Big data innsikt for å sikre fremtidens kundeservice og kundeserviceinnsikt

Transkript

1 Big data innsikt for å sikre fremtidens kundeservice og kundeserviceinnsikt Hvordan bruke data fra interaksjon med kundene for å få større kundeinnsikt og grunnlag for å forbedre tjenester og produkter? Oslo, 22. august 2013 Sigmund Festøy, Partner/Daglig leder PLOT Oslo 29. januar 2015

2 Disposisjon Innledning Om kunden Hypotesedrevet Enkle triks Oppsummering 2

3 Informasjon er sand 3

4 innsikten er gullet som er i sanden 4

5 Big data betyr mye sand Ikke overless kolleger og sjefer med sand..... selv om big data og teknologi har gitt deg muligheten til å gjøre det 5

6 Skal snakke om å vaske gull 6

7 Data er sand innsikt er gull Om kunden Hypotesedrevet Enkle triks Oppsummering 7

8 Kundeservice = Opplevelse og følelser Kundens opplevelse Kundeservice er en serie med aktiviteter designet for å øke kundetilfredsheten kundens opplevelse og følelse av produktet og tjenesten sammenlignet med forventning Kilde; PLOT, fritt etter Turban et al

9 Kundeservice er ett av selskapets virkemidler for å skape opplevelsen Leveransen - Selskapets produkter og tjenester 9

10 Gullet er innsikten i hva det er som skaper den ønskede kundeopplevelsen og følelsen Selskapets vei til målgruppen.. og ikke minst hva som ødelegger for den ønskede kundeopplevelsen 10

11 Gullet er innsikten i hva det er som skaper den ønskede kundeopplevelsen og følelsen Selskapets vei til målgruppen Leveranse Produkter/tjenester Distribusjon Menneskene Opplevelse Kommunikasjon Pris Hvordan løftet holdes og bygges (konkret leveranse) Hva målgruppen vil ha 11

12 Kundens opplevelse og følelser er det som er viktig Big data kan ikke gi oss det men big data kan hjelpe oss et stykke på vei Du som analytiker og menneske må bruke din empati for å tolke og bruke big data Mennesket skal styre maskinen 12

13 Data er sand innsikt er gull Hypotesedrevet Opplevelser og følelser Enkle triks Oppsummering 13

14 Hypoteser og modeller 14

15 Hypotesebasert analyse er å kombinere fundamentale og korrelasjonsbaserte modeller Fundamentale modeller Matematisk korrelasjon U = R x I (e.g. Ohms law) Hypotesen er en forventning om en mulig fundamental sammenheng Analyse av data for å finne korrelasjoner og sammenhenger 15

16 Big data handler om teknologer som møter humanister Påstand For en teknolog så er marketing og salg på steinaldernivå når det gjelder fundamentale modeller Som forklarer årsak og virkning Som kan kvantifiseres Delvis fordi menneskers opplevelser og følelser ikke kan måles eksakt men også fordi de som er dyktige i salg og markedsføring er mer humanister enn teknologer Bygg enkle modeller som er gode nok Forutsetning for å utvikle hypoteser Enkle modeller som forklarer det vesentlige i akkurat din virksomhet Uten at du behøver å lage en universal modell for kundeservice

17 Fundamentale modeller i salg og marked 17

18 Noen enkle og nyttige modeller Hovedprosesser innenfor marked, salg og kategori Kundereisen Behovet Den prosess eller kundereise som kunden går gjennom for å kjøpe et produkt eller en tjeneste Opplevd eller forventet verdi av produktet/tjenesten for kunden Ulike kunder har ulike behov og opplevd verdi vil variere mellom ulike kunder eller grupper av kunder (segmenter) Å trekke kundene gjennom kundereisen på en effektiv måte Effektiv=tilpasset kundene slik at salgskostnaden ikke er høyere enn den trenger å være Kilde; PLOT 18

19 Hypotesebasert analyse er å kombinere fundamentale og korrelasjonsbaserte modeller Fundamentale modeller Matematisk korrelasjon + > 0 19

20 Salg og markedsføring er å optimalisere kundereiseformelen Kundereiseformelen Opplevd/ forventet verdi + Merverdi i - kundereisen Byttebarrierer > 0 Forklaring: Hvor sterkt er behovet? I forhold til opplevd pris (verdi=fordeler pris) Hvor godt er tilbudet? Hvor bra er servicen? Hvor fristende er salgsmateriellet? m.m. Hva kreves av informasjon og opplæring? Kostnader involvert? m.m. Oppgaven til markedsføring og salg: Kilde; PLOT Øke opplevde fordeler Sette optimal opplevd pris Optimalisere salgskostnader Prisavslag og andre salgskostnader Redusere opplevde bytterbarrierer (hvis mulig) Jo større summen i formelen blir desto flere kunder men på bekostning av lønnsomhet 20

