Asiakastiedon rikastamisen tavoitteena on ymmärtää paremmin asiakkaan käyttäytymistä. Ymmärtää ylipäätään keitä asiakkaamme ovat. Mitä he haluavat? Mikä liikuttaa heitä?
Kun ymmärtää tämän, voi vaikuttaa asiakkaisiin. Ja sitä kautta oman yrityksen menestykseen.
Edellisessä osassa toin esille neljä keinoa rikastaa yrityksen asiakastietoa:
- Hyödynnä monipuolisesti jo olemassaolevia tietolähteitä
- Osta tai kerää 3. osapuolelta dataa (esim. Trafi, VRK, Tilastokeskus, Asiakastieto)
- Kerää suoraan asiakkailta itseltään
- Johda ja sovella pienemmästä joukosta kerättyä tarkempaa tietoa koko asiakasjoukolle
Pureudutaan tässä kirjoituksessa ensimmäiseen kohtaan ja avataan mitä tämä tarkoittaa käytännössä. Taustalla tässä on pari tosielämän analytiikkacasea, jossa lähtökohdat analytiikalle oli varsin kehnot mutta dataa rikastamalla pääsimme aika hyviin tuloksiin.
Näitä kokemuksia voi hyödyntää myös ihan perinteisessä raportoinnissa, useat esitetyt mittarit ovat sellaisia, jotka pitäisi olla jokaisen yrityksen seurannassa. Teki edistynyttä analytiikkaa tai ei.
1. Hyödynnä monipuolisesti jo olemassaolevia tietolähteitä
Ehdottomasti paras tietolähde asiakastiedon rikastamisessa on asiakkaan oma käyttäytyminen. Eli ostohistoria. Tämä tieto löytyy toimialasta riippuen laskutus- tai kassajärjestelmästä (POS, verkkokauppa), tilausjärjestelmästä (esim. mediatalojen lehtitilaukset) ja/tai ERP-järjestelmästä.
Ostohistoria on lahjomaton. Useimmat meistä ovat kysyttäessä luontoa rakastavia luomuilijoita, mutta kaupan kassalla tiskille eksyykin tehotuotettua pollea, potkaa ja bisseä.
Tiedot myös vanhenevat. Esimerkiksi kanta-asiakkaaksi liittyessä asiakkailta kysytyt tiedot eivät ole välttämättä ajantasalla vuoden päästä eikä asiakkaita ole helppo saada päivittämään niitä.
Ostokäyttäytyminen kertookin paljon helpommin ja totuudenmukaisemmin:
- milloin asiakas ostaa (kellonaika, viikonpäivä, ostojen tiheys)
- mitä hän ostaa (mitä tuoteryhmiä tai palveluita hän käyttää)
- missä hän asioi (missä liikkeissä tai kanavissa)
- kuinka kauan hän on ollut asiakas
- kuinka suurilla määrillä hän ostaa (keskiostos, montako tuotetta ostoskorissa…)
Ja näistä tiedoista voidaan päätellä se olennainen: miksi hän käyttäytyy näin.
Otetaan seuraavaksi käytännön esimerkki valottamaan asiaa.
1.1 Sata tietoa, joista kaksi käyttökelpoista.
Lähdimme tekemään analytiikkaprojektia asiakkaan kanssa, tarkoituksena segmentoida kuluttajia parempaa kohdennettua markkinointia varten.
Aluksi kaikki näytti hyvältä, asiakasdataa oli paljon. CRM:stä löytyi asiakkaista lähes toista sataa muuttujaa. Asiakkaiden itse syöttämiä tietoja.
Hyvin nopea datan esianalyysi paljasti kuitenkin, että suurin osa oli roskaa. Datan täyttöaste oli useimmissa tiedoissa 0-20% luokkaa. Täysin käyttökelvotonta analytiikan kannalta.
Data oli myös virheellistä. Asiakkaat olivat saaneet käyttää pitkälti vapaita tekstikenttiä joten Helsingin kaupungista löytyi jo edellisessä kirjoituksessa mainitsemani 30 eri kirjoitustapaa. Osoitetiedot olivatkin enimmäkseen turhia.
Ainoastaan nimi ja postinumero olivat valideja.
Kuva ohessa näyttää tilanteen CRM:n asiakastaulussa. Vihreät laatikot kuvaavat eheää dataa, punaiset virheellistä.
