Uuden asiakkaan hankkiminen maksaa paljon, senhän me jo tiedämme. Siksi olemassa olevat asiakkaat kannattaa pitää iloisina. Ja mikäpä pitäisi asiakkaan paremmin tyytyväisenä kuin se, että palvelun tarjoaja tietää, mitä asiakas tarvitsee, ja millaisista ratkaisuista hän saattaisi juuri tänään olla kiinnostunut.
Pienten kivijalkaputiikkien henkilökohtainen palvelu on jo vuosikymmeniä perustunut asiakkaan tuntemiseen, eikä taustalle tarvita sen kummempaa tietojärjestelmää kuin yrittäjän hyvä kasvomuisti ja innokas asiakaspalveluasenne. Vakioasiakkaiden mieltymykset muistetaan, ja satunnaistenkin kävijöiden tarpeista voi päätellä paljon kasvokkain kohdatessa. Kun yrityksen koko kasvaa ja kohtaamiset siirtyvät verkkoon, asiakas muuttuu helposti kasvottomaksi. Paraskaan ihmistuntemus ei enää riitä, tarvitaan jotakin muuta. Tarvitaan järjestelmällisesti kerättyä ja jäsenneltyä tietoa asiakkaasta ja hänen tarpeistaan ja toiveistaan – tarvitaan dataa.
Asiakkuuksien hallinnan näkökulmasta datan käytön voi jakaa kolmeen osaan. Ensin keskitytään datan keräämiseen: millaista tietoa kannattaa tallentaa, mihin, ja mistä lähteistä sitä saadaan? Tämän jälkeen eri lähteiden tiedot yhdistetään toisiinsa eheän kokonaiskuvan rakentamiseksi. Kolmannessa vaiheessa pohditaan sitä, millä kaikilla tavoilla valmista tietopankkia voidaan hyödyntää.
1. Datan suunnittelu ja tallentaminen
Kaikki hyvä alkaa huolellisesta suunnittelusta. Millaista tietoa asiakkaista kannattaa kerätä? Vastaus on yksinkertainen: asiakkaista kannattaa kerätä sellaista tietoa, mistä liiketoiminnalle on hyötyä. Käsitys siitä, millaisella tiedolla on oikeasti merkitystä asiakkuuden hallinnassa, vaihtelee yrityksen osastolta toiseen. Siksi tiedonkeruun suunnitteluun kannattaa varata aikaa kaikilta avainhenkilöiltä. Datatarpeiden kartoitus on vahvasti strategista työtä, ja se aloitetaan usein peruskysymyksistä: Miksi meidän yrityksemme on olemassa, ja millaisia tavoitteita sillä on? Millaista tietoa tarvitaan näiden tavoitteiden saavuttamiseksi? Mitä minun täytyy tietää asiakkaastani, jotta voisin palvella häntä paremmin?
Kun tiedon tarpeet on kartoitettu, alkaa sen kerääminen ja tallentaminen. Asiakastiedon hallinnan keskiössä on CRM-järjestelmä, johon tallennetaan olennaiset tiedot asiakkaasta (mm. nimi, demografiat, käytössä olevat palvelut, tilaushistoria, asiakaspalvelun yhteydenotot). Web-analytiikka – esimerkiksi Google Analytics – kerää tietoa siitä, miten ja millaisilla laitteilla kävijät käyttävät verkkosivustoa ja/tai verkkokauppaa. Erilaiset kyselytutkimukset (asiakastyytyväisyystutkimus, verkkosivuston kävijätyytyväisyystutkimus, profiilitutkimukset jne.) puolestaan tarjoavat pehmeämpää tietoa käyttäjän mieltymyksistä ja tyytyväisyydestä palveluun, ja niiden avulla voidaan myös helposti kartoittaa käyttäjien toiveita palveluiden kehittämisen suhteen. Käytössä voi olla myös mainonnanhallintajärjestelmä, joka profiloi käyttäjiä digitaalisten mainosten jakelun näkökulmasta. Näiden lisäksi tietenkin olemassa on koko joukko muitakin datalähteitä aina kvalitatiivisista tutkimuksista henkilökunnan hiljaiseen tietoon.
