Asiakastiedon rikastaminen, osa 1

Mitä tietoja tarvitset asiakkaasta, jotta voit tehdä todellista ennakoivaa analytiikkaa ja sitä myöten esimerkiksi kohdennettua markkinointia tai parempaa ristiinmyyntiä?  Miten rikastaa dataa ja saada siitä enemmän irti? Tässä ja seuraavassa kirjoituksessa käydään läpi arkipäivän ongelmia ja käytännön vinkkejä miten niitä on taklattu oikeissa analytiikkaprojekteissa.


Me tiedämme asiakkaistamme kaiken. Tai ainakin nimen. Ehkä.

Olemme tehneet vuosien varrella kymmeniä asiakaspoistuma-mallinnuksia, ristiinmyyntianalyysejä, asiakassegmentointeja, elinkaarimalleja tai sitten vain stalkanneet kuluttajia. Lähes kaikissa analytiikkahankkeissa, yhtenä suurimpana kompastuskivenä on ollut puutteellinen asiakasdata.

”Meillä on yli 300 000 kanta-asiakasta, tiedämme heistä lähes kaiken. Meillä on kerättynä lähes 100 muuttujaa.”

Yritysten mielestä heidän oma asiakastietonsa on tietenkin priimaa. Asiakkaita on paljon, heistä kerätty tieto on validia ja erinäisiä taustamuuttujia on tukuttain. He tuntevat käytännössä puoli-Suomea tai ainakin koko kirkonkylän.

Alla oleva kuva näyttää asiakastietojärjestelmän siten kuten yritys itse sen kokee. Tiedot ovat tip top täydellisesti täytettyjä ja data eheää.

Asiakassegmentointi_1_Louhia

Sitten kun olemme saaneet käsiimme asiakasdatan esimerkiksi CRM-järjestelmästä, on totuus hieman toinen.

Alla totuudenmukaisempi kuva.

Asiakassegmentointi_2_Louhia

Yleisimpiä puutteita datassa:

  • data on harvaa. Osa muuttujista on täytetty 1-5%:lle asiakkaista
  • virheellisiä merkkejä. Esimerkiksi numerokenttään (ikä) on tuotu kirjaimia
  • vapaat tekstikentät ovat mahdollistaneet kymmeniä variaatioita esimeriksi kaupunkien nimistä
  • tietoa ei ole vain kerätty, asiakastiedolle ei ole nähty arvoa koska sitä ei ole tarvittu päivittäisessä toiminnassa

Olemme olleet hankkeessa, jossa asiakastiedoista löytyi noin 30 eri tapaa kirjoittaa Helsinki. Näimme kaikki variaatiot kuten Stadi, snadi, hesa, Helzinki, Hell, isokirkko…

Lähes 50:stä asiakkaasta kerätystä taustamuuttujasta ehkä kaksi tai kolme oli relevantteja analyysin kannalta. Mutta rikastamalla asiakasdataa, saimme lopulta luotua hyvän asiakasymmärryksen segmentointia ja jatkotoimia kuten kohdennettua markkinointia varten.

Asiakastiedon rikastaminen vaatii usein muutosta liiketoimintaprosesseissa

Monilla yrityksillä tilanne ei ole edes näin valoisa, koska mitään asiakastietoja ei systemaattisesti tallenneta. Monilta osin asiakkaista on kerätty talteen se olennainen: osoite tai puhelinnumero.

Tiedän kourallisen suomalaisia yrityksiä, joilla on satojatuhansia asiakkaita mutta he eivät pysty erottelemaan ketkä ovat yritysasiakkaita ja ketkä kuluttaja-asiakkaita. Valtaosa B2C yrityksistä eivät tiedä asiakkaiden sukupuolta tai ikää, monin paikoin erittäin relevantteja tietoja mallinnettaessa ja ennustettaessa asiakaskäyttäytymistä.

