Magma
25.09.2018
Artikkelen belyser hvordan selskaper kan kapitalisere på sine kundedata gjennom avanserte kundeanalyser. Først definerer vi hva som menes med avanserte kundeanalyser, deretter trekker vi frem to konkrete eksempler der det ene omhandler prediksjon av prissensitivitet og det andre datadrevet kundesegmentering.
... Gjennom disse to eksemplene gir vi også en introduksjon til de to sentrale metodene innen kundeanalyser, kjent som prediksjonsog segmenteringsmodeller, og deler andre mulige praktiske anvendelser av disse modellene. Begge eksemplene er hentet fra forbrukermarkedet, men metodene som beskrives, er like relevante for bedriftsmarkedet. INNLEDNING
Det moderne forbrukermarkedet er i rask endring, og vi har sett at konsumentene i stor grad har endret kjøpsvaner og kjøpsadferd de siste ti årene. Dagens kunder har stadig høyere forventninger til produkter, leveringstider, pris og kvalitet enn tidligere, og mye kan forklares ved den enorme økningen i tilgjengelig informasjon. Kundene er mer informert enn noen gang, søker stadig etter andres bekreftelse og ser på tidligere kunders erfaringer før et eventuelt kjøp. Det at kundene alltid har med seg internett i lommen, muliggjør kontinuerlig tilstedeværelse i markedet og har gjort det digitale aspektet uunnværlig i de fleste kundereiser i dag.
Disse endringene i markedet skaper store ringvirkninger hos bedriftene. Mange er nødt til å revurdere sine eksisterende forretningsmodeller, og særlig ser vi at markedsavdelingene til bedriftene må gjennom store endringsprosesser for å tilpasse seg den nye virkeligheten. Dette er en reell utfordring som kan virke svært krevende, og det stiller store krav til ressursbruk og endringsvilje. Heldigvis ser vi at deler av løsningene på de mange nye utfordringene bedriftene møter kan finnes i dataene som kundene skaper når de interagerer med bedriftenes digitale tjenester. Som et resultat er det for bedrifter i forbrukermarkedet et stort potensial for å kapitalisere på avanserte kundeanalyser. Vår erfaring er at dette kan være et svært verdifullt bruksområde for stordata og avansert analyse.
Vi vil i denne artikkelen gå nærmere inn på hva avanserte kundeanalyser er, vise hva det kan brukes til gjennom to reelle caser, og reflektere rundt hvor vi ser den videre utviklingen innenfor dette fagområdet. I hovedsak tar vi utgangspunkt i forbrukermarkedet, men mange av metodene er like anvendelige i bedriftsmarkedet.
AVANSERTE KUNDEANALYSER: HVA OG HVORFOR?
Kundeanalyser handler om å skape forretningsverdi og forbedre kundegrensesnittet gjennom å jobbe datadrevet, der man samler og analyserer data om kunders adferd for å skape kundeinnsikt som muliggjør mer effektive beslutninger og prosesser. De to sentrale analysemetodene innen avanserte kundeanalyser er datadrevne segmenteringsmodeller og prediksjonsmodeller.
I likhet med mange av de moderne paraplydefinisjonene på ny teknologi og metoder er det utfordrende å finne en klar definisjon på hva avanserte kundeanalyser faktisk er. Vi definerer avanserte kundeanalyser som all analyse hvor majoriteten av dataene er skapt eller hentet fra kundene. Videre har vi erfart at avanserte kundeanalyser i seg selv har begrenset verdi, da verdien ikke skapes av analysene. Verdien kommer først når de ulike forretningsområdene tar i bruk innsikten fra analysene. Således kan man se på avanserte kundeanalyser slik man ser på bruken av strategikonsulenter: Verdien er ikke sluttpresentasjonen i PowerPoint, det er implementeringen av innsikten fra sluttrapporten som skaper resultatene og verdien. Vår erfaring er at avanserte kundeanalyser gir verdi på de aller fleste forretningsområdene, fra markedsavdelingen til salgsorganisasjonen, produktutviklerne, kundeservice og ikke minst økonomifunksjonen.
