Edellisessä kirjoituksessa paneuduimme analyyttiseen prospektointiin ja sen tuomiin hyötyihin liiketoiminnan ohjauksessa. Kun uudet asiakkaat on saatu hankittua prospektien joukosta, voidaan heidän osaltaan aloittaa seuraava vaihe asiakkuuden hallinnassa, asiakkuuden pitäminen. Keskeisimmät tehtävät analyyttisessä asiakaspidossa ovat
- Tutkia mitkä tekijät vaikuttavat asiakkuuden pysyvyyteen/poistumiseen/tyytyväisyyteen
- Muodostaa malleja, joiden avulla pyritään ennustamaan poistumaa, ohjaamaan resursseja, sekä muodostamaan “optimoituja” toimenpidepäätöksiä poistuman vähentämiseksi
- Vahvistaa yrityksen ja asiakkaan välistä suhdetta, sekä lisätä asiakkuuden kannattavuutta
Kohdan 2. osalta tulee huomioida, että analyysien ohjaamassa toimenpidestrategiassa tulee ottaa huomioon sekä asiakkaan, että yrityksen näkökulma; on yrityksiä, joilla on asiakkaita, joista halutaan eroon esimerkiksi kannattavuus syistä, vaikka se sotiikin asiakkuuden hallinnan lähtökohtaista ideologiaa vastaan ”pyritään pitämään asiakkaat tyytyväisenä”.
Systemaattisesti toimivan asiakaspidon hyödyt generoituvat yrityksen kannattavuuteen kausaalisesti:
Yrityksen tuotteiden ja palvelun laatu lisää asiakastyytyväisyyttä => Asiakastyytyväisyys lisää asiakaspysyvyyttä => Asiakaspysyvyys lisää yrityksen kannattavuutta
Asiakaspidon liiketoimintaa ohjaavissa analyyseissä ei aina ole välttämättä kyse suoraan asiakkaan taustatietojen ja käyttäytymisen analysoinnissa, vaan myös asiakkaiden antamien signaalien johdosta tehtävissä analyyseissä, esim. kyselytutkimukset. Käsittelemme tässä kirjoituksessa kuitenkin vain asiakkaan taustatietojen ja käyttäytymisen analysointia.
Analyyttinen asiakaspito vastaa seuraavankaltaisiin konkretiatason kysymyksiin:
- Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?
- Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajanhetkellä?
- Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus, ostaako asiakas useasta eri tuoteryhmästä (ristiinmyynti)?
- Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?
- (Edellisten kohtien tuloksiin vaikuttavat taustatekijät, ajurit)
Käymme seuraavaksi läpi mainittujen konkretiatason kysymyksien analyysien perusrakenteen ja huomioitavat seikat esimerkiksi valittujen analyysimenetelmien näkökulmasta.
1. Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?
On jo pitkään tiedetty, että uuden asiakkaan hankinta on moninkertaisesti kalliimpaa yrityksille, kuin vanhan/vasta hankitun asiakkaan pitäminen. Koska asiakkaan uudelleen ostaminen on enemmän tai vähemmän ekvivalentti asiakkaan poistumisen kanssa, on luontevaa mallintaa uudelleenostotodennäköisyyksiä esimerkiksi logistisen regression avulla. Logistinen regressio tarjoaa selkeät ja hyvin tulkinnalliset tulokset uudelleen ostamiseen vaikuttavista tekijöistä, lisäksi logistisen regression tuottama malli voidaan implementoida helposti tuotantokäyttöön teknisestä ympäristöstä riippumatta.
Vaste-muuttujaa, ”Ostiko asiakas tarkasteluajanjaksolla”: Kyllä/Ei, muodostettaessa on oleellista käyttää hyväksi tietämystä liiketoiminnan erityispiirteistä, jotta uudelleen ostamisen tarkasteluajanjakso saadaan määritettyä järkevällä tavalla. Esimerkiksi yrityksillä, jotka myyvät kodinkoneita tulee tarkasteluajanjakson olla huomattavasti suurempi kuin huoltoasemilla. Kodinkoneita ostetaan kerran vuodessa (tai harvemmin), mutta auton tankki käydään täyttämässä viikottain (kuukausittain). Huonosti määritelty tarkasteluajanjakso voi johtaa vääriin liiketoimintaa ohjaaviin toimenpiteisiin.