Harmaat kuvaa sitä, että dataa ei ollut saatavilla eli asiakkaat eivät olleet syöttäneet tietoja. Analytiikassa, oli kyseessä segmentointi tai luokitteluongelma kuten poistuma-/tai lisämyyntimallinnus, ei datalla tee juuri mitään jos täyttöaste on alle 70-80%.
Eli lopputulemana päädyimme ottamaan kovalla työllä rakennetusta CRM:stä kaksi tietoa: asiakkaan nimen ja postinumeron.
Näiden pohjalta lähdimme rakentamaan uutta asiakastietämystä.
1.2 RFM-analyysi ja vähän muuta
Seuraava steppi, joka on itselle vakiintunut tapa, on tehdä hieman sovellettuna nopea RFM-pisteytys. Tämä tarkoittaa kolmen tunnusluvun laskemista asiakkaille
- Recency – Milloin viimeksi asiakas on ostanut?
- Frequency – Kuinka usein asiakkaat ostavat (asiointitiheys)?
- Monetary Value – Mikä on asiakkaan kokonaismyynti?
Kukin kolmesta mittarista voidaan pisteyttää esimerkiksi asteikolla 1-5 (tai voidaan painottaa jotakin osa-aluetta enemmän). Näin täydet pisteet parhaimmilla asiakkailla olisi 15 ja huonoimmat saisi 3.
Asiakkaan kokonaismyynnin (monetary value) aikojen alusta laskettuna on hieman huono mittari koska se väheksyy uusia asiakkaita. Usein otan tämän rinnalle tai tilalle asiakkaan keskimääräisen kuukausilaskutuksen. Tällöin uusi iso asiakas saa hyvät pisteet Monetary value -kohdassa.
Perinteisen RFM-mittariston lisäksi lasken aina myös seuraavat tunnusluvut:
- keskiostos
- asiakkuuden kesto
- montako tuotetta ostoskorissa keskimäärin
Riippuen käyttötarkoituksesta, voidaan laskea helposti myös:
- milloin asiakas ostaa (kellonaika, viikonpäivä, vuodenaika)
- missä kanavassa (verkko, kivijalka, muu)
Pisteytys ei ole itseisarvo enkä juuri koskaan puhu RFM-analyysistä. Nämä nyt vain sattuvat olemaan hyviä mittareita, joita yritysten tulisi seurata ja nämä yhdistettynä muihin asiakastietoihin, voidaan päätellä paljon asiakkaasta (esim. vain kerran viikossa ruokakaupassa käyvät ja isoja keskiostoksia tekevät asiakkaat ovat useimmiten isoja perheitä ja kenties haja-asutusalueelta. Kauppaan lähdetään harvoin ja silloin sinne mennään tositarkoituksella.)
Kuva alla näyttää mitä tietoja saimme aikaan kun yhdistimme asiakkaan perustiedot (CRM:stä) ja kassatapahtumia eli asiakkaan todellisen ostokäyttäytymisen.
Suosittelen laskemaan nämä tunnusluvut omaan tietovarastoon tai raportointisovellukseen, vaikka syvempää analytiikkaa ei olisi tarkoitus tehdäkään. Nämä tunnusluvut saadaan esimerkiksi vähittäiskaupan osalta suoraan sieltä kuittirivitason tiedoista tai laskuriveiltä joten kyse on yhdestä tietokannan taulusta ja ehkä 1/2h työstä.
1.3 Tuotetiedot, maantieteellinen sijainti
Se, mitä tuotteita asiakas ostaa, voi olla ensiarvoisen tärkeää. Etenkin jos haluat tehdä kohdennettua markkinointia tai lisämyyntiä ja haluat, että viestisi osuu maaliin.
Seuraavaksi otimmekin mukaan yrityksen tuotehierarkian ja liitimme sen ostohistoriaan. Täältä pystyimme päättelemään mitä tuoteryhmiä tai palveluita asiakas todella käyttää.
Jos kyseessä olisi urheiluvälinekauppa, näkisimme heti mitä lajia asiakas todennäköisesti harrastaa. Tai jos kyseessä on kuntosaliketju, näkisimme onko hän enemmän yksinäinen kuntosalipuurtaja vai tykkääkö käydä ryhmätunneilla. Ruokakaupan osalta näemme suosiiko asiakas luomua, kotimaisia tuotteita, kalliimpia ja laadukkaampia brändejä vai onko hän tarkan markan kuluttaja?
