Qualtrics 发布客户情绪价值研究报告：情绪比成功与费力度更能预测忠诚度

客户从三个维度感知他们与组织之间的体验：

1. 成功：他们是否实现了目标？
2. 费力程度：互动有多轻松？
3. 情感：体验让他们感觉如何？

虽然这三者都很重要，但在情感方面表现卓越的公司，其股票回报率比行业同行高出 36 个百分点。然而，在 Experience Management Institute 追踪这三个维度的 14 年中，情感得分始终落后于 成功和 费力程度指标两位数。

这些发现揭示了一个普遍的盲点。我们对 350 多个品牌的分析显示，在我们衡量的所有指标中，包括信任度、NPS（净推荐值）和复购意向，情感对顾客忠诚度的预测能力都优于 成功或费力程度。尽管存在这种明显的关联，但顾客的情感状况正在恶化。自 2017 年以来，快乐、兴奋和宽慰感均下降了多达 9 个百分点，即使企业在功能性体验改进上投入了数十亿美元。

为什么情感主导客户决策

答案在于我们的大脑如何做决定。人脑处理情感的速度远快于理性思考，95% 的决定发生在潜意识层面。我们在思考之前先感受——最终驱动我们选择的是那些感觉，而不是我们的理性分析。

这种生物学现实解释了为什么情感在我们的研究结果中占据主导地位。这并不是说顾客重视感觉胜过功能；而是感觉决定了他们如何感知和记忆功能性体验。然而，组织仍然在为那 5% 的意识处理设计体验，在运营卓越性上投入数十亿美元，却将情感影响留给直觉和偶然。

在这项研究中，我们借鉴了跨度近 15 年、涵盖数百个品牌和数千名客户的多个纵向研究，以考察这一情感差距的规模以及如何设计与客户产生情感共鸣的体验。数据显示，将情感视为“软”指标的组织正在错失顾客忠诚度和财务业绩的最强驱动力。

情感连接的财务价值

情感连接的商业案例远超传统的 CX（客户体验）指标。我们的研究表明，情感推动卓越的财务业绩，比功能性指标更准确地预测顾客忠诚度，并代表了客户体验中最大的机会差距。然而，尽管具有这些优势，组织在情感方面仍然表现不佳，而客户对其体验的感受却在稳步恶化。

为了了解情感影响的规模以及组织未能提供情感体验的程度，我们进行了四项互补的研究，分别从股票表现、忠诚度预测、历史趋势和情感构成的变化等不同角度审视情感。

研究 #1：情感领导者跑赢市场

我们对 40 家上市公司进行的为期四年的纵向研究发现，情感领导者持续跑赢股票市场，而情感落后者则日益掉队（方法论 #1）。

作为该分析的一部分，我们发现：

• Emotion领导者跑赢其所在行业10个百分点。拥有最高emotion评分的公司，在2021年初与各自行业指数持平，但随后稳步领先，到2024年底比行业平均水平高出10个百分点。
• Emotion落后者落后其所在行业26个百分点。拥有最低emotion评分的20家公司经历了加速下滑，尤其是在2023年之后，期末比其行业基准低26个百分点。
• 领导者与落后者之间的差距急剧扩大。从2021年的接近零开始，emotion领导者与落后者之间的差距在市场波动中逐年扩大。这种由情感驱动的差距比我们使用综合success, effort,和emotion评分衡量的整体CX领导者与落后者之间23点的市场表现差距大12点。

研究#2：Emotion比功能性指标更能预测忠诚度

我们对22个行业的354个品牌进行的分析发现——与success和effort相比，emotion与客户信任、原谅、复购和推荐组织的可能性相关性最强（方法#2）。自2011年以来的14年研究中，这一发现一直保持一致——在我们进行的每一次年度研究中，emotion都是忠诚度的更优预测指标。

