Asiakasdata insightin lähteenä - Mikko Koski, Director of Advanced Analytics

Copyright © Dagmar Oy

ASIAKASDATA INSIGHTIN LÄHTEENÄ

ASIAKASKOHTAAMISISTA SYNTYVÄN

DATAN HYÖDYNTÄMINEN

Mikko Koski

MVV 22.9.2015

Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi

ANALYTIIKKA AVUKSI ASIAKKUUDEN ERI VAIHEISSA

TUNNISTETTUTUNTEMATON MENETETTYAKTIIVINENUUSI PASSIIVINEN

LOJALITEETIN JA ARVON

KASVATTAMINENASIAKASPOISTUMAN HALLINTA

POTENTIAALINEN TUNNISTAMINEN, TUNNETTUUDEN KASVATTAMINEN, MIELENKIINNON HERÄTTÄMINEN, LIIDIEN HANKINTA, VALIDOINTI JA KÄSITTELY

ARVON KASVATTAMINEN: YLÖSMYYNTI JA RISTIINMYYNTILOJALITEETIN JA SUOSITTELUN KASVATTAMINENASIAKASKÄYTTÄYTYMISEEN PERUSTUVA REAGOINTI, OPPIMINEN, OPTIMOINTI JA ENNUSTAMINENPASSIIVISTEN AKTIVOINTI JA ASIAKASPOISTUMAN EHKÄISY

UUSASIAKASHANKINTA

ASIAKKUUDEN ELINKAARI


ASIAKASDATAN ANALYYSI TUNNISTAMATTOMISTA ASIAKKAISTA


TUNNISTAMATTOMIEN ASIAKKAIDEN SEGMENTOINTI MAINONNANHALLINNANJÄRJESTELMÄN DATALLA

A

CB


ANALYYSIN TULOKSET PERSONOINNIN POHJANA

Tunnistetaan erilaiset kävijäryhmät ja heidän

kiinnostuksenkohteensa

Analyysi

Tarjotaan eri asiakasryhmille erilaista

mainontaa ja erilaisia sisältöjä verkkosivuilla.

Mitkä säännöt parantavat konversiota?

Mitä uusia sääntöjä datasta löytyy?

B

B

Sisällön personointi Mittaus ja optimointi


ASIAKASDATAN ANALYYSILLÄ LISÄMYYNTIÄ NYKYASIAKKAISTA


ASIAKASKANNAN LÄPIKÄYNNILLÄ YLEISYMMÄRRYS KANNASTA

Minkälaisia asiakkaita yrityksellä on? Mitkä ovat pahimmat kipukohdat asiakaskannassamme?

60% 40%

Sukupuolijakauma

45%

45% asiakkaistaomistaa kanta-asiakaskortin

20%

20% asiakkaistarekisteröitynytnettisivuilla

10%

10% asiakkaistatilaa uutiskirjettä

Myynti alueittain Ostofrekvenssi

Brändi 1

Brändi 2

xxx

Brändi 3

Brändi 4

xxx

xxx

xxx

KeskiostosBrändi 1

Brändi 2

xx €

Brändi 3

Brändi 4

xx €

xx €

xx €

Syntymävuosi

Ikäjakauma


SEGMENTOINTI LUO POHJAN HOITOMALLIEN LUOMISELLE

Klu

ster

in a

rvo

Klusterin koko

Arvokkaat

Säännölliset

Eri asiakasryhmien merkitys yritykselleARVOKKAATKorkea arvo per asiakasKorkea arvo koko klusterille Rakennetaan hoitomalli asiakastyytyväisyyden

varmistamiseksi – asiakaspito keskeisessä roolissa.

SÄÄNNÖLLISETYksittäisen asiakkaan arvo on pieni matalan tuotekäytön vuoksi Kasvatetaan asiakkuuden arvoa ristiinmyynnillä.

PASSIIVISET JA PASSIVOITUVATKeskisuuri tai pieni asiakkaan arvoSuuri määrä menetettyä potentiaalia.Ei aktiivisuutta viimeaikoina Suunnitellaan uudelleenaktivointistrategia, jolla

asiakkaiden kiinnostus palveluihin saadaan heräämään.


KESKIOSTOS KASVAA OSTOSKORIANALYYSIN JÄLKEEN

TUOTE A TUOTE B

Jos asiakkaalla on jo tuote A, Tuotteen B ostotodennäköisyys kasvaa 30%.

