到店提货，会期望预订信息、价格、付款状态和提货说明始终一致。\n\n要实现这种连贯性，就需要协调那些往往独立发展起来的系统。产品信息、可售库存、客户账户、订单处理信息和客服记录可能分散在不同的数据库中。应用程序编程接口可以让这些系统交换信息，但仅有技术上的互联，并不能保证各系统对信息含义的理解一致。一个系统可能在付款获得授权时将订单认定为完成，另一个系统则以商品发出为准，还有一个系统以确认送达为准。即使每个系统都按设计正常运行，这类差异仍可能导致相互矛盾的消息。\n\n运营基础设施之所以重要，是因为在线作出的承诺必须通过实际履约或合同履行来兑现。网站对送达时间的估计，取决于存货记录的准确性、仓库处理能力、承运商的表现，以及更广泛的供应链状况。在电子商务中，将实际缺货的商品显示为有货，可能早在客户收到取消通知之前，就已造成客户旅程中的失败。反过来，即使库存记录准确，如果界面没有区分发货时间和送达时间，也仍可能让客户失望。\n\n中介的介入使责任归属变得复杂。一段旅程可能始于搜索引擎，继而转向在线交易市场，使用第三方支付系统，最后由配送服务商完成交付。每个参与方只能看到流程的一部分，也可能各自围绕不同目标进行优化。交易市场可能优先考虑快速下单，而卖家则需要向客户说明配置要求。即使合同责任分属多个组织，客户仍可能将这些安排视为一项完整的服务。\n\n跨渠道识别同一个人是另一项重大难题。浏览器标识符、设备标识符、电子邮箱地址、账户和付款记录不能相互等同。共用设备可能把多个人的活动混在一起，而同一个人使用多台设备，又可能使一段旅程被拆分成多个片段。身份解析可以采用直接关联账户或概率匹配的方式，但两种方法都可能出错。未能匹配的事件不一定无关，而即使某份用户档案的匹配置信度很高，也不一定准确。\n\n自动化界面又增加了更多衔接环节。聊天机器人或许能回答常规问题，但在将问题转交员工时，可能无法保留上下文。有效的交接需要提供相关历史记录，清楚说明已经尝试过的操作，并配备适当的访问控制。人工智能的进步可以改变互动的实现方式，却不能消除对准确记录、授权规则的依赖，也不能免除人类对具有重大影响的决策所承担的责任。"
    },
    {
      "heading": "衡量、客户成效与经济价值",
      "text": "客户旅程的衡量结合了行为、运营、态度和财务指标。行为指标包括任务完成、放弃、重复使用和续约情况。运营指标包括等待时间、交付可靠性、错误率和问题解决时间。态度指标反映客户自报的满意度、付出的精力、信心或推荐意愿。财务指标包括收入、贡献收益、获客成本、服务成本和客户留存价值。没有任何单一指标能够涵盖所有这些维度。\n\n计算比率时，必须仔细界定分母和观察窗口。阶段转化率可表示为\n\n\\[C_i=\\frac{N_{i\\rightarrow i+1}}{N_i},\\]\n\n其中，\\(N_i\\) 是进入阶段 \\(i\\) 且符合统计条件的旅程实例数量，\\(N_{i\\rightarrow i+1}\\) 是在观察窗口内进入所定义的下一阶段的实例数量。统计单位可以是个人、账户、会话或订单；单位不同，指标的含义也随之改变。表面上的放弃可能包括客户稍后返回、在其他地方完成任务，或发现没有必要购买等情况。\n\n时间指标也不能只看平均值。问题解决时间的中位数可能有所改善，但一小部分客户遭遇的延误却可能大幅增加。百分位数、重复联系次数的分布，以及按旅程类型划分的成效，都能揭示汇总数字所掩盖的问题。重复联系并不一定意味着失败：复杂的安装工作确实可能需要多次沟通。其意义取决于这些联系是在推进客户目标的实现，还是仅仅在重复信息。\n\n调查指标提供了另一种视角。客户满意度得分通常汇总受访者对某个具体满意度问题的回答。客户费力度指标询问完成任务的难易程度。弗雷德里克·F. 赖希尔德于2003年提出的净推荐值，采用从0到10的十一点评分量表，以推荐可能性评分为9分或10分的受访者比例，减去评分为0至6分的受访者比例。这些测量工具的用途各不相同，任何一种都不能直接确定客户未来的购买行为，也不能直接说明客户作出正面评价的原因。\n\n客户终身价值将持续的客户关系与预期经济回报联系起来。一种计算方式是\n\n\\[\\mathrm{CLV}=-A+\\sum_{t=1}^{T} \\frac{p_t(R_t-K_t)}{(1+r)^t},\\]\n\n其中，\\(A\\) 为获客成本，\\(p_t\\) 为客户关系在第 \\(t\\) 期仍然活跃的概率，\\(R_t\\) 为关系保持活跃时的预期收入，\\(K_t\\) 为相应的相关成本，\\(r\\) 为折现率。这是将现值的思路应用于不确定的未来贡献收益。计算结果在很大程度上取决于对客户留存、成本和预测期限的假设。\n\n企业价值与客户利益可能并不一致。繁琐的取消流程可能暂时保住收入，却给客户带来他们不愿承担的成本。高留存率可能反映的是供应商锁定，而非客户满意。借助消费者剩余和机会成本来解读指标，可以看清这些差异：即使时间、精力和放弃的其他选择没有体现在服务提供方的账目中，它们也同样重要。"