Det å analysere kundedata er i utgangspunktet ikke noe nytt. Lenge har vi brukt ulike former for datainnsamling gjennom spørreundersøkelser, observasjoner og intervjuer for å forstå hvordan vi best kan tilpasse oss kundenes behov og skape mest mulig verdi. Det som har endret seg, er i stor grad vår evne til å opparbeide oss et bedre bilde av hvordan kundene faktisk agerer, og vi kan nå i større grad supplere kundenes faktiske adferd med hva de selv sier. Takket være den teknologiske utviklingen som har gitt oss en kraftig økning i maskinvare og tilgjengelige data, og stadig ny forskning innen statistikk og maskinlæring, kan vi nå med stadig større treffsikkerhet beskrive og predikere hvordan kundene oppfører seg.
Det klassiske eksemplet på tidlig bruk av avanserte kundeanalyser kommer fra Target i USA. Gjennom å analysere kundenes transaksjonsdata ble de oppmerksomme på mønstre og kjøpsadferd som kunne relateres til ulike faser av en persons liv. Denne innsikten ble så brukt til å tilpasse utsendelser av markedsmateriell og kuponger slik at de ble mer relevante for kundene. Hovedpoenget med strategien var å ligge et steg foran konkurrentene, slik at man kunne forutse hvilke behov kundene hadde før de selv ble klar over behovet. Kroneksempelet fra Target er da de sendte ut kuponger for produkter gravide ofte kjøper, til en elev på videregående skole i USA. Faren ble oppgitt over at Target utsatte datteren hans for markedsføring av / oppmuntring til graviditet, men så viste det seg at datteren faktisk var gravid, og at Target hadde utviklet en statistisk analyse som satte en graviditetsscore på kundene og kunne predikere når de hadde termin, innenfor et relativt lite tidsvindu (Forbes, 2012).
I de senere årene har det vært en eksplosjon i anvendelsen og videreutviklingen av avanserte analysemetoder, og ingenting tyder på at utviklingen stopper. Vi blir stadig mer sofistikerte i både innsamling av data og algoritmeutvikling, noe som muliggjør enda mer treffsikre og verdiskapende analyseformer, eksempelvis fullautomatisert og personalisert prising, og markedsføring basert på modellering av kjøpssannsynlighet.
Så hvor står vi egentlig nå? Hvilke muligheter har vi for å skape bedre kundeforståelse, og hvordan skal vi best dra nytte av dette i dag? For å vi
Gå til medietDet moderne forbrukermarkedet er i rask endring, og vi har sett at konsumentene i stor grad har endret kjøpsvaner og kjøpsadferd de siste ti årene. Dagens kunder har stadig høyere forventninger til produkter, leveringstider, pris og kvalitet enn tidligere, og mye kan forklares ved den enorme økningen i tilgjengelig informasjon. Kundene er mer informert enn noen gang, søker stadig etter andres bekreftelse og ser på tidligere kunders erfaringer før et eventuelt kjøp. Det at kundene alltid har med seg internett i lommen, muliggjør kontinuerlig tilstedeværelse i markedet og har gjort det digitale aspektet uunnværlig i de fleste kundereiser i dag.
Disse endringene i markedet skaper store ringvirkninger hos bedriftene. Mange er nødt til å revurdere sine eksisterende forretningsmodeller, og særlig ser vi at markedsavdelingene til bedriftene må gjennom store endringsprosesser for å tilpasse seg den nye virkeligheten. Dette er en reell utfordring som kan virke svært krevende, og det stiller store krav til ressursbruk og endringsvilje. Heldigvis ser vi at deler av løsningene på de mange nye utfordringene bedriftene møter kan finnes i dataene som kundene skaper når de interagerer med bedriftenes digitale tjenester. Som et resultat er det for bedrifter i forbrukermarkedet et stort potensial for å kapitalisere på avanserte kundeanalyser. Vår erfaring er at dette kan være et svært verdifullt bruksområde for stordata og avansert analyse.