2. Datan yhdistäminen
Viime vuosina markkinointimaailma on kohissut Big Datan ympärillä. Totuus on kuitenkin se, ettei datan määrä ratkaise: pienet ja keskisuuret datat ovat yhtä tärkeitä ja usein tärkeämpiäkin kuin suuret massiiviset dataoksennukset. Dataa ei varsinaisesti puutu maailmasta, ja valtava osa siitä on lähinnä servereitä ja pilvipalveluita turhaan turvottavaa ongelmajätettä – hyödyllisen datan mukana tulee aina aimo annos hyödytöntä, ja tarpeellinenkin tieto muuttuu nopeasti tarpeettomaksi, jos siihen ei reagoida. Pahimmassa tapauksessa suunnitteluvaihe on unohtunut kokonaan, joten on päätetty kerätä ja tallentaa ”kaikki”. Tuloksena on hähmäinen datasuo, jossa kukaan ei osaa suunnistaa.
Big Data -ajatus ei laajasti ymmärrettynä kuitenkaan liity datan määrään, vaan kattavuuteen – siihen, että datalähteet integroituvat toisten datalähteiden kanssa holistisen kokonaiskuvan rakentamiseksi.
”Verkkokaupan myynti kasvoi 15 %” on toki tärkeää tietoa liiketoiminnan kehitykselle, mutta asiakkuuden hallintaan se ei tarjoa työkaluja. Keskiarvojen sijaan haluamme tietää, mitä Matti etsi viime viikolla verkkokaupastamme, ostiko hän lopulta tuotteen, tehtiinkö kaupat verkossa vai myymälässä, oliko Matti tyytyväinen verkkokaupan toimivuuteen, missä Matti asuu, kuinka vanha Matti on ja kuinka paljon Matti on viimeisen vuoden aikana käyttänyt ostoksiin yrityksessämme, mikäli verkko- ja kivijalkakaupan ostokset yhdistetään.
Jotta dataan pystytään lisäämään tieto käyttäjän henkilöydestä, käyttäjä on pyrittävä tunnistamaan kohdatessa. Yksityisyyttämme suojellaan, joten tunnistamiseen tarvitaan aina asiakkaan suostumus. Siksi meitä pyydetään verkossa rekisteröitymään palveluun ja kirjautumaan sisään, ja samasta syystä meidän toivotaan höyläävän kanta-asiakaskorttiamme kaupan kassalla asioidessamme. Erilaiset jäsenyydet ja kanta-asiakasohjelmat ovat siis monille yrityksille tarjouksineen arvokas sitouttamiskeino, mutta samalla ne tarjoavat tavan kerätä personoitua dataa.
Aina, kun puhutaan henkilökohtaisesti käyttäjään liittyvästä tiedosta, sen liikuttelussa on oltava erityisen varovainen. Käyttäjien henkilökohtaisia tietoja ei koskaan tallenneta esimerkiksi web-analytiikkadataan. Useimpien web-analytiikkatyökalujen käyttöehdoissa kävijän henkilökohtaisten tietojen eli niin sanottujen PII-tietojen (Personally Identifiable Information) on yksiselitteisesti kielletty, vaikka laki sen sallisikin (tosin myös laki asettaa tiukat rajoitukset henkilökohtaisen tunnistamisen mahdollistavan käyttäjädatan välittämiseen erityisesti EU:n ulkopuolella sijaitseville palvelimille). Siksi tarvitaan jokin muu yksilöivä muuttuja – vaikkapa anonyymi asiakasnumero – jonka avulla eri datalähteiden tiedot voidaan yhdistää toisiinsa, ja lopulta palauttaa CRM-järjestelmästä löytyvään tarkempaan tietoon käyttäjän henkilöydestä.