在我们最新的消费者研究中，我们发现：

• 情感连接的客户信任品牌的可能性高出5.7倍。当客户给出高emotion评分时，80%的人信任该品牌，而低emotion评分者中仅有14%——这是一个5.7倍的乘数。这超过了effort（5.0倍）和success（3.7倍）的预测影响，表明客户的感受比单纯的功能交付更重要。
• Emotion驱动原谅和复购意向。高emotion评分与原谅度增加4.6倍相关（67%对15%），超过success（3.1倍）和effort（3.8倍）。对于购买意向，85%的高emotion评分者表示将增加购买——这是一个5.1倍的乘数，再次超过了success（3.8倍）和effort（4.8倍）。
• Emotion预测强烈的拥护行为。给出高emotion评分的客户产生的NPS为73，而低评分者仅为7——这是一个11.1倍的乘数，远超success（5.8倍）和effort（8.7倍）的影响。这种显著差异意味着情感连接的客户不仅保持忠诚，还可能成为积极的拥护者，通过口碑放大增长。

研究#3：持续存在的情感差距

尽管emotion在驱动忠诚度和财务绩效方面具有明确价值，但组织在这一维度上连续14年表现不佳——这一差距没有缩小的迹象（方法#3）。

我们的纵向分析显示：

• Emotion始终是得分最低的CX维度。在整个期间内，消费者对emotion的平均评分比success和effort至少低11分。
• 2020年的疫情对所有维度均产生了同等影响。尽管三项指标在2020年均出现暴跌——其中情感降至44%的低点——但相对表现差距保持不变，这表明这是一个无论外部条件如何变化都会持续存在的结构性问题。
• 组织继续错失潜在价值。2024年情感得分仅为55%，而成功得分为66%，努力得分为65%——企业在最能预测忠诚度和财务表现的维度上系统性地未能充分交付价值。

研究#4：不断恶化的情感格局

虽然整体情感得分已从疫情期间的低点恢复，但客户体验到的具体情绪正以令人担忧的方式发生变化。将2024年与2017年在八种常见客户互动中进行比较，结果显示积极情绪系统性下降，而消极情绪依然存在（方法论#4）。

当我们分析特定情绪的普遍性时，发现：

• 大多数积极情绪正在下降。自2017年以来，快乐和宽慰均下降了9个百分点，兴奋度下降了6个百分点，信心下降了4个百分点——这表明建立客户忠诚度的各类积极感受正在系统性侵蚀。
• 消极情绪依然顽固存在。虽然积极情绪大多有所下降，但困惑（+1个百分点）、愤怒（+1个百分点）和担忧（+1个百分点）均略有增加，这表明组织不仅未能让客户感到愉悦，反而在主动制造更多摩擦和焦虑。
• 感激是唯一亮点。感激情绪上升了2个百分点，是唯一呈上升趋势的积极情绪，为客户情绪总体负向轨迹提供了一个小小的反例。

建立情感连接的五大实践

情感已证实的价值与组织表现之间的差距既是一场危机，也是一个机遇。那些继续将情感视为软性指标的企业，将眼睁睁看着竞争对手攫取他们错失的忠诚度和财务回报。但那些愿意在体验中系统性地构建情感连接的企业，可以释放巨大的竞争优势。

为了弥合当前实践与具有情感共鸣的体验之间的差距，我们确定了领先组织用于系统性建立情感连接的五项基于证据的实践：

1. Measure specific emotions, not generic satisfaction. Generic satisfaction scores mask the emotional nuances that drive behavior. Research shows that measuring discrete customer emotions – like gratitude, confidence, and anxiety – predicts customer behavior more accurately than traditional CSAT. Start by identifying specific emotions tied to your brand promise and critical journey moments, then embed them into existing measurement programs. For instance, if your brand promises "peace of mind," explicitly measure that promise in relationship surveys, then track the underlying emotions of relief and confidence after support interactions. These emotion scores will monitor how well you're living up to your brand and serve as powerful inputs for predictive models and personalization strategies.