Tyypillisiä uudelleenostamista selittäviä muuttujia ovat esimerkiksi asiakkaan sukupuoli, ensimmäisen oston suuruus, keskimääräinen ostojen suuruus, edellisen tarkasteluajanjakson ostot, kanta-asiakkuus (Kyllä/Ei).
Analyysin tuloksena saadaan asiakaskohtaiset uudelleen ostotodennäköisyydet, sekä ajurikohtaiset ristitulosuhteet ”oddsit”. Oddsien ja kokonaiskuvan perusteella voidaan esimerkiksi kohdentaa räätälöity markkinointikirje oikeille asiakkaille, jotta heidän suhdettaan yritykseen saadaan vahvistettua uudelleen ostamisen johdosta.
2. Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajan hetkellä?
Asiakkaan elinkaareen pituuden analysoinnissa on tavoitteena saada selville ketkä asiakkaista ovat ”suurella” todennäköisyydellä aktiivisia myös tulevaisuudessa.
Asiakkaan elinkaaren pituutta voi ennustaa jo pelkän asiakaskohtaisen ostokäyttäytymisen perusteella. Ostokäyttäytymisestä johdettavia muuttujia voisivat olla esimerkiksi yhteenlaskettu ostoksien lukumäärä, aika viimeisimmästä ostokerrasta, kuinka monesta tuoteryhmästä asiakas on ostanut, sekä asiakkuuden kesto tähän päivään mennessä.
Yleensä tässä vaiheessa on tyypillistä muodostaa malli, jonka avulla saamme todennäköisyydet sille, että asiakas suorittaa oston (=asiakas on edelleen aktiivinen) johonkin tiettyyn kiinnitettyyn aikapisteeseen mennessä. Tyypillisesti ongelman mallintamiseen käytetään elinaikamalleja; suhteellisen vaaran mallit tai AFT-mallit. Mallintaminen poikkeaa kohdan 1. mallintamisesta oleellisesti, sillä emme havaitse konkreettisesti asiakaspoistumaa. Tämä tarkoittaa sitä, että mallissa ei ole vaste-muuttujaa.
Asiakkuuden keston laskemisessa tulee huomioida, että mallintamiseen käytetty asiakasjoukkio on yleensä järkevää kiinnittää jonkin kriteerin perusteella, esim. 1.-14.1.2014 välisenä aikana ostaneet asiakkaat (ensiostos).
Analyysin tuloksena saadaan todennäköisyydet sille, että asiakas on edelleen aktiivinen kiinnitetyn tarkasteluikkunan lopussa. Todennäköisyyksien perusteella voidaan ryhmitellä tarkasteltava asiakasjoukkio ja kohdentaa eri toimenpiteitä eri tyyppisille asiakasryhmille.
3. Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus kiinnitetyllä aikavälillä?
Usein käytetty mittari yritysliiketoiminnassa on keskimääräinen ostoksen tai ostoskorin suuruus. Odotettu keskimääräinen ostoksen suuruus koostuu kahdesta komponentista,
- Todennäköisyydestä, että asiakas ostaa kiinnitetyllä aikavälillä, sekä
- Odotetusta ostoksen suuruudesta, ehdolla, että asiakas ostaa kiinnitetyllä aikavälillä
Kuten tuli lyhyesti mainittua blogisaagan ensimmäisessä osassa, tulee tässä kohdassa huomioida mahdollinen otantaharha. Otantaharha saadan helpoiten otettua huomioon, kun mallinnetaan ensimmäinen komponentti käyttäen probit-mallia logistisen regression sijasta ja laskemalla ns. Inverse Mills Ratio, jolla otantaharha saadaan korjattua (mikäli se merkitsevänä esiintyy). Otantaharha vaikuttaa mallin parametrien estimaatteihin ja saattaa vääristä tuloksia, jotka pahimmassa tapauksessa voisivat johtaa vääriin/”ei-optimaalisiin” liiketoiminnan toimenpiteisiin. Toisen komponentin mallinnus voidaan suorittaa yksinkertaisemmillaan lineaarista regressiota käyttäen.
Esitellyssä ensimmäisen vaiheen analyysissä mallinnettiin asiakkaan uudelleen ostamista logistisella regressiolla siitä syystä, että probit-malli ei tuota vastaavia helposti tulkittavia tuloksia. Tulokset probit- ja logistisen regression osalta eivät kuitenkaan yleensä ole ristiriitaisia, joten probit-mallin käyttäminen jälkimmäisessä analyysissä on “perusteltua”, mikäli logistinen regressio on tuottanut ensimmäisessä vaiheessa järkeviä tuloksia.