21 Kunder kjøper produkter og tjenester for å tilfredsstille emosjonelle og funksjonelle behov Click Kundebehov to edit Master title style Individuell Introvert Passivitet Stimulere sanser Ukrenkelighet Unngå stress Min egen favoritt Uavhengighet Måloppnåelse Omsorg Vise seg frem Anerkjennelse Sex Lek Dominans Tilhørighet Ekstrovert Sosialt For andre, det som passer seg Kilde; PLOT 21

22 Hvordan flytte kunden optimalt fra etappe til etappe i kundereisen Kundereisen Click to edit kjøpsprosessen Master title style Informasjon om X Forespørsel om tilbud Kjøp/Aksept Har ikke hørt om X Lead Prospect Kunde Vet at X finnes Vet noe om X Vet hva X kan gjøre TV reklame Kundesenter DM Hjemmesiden X.no TM Rabatt/prisavslag 22

23 Enkel modell praktisk eksempel 23

24 Prøving er første skritt til salg Case: Kundereisen prøving og kjøp Totalt besøk Søker produkt =100% Salg= 0 stk Ser på produkt 1. prøving Salg= 2 stk Salg= 4 stk Totalt salg= 6 stk Søker annet Besøk til butikk I produktavdeling Prøving av produkt Kjøper produkt Kilde; Maskert case 24

25 Data er sand innsikt er gull Opplevelser og følelser Lag enkle modeller Enkle triks Oppsummering 25

26 Gruppering 26

27 Gruppering er en analyseteknikk for å forenkle Ost mild smak gir energi kalsium til skjelettet passer til alle aldre pynter bordet lett å skjære praktisk på brødet holder seg i matpakken Kilde; Plot, BCD 27

28 Hver gruppe oppsummeres med et budskap Click Ost to edit Master title style Gir deg det du trenger gir energi kalsium til skjelettet.. passer godt på frokostbordet mild smak passer til alle aldre pynter bordet.. og er lettvint og praktisk lett å skjære praktisk på brødet holder seg i matpakken Kilde; Plot, BCD 28

29 Gruppering er viktig teknikk for å forenkle Gruppering og big data Grupper data og tall i rapporter og analyser 3 grupper er best 5 grupper går bra, 7 grupper til nød La Øvrig/annet være den siste gruppen legg alt smått der Forenkle så langt du kan Fremhev avvik bare hvis de er viktige 29

30 Enkel matematikk 30

31 Innsikt gjennom enkel beregning og gruppering av resultater Innsikts eksempel; Hvor ofte vil du si at du besøker kjeden X? Hvor ofte vil du si at du bruker produkt/tjeneste X? Andel av befolkning Antall Antall x per personer år (1000) Totalt antall bruk, mill Andel av bruk daglig 1 % % 3-5 ganger per uke 2 % % 2-3 ganger per uke 5 % % ukentlig 10 % % 2-3 ganger per måned 15 % % månedlig 25 % % kvartalsvis 23 % % sjeldnere 14 % % aldri 5 % % totalt 100 % % Brukere (ukentlig el oftere) 18 % % Iblant brukere (månedlig) 40 % % Ikke-brukere 42 % % Total 100 % % Kilde; Plot 31

32 Kombinere datakilder 32

33 Kombinere data fra flere kilder i analysene Ulike metoder for å frambringe målgruppeinnsikt Metodekartet markedsinnsikt Høy / makro Grad av (nasjonal) representativitet Spørreundersøkelser (web, telefon...) Exit intervjuer SSB ACNielsen Bransjestatistikk Salgsdata Digitale spor (klikk, visninger,...) Kassalappdata Markedsinnsikt krever forståelse av både adferd og holdning Finnes ingen enkelt metode eller datakilde som gir hele svar Bruk av flere ulike datakilder i analysene bidrar til bedre innsikt Personlige intervjuer Fokusgrupper Observasjoner (i og utenfor butikk,...) Lav / mikro Holdninger ("The talk") Type innsikt Atferd ("The walk") 33

34 Data er sand innsikt er gull Opplevelser og følelser Lag enkle modeller Bearbeid dataene Oppsummering 34

35 Vask frem gullet fra sanden Oppsummering Data er sand innsikt er gull Opplevelser og følelser Lag enkle modeller Bearbeid dataene Vask frem gullet fra sanden 35

36 Prøv Plot Tre grunner til å jobbe med Plot LØS PROBLEMER SKAP VEKST Identifiser og utnytt muligheter for verdiskapende vekst Still riktig diagnose og velg riktig behandling BLI ENDA BEDRE Bidra til kontinuerlig læring og utvikling Takk for at du hørte på! 36

37 KONTAKTPERSON Sigmund Festøy