Vi vil i denne artikkelen gå nærmere inn på hva avanserte kundeanalyser er, vise hva det kan brukes til gjennom to reelle caser, og reflektere rundt hvor vi ser den videre utviklingen innenfor dette fagområdet. I hovedsak tar vi utgangspunkt i forbrukermarkedet, men mange av metodene er like anvendelige i bedriftsmarkedet.
AVANSERTE KUNDEANALYSER: HVA OG HVORFOR?
Kundeanalyser handler om å skape forretningsverdi og forbedre kundegrensesnittet gjennom å jobbe datadrevet, der man samler og analyserer data om kunders adferd for å skape kundeinnsikt som muliggjør mer effektive beslutninger og prosesser. De to sentrale analysemetodene innen avanserte kundeanalyser er datadrevne segmenteringsmodeller og prediksjonsmodeller.
I likhet med mange av de moderne paraplydefinisjonene på ny teknologi og metoder er det utfordrende å finne en klar definisjon på hva avanserte kundeanalyser faktisk er. Vi definerer avanserte kundeanalyser som all analyse hvor majoriteten av dataene er skapt eller hentet fra kundene. Videre har vi erfart at avanserte kundeanalyser i seg selv har begrenset verdi, da verdien ikke skapes av analysene. Verdien kommer først når de ulike forretningsområdene tar i bruk innsikten fra analysene. Således kan man se på avanserte kundeanalyser slik man ser på bruken av strategikonsulenter: Verdien er ikke sluttpresentasjonen i PowerPoint, det er implementeringen av innsikten fra sluttrapporten som skaper resultatene og verdien. Vår erfaring er at avanserte kundeanalyser gir verdi på de aller fleste forretningsområdene, fra markedsavdelingen til salgsorganisasjonen, produktutviklerne, kundeservice og ikke minst økonomifunksjonen.
Det å analysere kundedata er i utgangspunktet ikke noe nytt. Lenge har vi brukt ulike former for datainnsamling gjennom spørreundersøkelser, observasjoner og intervjuer for å forstå hvordan vi best kan tilpasse oss kundenes behov og skape mest mulig verdi. Det som har endret seg, er i stor grad vår evne til å opparbeide oss et bedre bilde av hvordan kundene faktisk agerer, og vi kan nå i større grad supplere kundenes faktiske adferd med hva de selv sier. Takket være den teknologiske utviklingen som har gitt oss en kraftig økning i maskinvare og tilgjengelige data, og stadig ny forskning innen statistikk og maskinlæring, kan vi nå med stadig større treffsikkerhet beskrive og predikere hvordan kundene oppfører seg.
Det klassiske eksemplet på tidlig bruk av avanserte kundeanalyser kommer fra Target i USA. Gjennom å analysere kundenes transaksjonsdata ble de oppmerksomme på mønstre og kjøpsadferd som kunne relateres til ulike faser av en persons liv. Denne innsikten ble så brukt til å tilpasse utsendelser av markedsmateriell og kuponger slik at de ble mer relevante for kundene. Hovedpoenget med strategien var å ligge et steg foran konkurrentene, slik at man kunne forutse hvilke behov kundene hadde før de selv ble klar over behovet. Kroneksempelet fra Target er da de sendte ut kuponger for produkter gravide ofte kjøper, til en elev på videregående skole i USA. Faren ble oppgitt over at Target utsatte datteren hans for markedsføring av / oppmuntring til graviditet, men så viste det seg at datteren faktisk var gravid, og at Target hadde utviklet en statistisk analyse som satte en graviditetsscore på kundene og kunne predikere når de hadde termin, innenfor et relativt lite tidsvindu (Forbes, 2012).
I de senere årene har det vært en eksplosjon i anvendelsen og videreutviklingen av avanserte analysemetoder, og ingenting tyder på at utviklingen stopper. Vi blir stadig mer sofistikerte i både innsamling av data og algoritmeutvikling, noe som muliggjør enda mer treffsikre og verdiskapende analyseformer, eksempelvis fullautomatisert og personalisert prising, og markedsføring basert på modellering av kjøpssannsynlighet.
Så hvor står vi egentlig nå? Hvilke muligheter har vi for å skape bedre kundeforståelse, og hvordan skal vi best dra nytte av dette i dag? For å vi