Keskimääräisen ostoksen suuruuden lisäksi yritykset ovat usein kiinnostuneita ristiinmyynnin lisäämisestä asiakkaille. Ristiinmyynnin uskotaan parantavan asiakkaan ja yrityksen välistä suhdetta, ja näin ollen vaikuttavan yrityksen tuottavuuteen. Ristiinmyynnissä täytyy kuitenkin muistaa, että tarjottava tuote tulee olla asiakkaalle tarpeellinen, umpimähkäinen ristiinmyynti yleensä heikentää asiakkaan ja yrityksen välistä suhdetta. Ristiinmyynnin analysointiin ei tässä kirjoitelmassa paneuduta tarkemmin.
4. Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?
Yrityksen myytyjen palveluiden suhteellinen osuus toimialalla kilpailevien yrityksien kokonaismyynnistä asiakkaalle, Share of wallet, olisi ihanteellinen tieto usealle yritykselle. Mitä suurempi SOW on, sitä kiinnostuneempi ja/tai tyytyväinen asiakas on juuri kyseisen yrityksen tarjoamista palveluista, ellei kyseessä ole monopolistinen markkina-asema. Korkea ja stabiili SOW-luku indikoi yleensä suoraan asiakkaan lojaalisuutta yrityksen palveluita kohtaan.
SOW-analyysissä haasteellisinta on saada kyseinen tieto asiakasryhmittäin tai asiakaskohtaisesti. Mikäli SOW-arvot saadaan hankittua tai arvioitua riittävän tarkasti, voidaan siirtyä tarkastelemaan mitkä taustamuuttujat (ajurit) vaikuttavat suhteelliseen myynnin osuuteen toimialakohtaisilla markkinoilla.
Mallista saatavat ajureiden vaikutukset SOW-arvoon ohjaavat yrityksen asiakkuuden hallintaa, esim. Aktiivinen yhteydenpito asiakkaan kanssa yleensä lisää SOW-arvoa, mutta yliaktiivinen yhteydenpito asiakkaaseen voi puolestaan laskea sitä. Yksi mielenkiintoinen tutkimisen aihe voisi olla myös kanta-asiakasjärjestelmän vaikutus; Onko kanta-asiakasjärjestelmällä merkittävä positiivinen vaikutus SOW-arvoon. Mikäli vaikutus osoittautuisi olevan olematon, olisi syytä pohtia tulisiko kanta-asiakkuuden tuomia asiakaskohtaisia etuja muuttaa.
Klassisien tilastollisien menetelmien joukosta SOW-analyysi (=ajureiden vaikutus SOW-arvoon) suoritetaan yleensä Tobit-mallin avulla. Tobit-malli vastaa luonteeltaan lineaarista regressiota, erona on kuitenkin se, että vaste-muuttuja SOW rajoitetaan välille 1-100, missä 100 tarkoittaa, että asiakas ostaa kaikki toimialakohtaiset tuotteet ja palvelut samalta yritykseltä.
Yhteenveto
Edellä esiteltyjen analyysien tuloksia voidaan käyttää itsenäisenäisinä liiketoiminnan toimenpiteiden ohjaamiseen ja tehostamiseen, asiakastyytyväisyyden ja yrityksen tuottavuuden kasvattamiseen. Tarvittavat tiedot analyysien suorittamiselle ovat yleensä saatavilla yrityksen tietovarannoissa, haastavin osuus on yleensä tietojen yhdistäminen eri lähteistä. Poikkeuksena yritykset, joilla on käytössään keskistetty tietovarasto tai vastaava “datapankki”.
Kirjoitelmassa mainittuja analyysien tuloksia voidaan hyödyntää asiakkaan odotetun tulevaisuuden tuottavuuden laskemisessa, CLV (eng. Customer lifetime value). Tämä onkin yleensä yhtenä motivaationa yksittäisien analyysien suorittamiselle. Jo yksittäisien analyysien tulokset ohjaavat liiketoiminnan kehittämistä, joten kaikkien analyysien muodostaminen kertarykäisyllä ei ole itsetarkoitus. Mainitut asiakaspidon analyysit eivät kuitenkaan ole riippumattomia toisistaan, järkevintä onkin yleensä aloittaa analysoiminen ensimmäisestä konkretitason kysymyksestä.