    },
    {
      "heading": "序列分析、归因与因果推断",
      "text": "数字记录使分析人员能够研究有序的事件序列，而不只是孤立的互动。一条基本事件记录包含旅程实例的标识符、活动标签和时间戳。其他字段可以描述渠道、设备、产品、员工团队或结果。分析之前，必须检查事件数据是否存在重复、记录缺失、时钟不一致以及数据采集机制变更等问题。界面重新设计后，即使实际行为没有变化，记录下来的内容也可能发生改变。\n\n流程挖掘利用事件日志发现或评估流程模式。它可以揭示常见路径、反复出现的循环、瓶颈以及偏离既定程序的情况。例如，在退货旅程中，日志可能显示，有些个案反复在客户支持与仓库审核之间流转。这些发现能够识别运营模式，但仅凭这些发现，无法确定客户如何理解这一过程，也无法确定反复流转的原因。\n\n统计模型提供了其他表征方式。转移模型可以描述客户在考虑、购买、使用和不活跃等状态之间的转换。简单的一阶模型假设，下一个状态取决于当前状态，而不是此前的全部历史。当反复出现的问题或先前作出的承诺会影响后续决策时，这一假设可能并不充分。生存分析则研究购买或取消等事件发生前所经历的时间，并且能够处理测量结束时最终结果仍未知的观测数据。\n\n营销归因将某一结果的功劳分配给该结果发生之前的各次互动。末次点击归因将功劳归于最后一次被记录的互动；首次点击归因强调最初的互动；其他规则则将功劳分配给多次接触。基于模型的方法可以利用观测到的序列模式来估计各次互动的贡献。然而，归因所分配的功劳并不一定等同于增量效应。已经打算购买的客户，可能在购买前不久接触到一则广告，因此，这则广告虽有预测价值，却未必在因果意义上起决定性作用。\n\n区分预测与因果关系至关重要。联系客户支持的客户，后续取消的比例可能较高，原因是他们本来就遇到了严重问题，而不是联系客户支持导致了取消。同样，忠诚度计划会员的消费额可能更高，是因为经常购买的客户更有可能加入该计划。控制已记录的变量或许可以减少部分差异，但仍无法消除未观测到的混杂因素的影响。\n\n随机对照试验可以通过比较经适当分组的干预组与对照组，估计某项明确干预措施的效果。客户旅程实验可以改变配送信息、新用户引导支持或提醒的发送时机。结果观测窗口十分重要：某项改变在提高即时转化率的同时，也可能增加退货或后续取消。反复测试、用户之间的溢出效应，以及不同渠道实施干预时的不一致，都可能使结果难以解释。机器学习可以识别可能流失的客户，或预测客户的下一步行动，但仅凭预测准确性，无法确定哪种干预措施能够改善客户的结果。"
    },
    {
      "heading": "服务设计、运营协调与服务补救",
      "text": "当旅程分析将观察到的问题与服务交付方式的改进联系起来时，它才能在运营中发挥实际作用。并非所有困难都是界面问题。令人困惑的状态提示可能源于措辞不清，也可能反映出组织本身无法确定订单状态。区分表象与成因，可以避免表面上的改进掩盖尚未解决的问题。\n\n一种常见的区分是将不必要的付出与必要的保障措施分开。重复输入已经提供的信息，可能是可以避免的阻碍；而在提供敏感记录前核验访问权限，则可能必不可少。因此，更快地完成流程并不总是恰当的设计目标。真正需要考察的是，每个步骤是否有助于客户实现正当目标、作出知情选择、保障安全，或满足必要的运营要求。删去一段说明或许能缩短流程，却也可能加深误解。\n\n业务流程管理将客户旅程的结果与产生这些结果的活动及职责联系起来。一段跨越销售、履约、计费和支持环节的旅程，可能没有任何一个部门对最终结果承担整体责任。各部门的绩效目标因此可能相互冲突：联络中心可能力求缩短通话时间，仓库可能为提高效率而集中处理退货，财务部门则可能等到检验完成后才退款。每个团队都可能达成自己的目标，客户却仍在等待，并反复联系组织。\n\n协调一致的重新设计通过统一定义、明确交接安排，以及落实异常情况的处理责任，来应对这些相互依赖的关系。以一个假设的退款流程为例，这可能意味着区分收货与检验两个环节，告知客户预期的下一步，并明确员工在什么情况下有权批准处理方案。其目的未必是取消部门之间的专业分工，而是确保交接时一并移交下一项活动所需的信息与权限，而不只是把个案转入另一个待处理队列。\n\n服务补救关注的是服务失误发生后的应对。其重要内容包括承认问题、说明已知情况、纠正根本问题，以及提供适当的补救措施。