Asiakas-ID Ostoskori

201554 Tuote A, Tuote B

735382 Tuote F

586621 Tuote F

796042 Tuote B, Tuote D, Tuote E

611249 Tuote A, Tuote C, Tuote G

369378 Tuote F

409540 Tuote F

747668 Tuote A, Tuote B, Tuote C

507920 Tuote C

900003 Tuote F

994983 Tuote A, Tuote C, Tuote G


487952 Tuote G, Tuote B, Tuote E

963675 Tuote A, Tuote C

178249 Tuote C

222427 Tuote C, Tuote D


849366 Tuote C, Tuote D

TUOTE C

TUOTE D

TUOTE E

TUOTE G

TUOTE ITUOTE F

TUOTE H

Kun asiakkaalla on mitkä tahansa kaksi Tuotteista F,G ja H, Tuotteen I ostotodennäköisyys kasvaa 60%

Tuotteen C ostajat ovat kiinnostuneita myös Tuotteista D ja E. Vaikka Tuotteen D ostotodennäköisyys on hieman korkeampi, saadaan parempi lisätuotto tarjoamalla hieman kalliimpaa Tuotetta E.

Datana asiakkaan myyntireskontra


ASIAKASDATAN ANALYYSI POISTUMAN HALLINNASSA


ANALYYSI PALJASTI : ASIAKASPOISTUMAN MERKITYS L I IKETOIMINNALLE SUURI

Vuonna 2014 17 150 asiakkuutta loppui.

Tämä tarkoittaa noin

€ 2 800 000 menetystä

vuotuisissa asiakastuotoissa.

Resurssit ovat rajalliset ja asiakkaiden kontaktoiminen kallista.

Kuinka poistumaa voisi pienentää?


LÄHDÖN SYIDEN SELVITTÄMINEN JA POISTUMAN ARVO

Pelastettavien asiakkaiden arvo määrittää toimenpiteisiin käytettävät resurssit.

• Miten paljon asiakkaita poistuu?

• Kenet voitaisiin pelastaa?

• Kenet haluttaisiin pelastaa?

• Mikä on pelastettavissa olevien asiakkaiden arvo?

POISTUVAT

Pelastettavissa

olevat asiakkaat


ENNUSTEMALLI TUNNISTAA SUURIMMASSA POISTUMARISKISSÄ OLEVAT ASIAKKAAT

ASIAKAS-IDPOISTUMIS-

TODENNÄKÖISYYS201554 87,9 %

735382 87,7 %

586621 84,5 %

796042 83,8 %

611249 83,0 %

369378 80,0 %

409540 79,6 %

747668 76,4 %

507920 75,2 %

900003 71,3 %

994983 70,2 %

171392 67,1 %

487952 66,1 %

963675 64,9 %

Malli ennustaa asiakkaiden poistumatodennäköisyydet Jatkotoimenpiteitä varten valitaan suurimmassa poistumisriskissä olevat henkilöt

SuuriKeskisuuri Matala


ENNUSTEMALLIA ANALYSOIMALLA SAADAAN TIETOA POISTUMAAN VAIKUTTAVISTA TEKIJÖISTÄ

Mallin avulla selvitimme, että asiakkaan poistumatodennäköisyyteen vaikuttaa erityisesti:

• Edellisen kontaktin jälkeen kulunut pitkä aika –merkittävin poistumaan vaikuttava tekijä.

• Haja-asutusalueella asuminen – kaupungeissa pienempi poistumariski.

• Sukupuoli - Miesten poistumariski on naisten riskiä suurempi.

• Tuoteryhmä A:n käyttö - asiakkaat ovat keskimääräistä lojaalimpia.

• Suuri palveluiden lukumäärä – mitä useamman palvelun käyttäjä asiakas on, sitä pienempi poistumariski on.

• Asiakkuuden ikä – pitkä asiakkuus laskee poistumariskiä, mutta vain hieman.

MUUTTUJAVAIKUTUS POISTUMA-

TODENNÄKÖISYYTEEN

Aika edellisestä kontaktista (kk)

+ 21 %

Asuinpaikka (haja-asutusalue, kyllä/ei)

+ 15 %

Sukupuoli (mies, kyllä/ei)

+ 6 %

Tuoteryhmä A:n käyttö(kyllä/ei)

- 16 %

Tuotteiden lukumäärän kasvu

- 30 %

Asiakkuuden ikä - 5 %

Poistumariski pienenee

Poistumariski kasvaa


YHTEENVETO


• Asiakasdataa kertyy moniin eri lähteisiin.

• Dataa analysoimalla muodostetaan näkemystä.

• Näkemys on edellytyksenä asiakkuuksien johtamiselle.

ANALYYSI

ASIAKKUUS-STRATEGIA

TOIMENPITEET


KIITOS!

Mikko KoskiDirector of Advanced Analytics

[email protected]+358 40 672 2500

Marketing

Asiakasdata insightin lähteenä - Mikko Koski, Director of Advanced Analytics