   + 示例：一家全球医疗保健提供商将“爱”作为其核心情感指标，并将其定义为“超越理性的忠诚”。在实施该方法之前，该公司研究了客户真正喜爱的品牌属性，识别出可应用于医疗保健领域的模式。现在，他们要求客户将品牌归类为喜爱、朋友、熟人或不喜——将组织视为人来揭示更深层次的情感连接。这种测量方法不仅跟踪了其情感目标的进展，还有助于识别被喜爱品牌的具体属性，从而融入其体验设计中。

2. Use behavioral signals to detect and respond to changing emotional states. While customers can reliably report conscious feelings, behavioral signals capture emotional responses in real-time across your entire customer base. These signals reveal immediate emotional reactions as they occur (e.g., rage-clicking shows frustration, all-caps typing indicates anger, backtracking suggests confusion), enabling intervention at the moment of emotional distress rather than after damage is done. Identify some behavioral indicators that correlate with certain emotional states in your critical journeys, like session duration and authentication failures for digital channels or rising pitch and increased interruptions for contact center calls. Once you identify these patterns, you can trigger targeted emotional interventions – launching proactive chat when confusion patterns emerge, coaching agents to shift approach when voice stress peaks, or simplifying processes where anxiety consistently spikes.

   + 示例：一家全球金融科技提供商通过将客户反馈与运营及行为信号相结合，在情绪风险升级前进行检测，从而提升了流失预防效果。该公司构建了预测模型，用于识别表明挫败感或脱离感加剧的特定行为序列——例如支持工单增加、付款延迟和产品使用率下降。当系统检测到早期预警模式（例如六个高风险指标中出现四个）时，会自动触发个性化外联。AI 会根据类似情境下的成功留存模式，为账户团队生成定制化的外联指导。

3. Design for emotional peaks and endings, not averages. According to the peak-end rule, a cognitive heuristic, customers judge experiences based on their most intense moments and how they conclude, not their overall quality. A mostly pleasant journey with a terrible ending creates worse memories — and thus lower loyalty — than a difficult journey with a positive conclusion. Yet most organizations distribute improvement efforts evenly across touchpoints, missing the moments that actually shape memory. To design for this heuristic, map your critical customer journeys to identify emotional highs and lows, and then disproportionately invest in these memory-making moments. You should also get painful but necessary experiences (verification, payment) over with early, and create positive emotional peaks through unexpected moments of care. Most critically, ensure every interaction ends on a high note.

   + 示例：一家全球支付公司通过对客户服务通话进行情感分析，验证了峰终定律。在对数千个通话录音的情感进行建模后，该公司将通话分为四个片段，发现最后一个片段对整体满意度的预测性最强。这一洞察改变了他们的辅导方式——团队领导不再试图优化整个对话过程，而是现在专注于让坐席在关键片段中创造积极时刻并确保良好的通话收尾。该公司已开始识别能够产生情绪转折点的特定词汇和短语，使坐席能够有意识地设计令人难忘的峰值体验和积极的结尾，而不仅仅是高效地解决问题。

4. Choose channels based on emotional needs, not just efficiency. Not all customer interactions require the same emotional capability. While automation might reduce costs and excel at routine tasks, applying it everywhere removes the human moments that build lasting loyalty. The most successful organizations deliberately match channel capabilities to emotional requirements. Start by categorizing interactions by emotional intensity. Automate low-emotion tasks like password resets where speed matters most. Reserve human agents for emotionally charged situations — service failures, life events, first purchases — where human connection matters most. For the middle ground, develop hybrid approaches like AI that detects emotional escalation and smoothly transfers to trained agents or agents supported by real-time emotion coaching tools.

   + 示例：一家大型银行的虚拟助手展示了基于情绪的复杂渠道路由能力，它能处理超过 700 种不同的客户意图，并根据情绪语境自动引导交互。当客户咨询诸如路由号码或账单支付等常规事项时，AI 平均在 48 秒内在其界面内处理这些请求。然而，当系统检测到情绪敏感的情况——例如客户在询问遗产管理时提及亲人去世——它会立即识别对话的情绪分量，并将客户无缝转接至遗产服务团队的专门人工坐席。这种“高科技，高接触”的方法帮助该银行实现了 98% 的首次联系解决率，同时保持了在全国银行中最高的客户满意度评分。该系统区分功能需求和情感需求的能力，确保了 50% 常规交互的效率，同时在最重要的时刻保留了人类的同理心。

5. Use emotional insights to identify innovation opportunities. Customers can't request solutions they can't imagine, but their emotional patterns can illuminate unmet needs. The emotional data you collect provides a systematic way to spot these innovation opportunities across your entire customer base. Build regular practices to mine these insights. For example, hold monthly reviews of emotional data to identify recurring patterns. When you spot consistent emotional responses — whether negative (anxiety, frustration) or positive (delight, relief) — dig deeper to understand what's driving them. Reframe these patterns as innovation challenges: "How might we eliminate payment anxiety?" yields different solutions than "How might we speed up payments." Enrich your journey maps and design sprints with emotional data showing how customers actually feel at each touchpoint. This combination of emotional measurement and design thinking helps transform feelings into focused innovation priorities.