Tuotetasolla ostosten perusteella asiakastiedon rikastaminen vaatii päätöksiä: kuinka paljon asiakkaan pitää ostaa tuotetta X, ennen kuin uskallamme luokitella hänet tuotteen X kuluttajaksi? Tässä vaiheessa tarvitaan sitä kauppiaan tarkkaa nenään ja kokemusta asiakkaista.
Tuotetietojen ohella olennainen tieto on maantieteellinen sijainti. Asiakkaan kaupunki on OK mutta omien kokemusten mukaan ei sisällä kovin paljoa ns. selitysvoimaa. Parempi tieto voi olla esim. etäisyys yrityksen toimipisteestä tai jaottelu maaseutu vs. kaupunki. Se, asuuko kuluttaja Kouvolassa vai Kotkassa, ei ole juuri merkityksellistä mutta se asuuko hän keskellä metsää vai keskustassa voi olla todella merkityksellistä.
Kuva alla näyttää mitä tietoja meillä on kasassa kun haemme ostohistoriasta mitä tuotteita asiakas on ostanut. Tässä esimerkissä haluamme vain tiedon, kuluttaako asiakas tiettyä meille strategisesti tärkeää tuoteryhmää vai ei.
1.4 Markkinointiaktiviteetit, asiakaspalvelu ja muut
Jos lopullisena tavoitteena on tehdä parempaa kohdennettua markkinointia, kannattaa asiakastietoa rikastaa markkinointiaktiviteeteillä. Suoramarkkinakirjeet, niin printit, emailit ja sms-viestit kuin myös puhelinsoitot ja f2f kontaktit ovat tällaisia.
Näiden perusteella päättelimme, reagoiko asiakas markkinointiviestiin ja millaiseen viestiin. Jos asiakas sai torstaina emailissa mainoskirjeen ja hän ei ollut ostanut sunnuntaihin mennessä, voidaan olettaa, että mainos ei osunut kohteeseen.
Jälleen kerran vaaditaan päätöksiä: miten päätellään, että toimiiko markkinointiviesti? Kuinka monta kertaa asiakkaan pitää olla ostamatta tai ostaa viestin saatua, että voimme sanoa hänen reagoivan siihen positiivisesti tai negatiivisesti? Mikä saa olla viive?
Päivittäistavarakaupassa olettaisin, että lehtimainoksen nähtyä asiakas ostaa samana tai seuraavana päivänä.
Markkinointiponnistelujen lisäksi luonnollisesti asiakaspalvelu ja palvelun laatu ylipäätään kiinnostaa. Esimerkiksi:
- Kuinka monta kertaa asiakas on ottanut yhteyttä aspaan?
- Kuinka monta reklamaatioita asiakas on tehnyt?
- Kuinka monta tuotepalautusta asiakas on tehnyt?
- Onko asiakkaan palvelussa ollut katkoja (esim. teleoperaattorit)?
Tänä päivänä on myös trendikästä puhua NPS:stä eli Net-promoter-score:sta. Kyseessä on asiakastyytyväisyyttä kuvaava mittari, yksi lukuarvo, joka kertoo: Kuinka todennäköisesti asiakas suosittelisi yrityksen palvelua muille?
Olen kuullut palvovia kommentteja tästä maagisesta mittarista. Kuulemma juuri mitään muuta ei yritys tarvitsekaan.
Ja ei siinä mitään, kyseessä on varmasti hyvä mittari ja otetaan se analyysiin mukaan. Itse näen sen yhdeksi pieneksi osaksi koko asiakastietämystä.
Alla kuvassa näkyy kooste tiedoista mitä olemme saaneet aikaan yhdistämällä CRM-dataa, laskutusdataa eli ostohistoriaa ja tuotetietoja sekä markkinoinnin aktiviteetteja.
Olemme tulleet valtavan harppauksen eteenpäin mutta varsin pienellä työllä. Asiakastietämys on rikastunut 2 sarakkeesta (nimi + postinumero) useisiin kymmeniin, laadukkaisiin ja todenmukaisiin tietoihin asiakkaista.
Jo tällaisenaan voidaan puhua todella rikkaasta asiakastietämyksestä, jonka perusteella asiakkuuksien johtaminen ja esimerkiksi kampanjoiden älykkäämpi suunnittelu on mahdollista.
Mutta todellisuudessa olemma vasta aluissa. Tässä käytiin alussa esitetyistä neljästä kohdasta vasta ensimmäinen. Paras osa on vielä tulematta. Niistä lisää seuraavalla kerralla, pysy kuulolla.