研究探讨过一种“服务补救悖论”：有些客户在经历出色的补救后，报告的满意度高于服务全程未出差错时的满意度。这类发现有其成立条件，并不意味着制造服务失误是有益的。反复出现的问题、严重损失，以及被归因于不公平对待的服务失误，都可能带来截然不同的结果。\n\n可以通过成本收益分析来评估改进事项的优先级，综合考虑问题的发生频率、严重程度、实施成本，以及对不同客户群体的影响。发生频率高的问题不一定影响最大：某种罕见故障若会妨碍客户获得基本服务，就可能比常见但仅影响外观的不便更值得关注。衡量方式也会塑造激励。根据古德哈特定律，一项衡量指标一旦被用作目标，就可能不再能准确反映其背后的真正目标——例如，员工迅速结案，却没有实际解决问题。"
    },
    {
      "heading": "数据治理、伦理边界与局限",
      "text": "旅程分析可能需要关联在不同情境下、出于不同目的收集的信息。数据治理明确界定数据定义、质量、访问、保留和许可用途等方面的责任。缺乏数据治理，组织可能会合并互不兼容的记录、不必要地保留信息，或让面向客户的决策依赖不准确的客户画像。治理涉及整个分析过程，而不仅仅是最终数据库的安全。\n\n数据隐私尤为重要，因为详尽的旅程记录可能揭示个人的兴趣、日常习惯、人际关系、所在位置及易受伤害之处。欧盟《通用数据保护条例》于2018年5月25日起适用，确立了目的限制、数据最小化、准确性、存储期限限制和问责等原则。同意只是数据处理的一种可能的法律依据，不能一概用来替代对特定用途是否合法的评估。即使各个来源的数据都是合法收集的，跨系统关联数据仍可能产生新的隐私问题。\n\n假名化并不一定能使旅程数据匿名化。稳定的标识符仍可用于关联多次活动，而时间戳、位置或独特行为的组合也可能使身份识别成为可能。因此，访问控制、保留期限限制和二次使用限制仍然重要。汇总可以降低部分风险，但也可能掩盖影响小群体的严重问题，使分析的细致程度与防止隐私暴露之间形成现实的权衡。\n\n个性化会引出公平性与自主性问题。不同的界面、优惠或支持级别可能有助于满足不同需求，但也可能将客户引向主要有利于提供方的结果。暗黑模式是操纵或阻碍用户选择的界面设计做法，例如让订阅流程十分简便，却让取消订阅变得不必要地困难。通过制造困惑或设置障碍来实现高转化率的旅程，并不等同于帮助客户作出知情决策的旅程。\n\n这一概念在方法上也有局限。旅程图可能让不规则的行为显得比实际更有条理，而事件日志则偏重特定系统能够观察到的行为。回顾性叙述会受到记忆的影响，问卷回答则取决于调查时机和措辞。客户的目标可能在旅程中发生变化，因此，未能完成最初推断的任务，可能代表一种合理的决定，而非体验存在缺陷。组织边界、文化预期和市场条件也进一步限制了将某一旅程模型迁用于其他情境的可行性。\n\n研究报告只有区分直接观察、参与者陈述、统计推断和设计提案，才最便于理解和解读。报告还需要明确其涵盖的人群、时期、渠道和结果。根据近期成功购买者绘制的旅程图，无法说明长期用户或从未获得使用机会者的体验。在重大价格调整、平台改版或分销中断之前训练的模型，即使对历史数据仍有很好的拟合效果，也可能已无法描述当前行为。"
    }
  ],
  "links": [
    "transaction-cost",
    "information-asymmetry",
    "bounded-rationality",
    "accessibility",
    "omnichannel-retailing",
    "application-programming-interface",
    "inventory",
    "supply-chain",
    "e-commerce",
    "online-marketplace",
    "payment-system",
    "artificial-intelligence",
    "present-value",
    "vendor-lock-in",
    "consumer-surplus",
    "opportunity-cost",
    "causation",
    "randomized-controlled-trial",
    "machine-learning",
    "business-process-management",
    "cost-benefit-analysis",
    "goodharts-law",
    "data-governance",
    "data-privacy"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}