   + 示例：一家非营利组织利用情感洞察通过设计思维转变其会员入职流程。旅程映射显示，由于权益信息在数周内通过多个渠道零散到达，新会员感到困惑和焦虑，这引发了关于会员状态的不必要支持电话。CX 团队将这种情感模式重构为一个创新挑战：“我们如何将入职困惑转化为鼓舞人心的第一印象？”在他们的体验原则（懂我、轻松、鼓舞人心）指导下，他们原型化了一个整合的欢迎盒，将所有材料——卡片、杂志、权益指南和高级礼品——捆绑在一个连贯的抵达时刻中。这一由情感驱动的创新减少了新会员的支持电话，同时提高了满意度评分。

情绪作为差异化因素

情绪并非一项软性指标——它是预测客户忠诚度和财务表现的最强因素。在情感连接方面表现卓越的公司，其股票回报率比所在行业平均水平高出 36 个百分点，并且所培养的客户信任度高出 5.7 倍、宽容度高出 4.6 倍、倡导意愿高出 11.1 倍。

然而，在长达 14 年的研究中，组织在情绪方面的表现始终不佳，而客户的正面感受也在稳步恶化。这一差距代表了当今客户体验领域最大的未开发机遇。上述五项实践提供了一条系统化的前进路径：衡量与品牌承诺相关的离散情绪，利用行为信号进行实时情绪检测，设计创造记忆的峰值和结尾，使渠道能力与情绪强度相匹配，并挖掘情绪模式以寻找创新机会。

问题不在于情绪是否重要——数据已无可辩驳地证明了这一点。问题在于，当竞争对手通过情感连接体验获取忠诚度和财务回报时，你的组织是否会继续将这部分价值弃之不顾。

研究方法

股票表现分析

为了了解客户体验中的情绪要素如何与市场结果相关联，我们首先通过从我们的 2021 XMI 客户评级 - 总体基准中选取情绪得分最高的 20 家上市公司和得分最低的 20 家公司，确定了情绪领先者和落后者。随后，我们采用 CX 领导者持续跑赢股票市场中定义的方法论，跟踪、标准化并确定了投资组合的股票表现。

忠诚度指标分析

使用来自 2024 Qualtrics 体验管理研究所美国消费者调查的数据，我们确定了每个行业中具有高忠诚度评级的低、中和高评级的数量，并将其除以低、中和高组成部分评级的总数。然后，我们对这项研究中包含的所有 22 个行业的这些计算结果取平均值。有关完整方法论及按行业细分的情况，请查阅 成功、努力和情绪如何预测客户忠诚度，2025。

14 年情绪趋势分析

使用来自 Temkin Group 和 Qualtrics 体验管理研究所美国消费者研究（2011 年至 2024 年）的数据，我们确定了每年的跨行业平均成功、努力和情绪评级。由于随时间推移纳入的行业范围扩大，每年的分析包含 14 到 23 个行业。

7 年情绪变化分析

使用来自 Temkin Group 2017 年美国消费者研究和 Qualtrics 体验管理研究所 2024 年美国消费者研究的数据，我们发现了在 8 种常见互动中经历每种情绪的消费者百分比：为旅行研究酒店或租车、研究健康保险计划、购买新鞋或运动鞋、购买新车或二手车、首次使用新手机或平板电脑、向房屋或汽车保险公司提出索赔、调查月度账单中的错误，以及寻求计算机技术支持。然后，我们计算了在所有 8 种互动的平均值上，每种情绪从 2017 年到 2024 年的变化。

每项美国消费者研究均包含一个在人口统计学上具有代表性的样本，涵盖 9,055-10,000 名美国消费者，其年龄、性别、地区、族裔和家庭收入构成依据分析时可用的最新美国人口普查数据确定。