Asiakasanalytiikka usein lähteekin siitä, että yrityksen pitää muuttaa toimintaprosessejaan, alkaa systemaattisesti keräämään asiakastietoa. Joskus tietoa voidaan rikastaa olemassaolevista lähteistä helposti, joskus palaamme asiaan vuoden tai kahden päästä.

Miten rikastaa asiakasdataa?

Asiakastiedon rikastamiseen ja asiakasymmärryksen lisäämiseen on toisiaan täydentäviä vaihtoehtoja.

1.Hyödynnä monipuolisesti jo olemassaolevia tietolähteitä kuten:

– kassa-, verkkokauppa-, laskutus- ja tilausjärjestelmät (ostohistoria, ostokäyttäytyminen)
– asiakaspalautteet ja -kyselyt, aspa-järjestelmät (reklamaatiot, palautteet, NPS-rating)
– markkinointiaktiviteetit, kampanjadata
– asiakkaan perustiedot, CRM-järjestelmä

2. Osta tai kerää 3. osapuolelta dataa (esim. Trafi, VRK, Tilastokeskus, Asiakastieto)

– viranomaisten hallussa olevan datan osalta tämä on helpommin sanottu kuin tehty, johtuen lainsäädännöstä, tästä myöhemmin lisää

3. Kerää suoraan asiakkailta itseltään, esim.

– kanta-asiakasjärjelmään liittyessä
– erilaisin kilpailuin ja tapahtumin tai
– suorita kyselytutkimus (kartoita esim. mielipiteet, arvot, asenteet).
– koko asiakaskunnalle kyselyn teettäminen on usein liian kallista, jolloin joudut soveltamaan tuloksia lopulle populaatiolle (ks. alla)

4. Johda ja sovella pienemmästä joukosta kerättyä tarkempaa tietoa koko asiakasjoukolle

– vähän kuten vaaligallupeissa: muutama tuhat haastatellaan ja nämä tulokset sovelletaan koko kansalle
– olennaista, että haastatelluilla löytyy taustamuuttujia (esim. ikä, sukupuoli, alue), jotka löytyvät myös lopulta asiakaskunnalta.
– myös monissa analytiikan sovelluksissa (esim. asiakaspoistuma, ristiinmyynti) on kyse pienemmällä joukolla tehdystä (ennuste) mallista, jota sovelletaan loppuihin ja uusiin asiakkaisiin

Ensi alkuun monissa yrityksissä CRM-järjestelmän sisältö voi näyttää todella köyhältä. Mutta asiakasymmärrystä voi lisätä monella eri tapaa ja nämä eivät vaadi mitään poppakonsteja.

Yllä listattuihin keinoihin ja kokemuksiin pureudutaan seuraavassa osassa.


 

Kirjoitus on alun perin julkaistu kumppanimme Louhian nettisivuilla.

Koulutuskumppanimme Louhian suositut kurssit:

Edistynyt analytiikka perusteet

R-ohjelma tutuksi (Alkeet ja tiedon jalostaminen) UUSI KURSSI!

Ennustava Analytiikka

 

 

Jaa:

Kommentoi:

Kirjoittaja:

Ville Niemijärvi

Ville Niemijärvi edustaa koulutuskumppaniamme Louhiaa. Hän on erikoistunut BI-ratkaisuihin, kilpailutuksiin sekä asiakasanalytiikkaan.

Haluatko uusimmat uutiset ja kurssitiedot Arihovista?

Tyrehdytä tiedonjanosi!

Uutiskirjeen tilaajana saat ajankohtaista tietoa datan hyödyntämisestä, tekoälystä sekä muista ajankohtaisista aiheista tiedohallinnan maailmasta. Olemme data-alan johtava kouluttaja ja konsultti, joten saat tietoa suoraan kentältä. Saat samalla myös parhaat tarjoukset kansainvälisten huppuasiantuntijoiden valmennustilaisuuksiin.