Virksomheder, der forstår at analysere Big Data og omsætte informationerne til strategi og handling har 6,5 gange større sandsynlighed for at fastholde kunder, 7,4 gange større sandsynlighed for at klare sig bedre end deres konkurrenter i salget til eksisterende kunder (mersalg og krydssalg), og næsten 19 gange større sandsynlighed for at opnå en højere rentabilitet end gennemsnittet (McKinsey, 2013).

Telemarketing succes opnået på 2 måneder

En finansiel servicevirksomhed i Australien hyrede et telemarketing firma til at markedsføre deres kreditkort til kunder, som i forvejen brugte andre af firmaets finansielle produkter. Et hold af call center operatører kontaktede pr. telefon kunderne og præsenterede de forskellige kreditkort services, man kunne tilbyde, men succesraten var skuffende lav. Ledelsen ønskede derfor at gennemføre et pilotprojekt, hvor en analyse af historiske kundedata skulle afklare, om marketing kampagnen kunne gennemføres på en mere intelligent måde. Succesraten for hver call center operatør blev sammenholdt med data om de kontaktede kunder, kundens baggrund, nuværende situation, præferencer etc. Inden for bare 2 uger fremkom et mønster, som kunne omsættes til en intelligent strategi for sammenkobling af de enkelte call center operatører med forskellige typer af kunder. Viden om den enkelte kunde blev dermed styrende for valg af den operatør, som skulle kontakte kunden. Den nye strategi blev herefter testet i praksis ved at dele kunderne op i to grupper. Den ene gruppe, targetgruppen, blev tildelt call center operatørerne efter den nye, intelligente metode, og den anden gruppe, kontrolgruppen, blev som hidtil tildelt operatørerne helt tilfældigt. Derved ville forskelle i de enkelte operatørers kompetencer eller salgsteknik ikke komme til at påvirke udfaldet af testen. Resultatet viste efter to måneder, at targetgruppen præsterede et salg, der lå 19,1% over kontrolgruppen. Systemet er nu implementeret, og en videreudvikling af datagrundlaget i kundebasen forventes at forbedre salgsresultaterne yderligere fremover.

Masser af guld gemt i egne kunde databaser

Big Data ligger i de fleste virksomheder upåagtet og uudnyttet i virksomhedens egne databaser. Datamaterialet venter blot på at blive analyseret og omsat til handling. For dem, der står over for at skulle implementere Big Data analyser (advanced analytics) giver det derfor god mening at starte med egne data frem for at igangsætte en kompliceret og omfattende informationsindsamling fra sociale medier, websites eller apps. Dermed kan fokus koncentreres om det kommercielle formål med Big Data analyserne. Hvilken ny viden skal komme ud af de nye analyser, og hvordan skal den viden omsættes til nye processer og ændrede handlingsmønstre i virksomheden? Den kommercielle fokus styrkes samtidig ved at egne data ofte kan analyseres med værktøjer og systemer, som allerede findes i virksomheden, og dermed sikrer man, at projektet ikke forsinkes eller drukner i indførelse af nye it værktøjer, som tager fokus fra det kommercielle mål.
Analyser af kundetilfredshed er et godt eksempel på en anvendelse af kundedatabasen, til vurdering af risikoen for at en kunde går over til konkurrenten. De fleste virksomheder har implementeret årlige kundetilfredsheds undersøgelser, hvor udvalgte kunder giver deres vurdering af virksomhedens performance på relevante områder. Alligevel oplever virksomhederne, at selv betydelige kunder pludselig og uden varsel forsvinder og går over til en konkurrent. En undersøgelse af de hyppigst forekommende årsager til en virksomheds skift af leverandør viste følgende:
74 % Dårlig kundeservice.
32 % Dårlig kvalitet.
25% Pris.

I den samme undersøgelse var leverandørernes egen opfattelse, at årsagen til tab af kunderne skyldtes:
49% Pris.
36% Kundebehovene er ændret.
22% Dårlig kundeservice.
(Kilde: Study of CRM. CRMguru.com)
Undersøgelsen viser, at virksomheder typisk ikke aner, hvorfor kunderne forlader dem, og dermed ved de heller ikke, hvad de skal gøre for at forøge kundeloyaliteten. At en intelligent analyse af kundedata kan forsyne virksomheden med tidlige signaler om en kommende kundeflugt, viser et eksempel fra telesektoren, hvor en teleoperatør oplevede et betydeligt frafald af kunder. En analyse af data fra registreringerne af gennemførte samtaler viste, at en stor del af de frafaldne kunder havde haft problemer med afbrudte samtaler, et problem, som ikke havde haft den store opmærksomhed i virksomheden. Den nye viden affødte en kampagne, hvor de ramte kunder fik tilbudt en signal booster(forstærker) eller en ny mobil til afhjælpning af problemet, og det stoppede kundeflugten.
Tidlige signaler om risiko for kundeflugt kan opfanges gennem analyser af de mange kundedata. Nogle typiske eksempler på signaler, som kan opfanges gennem løbende analyser af data fra kundebasen, vil være:

  1. Kunderne er længere tid om at acceptere nye tilbud.
  2. Kontakt med kundecentret sker sjældnere.
  3. Kunden stopper med indkøb af produkter eller services.
  4. Salget til kunden er dalende.