Kun yhdistävä muuttuja on valittu, on pidettävä huoli siitä, että se löytyy samanlaisena kaikista kerätyistä datoista. Web-analytiikassa asiakasnumerolle voidaan luoda oma muuttujansa, ja asiakkaan sisäänkirjautumistiedon avulla sama kävijä voidaan tunnistaa myös eri päätelaitteiden yli. Yrityksen omilla sivuilla pyörivät kyselytutkimukset kannattaa yhdistää web-analytiikkaan, jolloin analytiikan kävijätunnistus ulottuu myös kyselyyn ja toisaalta web-analytiikan taustatietoja voidaan käyttää kyselydatan taustamuuttujina. Muissa kuin verkossa pyörivissä kyselyissä asiakasnumeron voi tietenkin kysyä vastaajalta. Kaupan kassalla asioidessa kanta-asiakaskorttia höyläävän kävijän asiakasnumero tallentuu järjestelmään.
Sitten, kun sama avainmuuttuja löytyy eri järjestelmistä, useat datalähteet on mahdollista yhdistää yhdeksi suureksi datapankiksi. Tuloksena syntyy sitä itseään: Big Dataa.
3. Datan käyttäminen
Kun dataa on kerätty ja yhdistelty, on aika ryhtyä toimiin. Täydellisestäkään tietopankista ei ole mitään iloa, jos sitä ei kukaan käytä.
Yksi keskeisimpiä datan käyttötarkoituksia on aina ymmärryksen lisääminen. Kun asiakkaiden polut ja tyypilliset elinkaaren vaiheet ymmärretään, on päätösten teko helpompaa. Ymmärryksestä voidaan edetä saumattomasti segmentointiin eli erilaisten asiakastyyppien tunnistamiseen ja ryhmittelyyn. Segmenttitietoa voidaan hyödyntää laajasti esimerkiksi palveluiden tuotteistamisessa ja verkkosivuston rakenteen suunnittelussa.
Asiakkuuden hallinnan kannalta tietopankkien keskeisimmät hyödyt liittyvät kuitenkin viestintään. Kun data on kunnossa, voi markkinoija valistuneesti arvata, mistä tuotteista tai palveluista tämä asiakas saattaisi olla kiinnostunut, ja milloin on oikea aika lähestyä asiakasta. Imurin ostaneelle asiakkaalle kannattaa parin kuukauden päästä ostoksesta kaupata pölypusseja, ja skifisarjakuvia ahmiva kirjakauppa-asiakas ilahtuu uusimmasta Brian K. Vaughanin Saga-albumista tarjoushintaan. Viestinnän kohdennus eli targetointi lisää mainonnan tehoa, ja loppuasiakaskin tutustuu viesteihin mieluummin silloin, kun tarjolla on todennäköisesti juuri häntä kiinnostavia tuotteita. Sisältöä kannattaa varioida suorapostitusten ja sähköpostikirjeiden lisäksi myös verkkokaupassa ja digitaalisissa mainosverkostoissa.
Yksinkertaisimmillaan viestien kohdennus voi tarkoittaa muutamaa eri versiota uutiskirjeestä, mutta mitä tarkemmalle tasolle edetään ja mitä useampi kanava kohdennukseen valjastetaan, sitä hankalampaa variointi on manuaalisesti. Tähän tarvitaan markkinoinnin automaatiota eli järjestelmää, joka osaa annettujen reunaehtojen puitteissa luoda ja ajastaa tietylle asiakkaalle sopivat nostot automatisoidusti. Kun järjestelmän käyttämä data on laadukasta ja luotettavaa, lopputuloksena lähetetyt viestit tuntuvat vastaanottajasta relevanteilta. Markkinointi muuttuu hiljalleen palveluksi ja asiakas pysyy tyytyväisenä – ja lopulta aiempaa useammin myös asiakkaana.
Tämä kirjoitus on myös julkaistu Asiakkuusmarkkinoinnin vuosikirjassa 2017.