Når først signalerne er identificeret, skal yderligere analyser vise årsagerne til at kunden er på vej væk, og identificere andre kunder, som kunne have samme problem. Med den viden er virksomheden godt rustet til at udvikle fastholdelsesprogrammer, som ikke alene er målrettede, men som også er skræddersyet til forskellige enkeltkunder eller kundegrupper. Dataanalyserne kan identificere de kunder, som er tæt på at skifte leverandør. De kan også hjælpe til at udvikle individuelle risiko profiler og skabe viden om, hvad der præcis får en kunde til at stoppe. Og de skal ikke mindst skabe viden om den rigtige indsats, der skal fastholde den enkelte kunde. Med de rette dataanalyser og procedurer for de efterfølgende opfølgningsaktiviteter, kan virksomheden løse mange problemer på forkant, og dermed fastholde kunder, som ellers var på vej til at søge væk. Ihukommende det gamle udsagn, at det koster væsentlig mere at skaffe en ny kunde end at fastholde dem, man allerede har i kundebasen, så vil det være en god investering.
En kombination af lydbehandling og avanceret tekstanalyse, som er en teknologi, der er til rådighed i dag, kan bruges til at forstå indholdet af opkald gennem en vurdering af specifikke ord og vendinger, der anvendes. Denne information kan i kombination med kundens transaktionsadfærd, give anvisning på, hvordan den enkelte kunde bedst serviceres, og den kan yderligere danne grundlag for en mere sand performance-måling af kundeservice.

Andres anbefalinger bedre end egne lovprisninger

Et godt og almindeligt kendt eksempel på udnyttelse af data om kundeadfærd og kundepræferencer kaldes i fagterminologien at etablere en ”Recommendation Engine”. Det dækker i korthed over teknikken med at supplere lovprisning af egne produkter med andres anbefalinger af produktet. Et godt eksempel er Amazon.com. De, der har købt bøger gennem denne internetportal, vil, i kølvandet på en bogbestilling, have oplevet at få anbefalet en række andre bogtitler, som køberen også kunne have interesse i. Anbefalingerne er genereret automatisk ud fra computerens viden om dine tidligere bogkøb og andre data, der har genereret din profil som bogbruger i databasen. Blandt marketingfolk er det en kendt sag, at den type anbefalinger, måske også suppleret med anbefalinger fra kendte navne, som du kan identificere dig med, har mange gange større vægt end virksomhedens egne lovprisninger. Specielt hvis de rammer din profil og dine præferencer rimeligt godt.
Big Data og den seneste udvikling af avancerede analytiske værktøjer har uden tvivl åbnet for mange nye muligheder for beslutningstagere. For eksempel kan Big Data og advanced analytics hjælpe med:

  • At skræddersy kundeservice og produkter til hver enkelt kundes præferencer.
  • At forbedre strategiske forretningsbeslutninger og operationelle procedurer.
  • At etablere dynamiske og fleksible prissætningsmotorer, rettet mod enkelte kundenicher.
  • At etablere analyser og forudsigelser af kreditrisici.
  • At forebygge og påvise svindel.
  • At finde frem til – og udvælge – de rette talenter og kompetencer til organisationen.

En simpel projektmodel kan hjælpe i gang

Et af de problemer, som har gjort det svært at indføre løbende Big Data analyser som et ledelsesværktøj på både det operationelle, taktiske og strategiske niveau, har været at kunne præsentere en konkret, lønsom business case for projektet. Ifølge Hanne Breddal ligger noget af hemmeligheden i at få startet med løsning af et nært og håndgribeligt problem, som ikke kræver hverken en omfattende dataindsamling eller investering i nye it værktøjer. I de projekter, som BusinessMinds gennemfører, anvender de normalt nedenstående projektmodel for en Big Data implementering, hvor erfaringen viser, at det er alt afgørende at komme rigtigt fra start. Projektet indeholder følgende trin:

  1. Afgræns opgaven. Fokusér på et bestemt forretningsproblem, afstemt med forretningsmål.
  2. Fokusér på kunderne. Data skal vise vejen til at muliggøre levering af bedre services og bedre produkter.
  3. Vurdér først mulighederne med de eksisterende data, som de er her og nu. Vurdér derefter mulighederne fremover med forbedrede data.
  4. Gennemfør et lille proof-of-concept som en beta test med en lille gruppe af kunder. Mål resultaterne og check op på, at fordelene vil kunne realiseres med alle kunder.
  5. Hvis resultaterne er tilfredsstillende, implementeres processen i organisationen.
  6. Foretag løbende målinger for at sikre, at værdien fortsætter med at blive realiseret.

Hanne Breddal indrømmer, at projektmodellen ikke er specielt ny, men den repræsenterer en mere ydmyg tilgang til nyttiggørelse af Big Data, end man normalt ser for den type projekter, når de beskrives i artikler. Her er det problemerne med de enorme datamængder, som normalt skal hentes fra mange forskellige medier, og som endog ofte forefindes helt ustruktureret, der fylder meget i projektbeskrivelserne. Den simple projektmodel kan hjælpe især virksomheder, som er nye på fagområdet, til hurtigt at skabe målbare, økonomiske resultater for forretningen, samtidig med at erfaringer med teknologien indhentes. Dermed kan vejen banes for en mere omfattende business case for en forretningsudvikling, baseret på analyse og udnyttelse af Big Data.

BusinessMinds

BusinessMinds er et analytics konsulentfirma specialiseret i at forbedre salg og processer ved hjælp af data. Med kundeindsigt skaber vi kundetilgang, mersalg og kundefastholdelse. Vi hjælper vores kunder med at identificere, planlægge, vælge, udvikle og implementere analytics og data løsninger.
Copenhagen – Sydney – Manila – Dubai