Fra data til innsikt Ronny Seehuus 26.11.2014
Big data handler om å utnytte innsikt fra et dataunivers som er i eksponentiell vekst Petabytes - Zettabytes Terabytes - Petabytes Annen Text tekst Bilder Graphics og grafikk Eksterne data Vi skaper 2,5 trillioner bytes daglig så mye at 90 % av data i verden er skapt de siste to årene Gigabytes - Terabytes CRM Email Epost 80% Unstructured Data Databases r Presentations Presentasjoner & og Spreadsheets excel-ark Produkt Accounting og fagsystem Systems 20% av interne data 80% Tilpasset fra Gartner Research Big data handler om å utnytte hele datauniverset Side 2
Suppler tradisjonelle variabler med bransjerelevante faktorer Hvilken kundeinformasjon bør utnyttes? Fremtidig kundeatferd er vanskelig å predikere: en blanding av variabler er nødvendig for å forstå verdien av eksisterende og potensielle kunder Overordnede variabelkategorier som bør inkluderes i kundesegmentering Kjennetegn Holdninger Produktbehov Merkevare / tjenestebehov Bruk og kjøpsmønster Verdi Markedsstrukturer og konkurranse Kostnad for å betjene «Share of Wallet» Tilleggsfaktorer relevant for et helhetlig kundebilde Omsetning Muligheter for kryssalg Produktbredde og dybde Lojalitet Det er de selskapene som evner og tilpasse produktporteføljen og markedsføringsapparatet basert på en helhetlig kundeinnsikt som vil lykkes i markedet fremover Side 3
Det eksisterer en rekke mulige segmenteringstyper som det normalt jobbes ut fra som verktøy i kundearbeid SEGMENTERINGSTYPER Markedssegmentering Makro segmentering Strategisk Segmentering Kundesegmentering Behovssegmentering Segmentering på stabile kundebehov Takstisk segmentering Situasjonsbasert segmentering? Selvsegmentering Kunders egen segmentering Kundeinnsikt Side 4
Tilnærming til segmentering og det er ulike tilnærminger til segmentering Endringer i forbruksmønster og en stadig sterkere digitalisering skaper behov for å i større grad analyser fremtidig kundeverdi når en utvikler segmenteringsmodeller Grunnleggende Etablert Avansert 1% 4% 300,000 80,000 Økonomisk verdi* 25% 15,000 70% Livsfase Segmentering basert på volum Modenhet Kundeinnsikt Kundelønnsomhet Potensiale Gjennom å bevege seg fra grunnleggende til avansert segmentering tilegner organisasjonen seg en helhetlig kundeforståelse som er nødvendig for å maksimere kundeverdi gjennom alle faser av kundeforholdet Side 5
Nåværende verdi Økonomi En helhetlig segmentering av kundemassen muliggjør prioriterte og målrettede kundetiltak Eksempel HØY Velstående Kundeorientert segmentering MIDDELS LAV Etablert Nyetablert Ungdom LAV MEDIUM Alder HØY Segmentrettede tiltak Eksempel Lønnsomhetssegmentering HØY MIDDELS LAV Eksempel Ivareta Fokus Lavverdi Potensiell LAV MEDIUM HØY Potensiell verdi Etablert Fokus HØY Tariffer og rabatter Produkter og tjenester Kommunikasjon og markedsføring Salg og service Prediktiv segmentering Sannsynlighet for kundeavgang LAV MIDDELS HØY Bra 100 80 60 Dårlig 40 20 0 1 5 10 15 Score points 20 Side 6
Next-best-offer-modellering kombinerer en rekke datapunkter for å generere målrettede anbefalinger Modelleringen utføres med en kombinasjon av multivariate metoder og analyse av atferdsmønster Abonnement Alle kunder Eksisterende Tidligere Aktiv Inaktiv Telefon 1 Telefon 2 Tablet 1 Tablet 2 Abonnement Telefon 1 Telefon 2 Tablet 1 Tablet 2 Kjøpstilbøyelighet Mulige produkter Eks. Ukjent Demografi Historikk Bruk Personlig smak Anbefaling Tilleggsprod. Ukjent Kundeinteraksjon Abonnement Telefon 1 Tablet 1 Høyttaler 1 Telefon 2 Produktprioritet Tablet 1 Tablet 2 Side 7
Bransjen opplever likevel at det er utfordrende å lykkes med avansert analyse Hva sier bransjen - barrierer for å lykkes med avansert analyse * * * * * Vanskeligheten med å vite hvilke forretningsproblemer som skal løses med data og analyse De tekniske og teknologiske utfordringene knyttet til å håndtere mengden, variasjonen og hastigheten til data Mangel på helhetlig tilnærming Mangel på talenter med data- og analyseferdigheter Frykt for cyber-angrep Vanskeligheten med å bygge business caset, gitt mangel på bevissthet rundt potensielle fordeler Juridiske retningslinjer knyttet til persondata, personvern og copyright Veldig lav Lav Moderat Høy Veldig høy * Tema for denne presenasjonen Side 8
Utfordringen er organisatorisk og knyttet til kompetansegap internt i og på tvers av enheter Analytiskkompetanse Analytisk kompetanse Forretningskompetanse Forretningskompetanse Forbedring av en forretningsprosess Teknologi og verktøy Forretning IT Tilgjengelighet og kvalitet av data Teknisk kompetanse Datakompetanse Side 9
Hastigheten som kreves for avansert analyse er mye høyere enn det IT kan imøtekomme Prosess som kreves for avansert analyse Prosjekt i en typisk IT-governancemodell Kilde til konflikt Analytikeren vet ikke hvilken informasjon som har verdi før de ser En feil hypotese må raskt forkastes for å være effektiv Leveransehastigheten kan økes, men har naturlige begrensninger «Agile is too slow», Eric Colson, Netflix Side 10
Analyse og operasjonalisert innsikt er to forskjellige ting likevel behandles de ofte likt Avansert analyse Rapportering Kan karakteriseres ved Bottom-up fokus Beslutningsstøtte Ny innsikt Prosess, kompetanse og teknologi Ikke prosjektbasert, fokus på hurtig leveranse Riktig verktøy for riktig problem Tjenestebasert, eksempelvis tilrettelegge for ny data Ulike typer data, også skitne data fra nye kilder Ikke kvalitetssikret av IT Prosessnærhet Tolkningskompetanse Optimalisering Prediksjon Data discovery Analytiske Modeller Tolkningsbasert innsikt Eksterne Data Analytics arkitektur og sandboxing Handling Operasjonalisert Innsikt Interne Data BI arkitektur Informasjon ETL Rapporter Dashboards Drill-down DVH MDM Kan karakteriseres ved Top-down fokus Styring og kontroll Operasjonalisert innsikt Prosess, kompetanse og teknologi Prosjektbasert utvikling Kontinuerlig forvaltning fra BImiljøet Gjennomgående ITIL-basert (eller et lignende prosessrammeverk) Bygd på enhetlig datamodell, kodeverk, strukturer Fokus på data governance Kvalitetssikret av IT Standardiserte verktøy Operasjonalisering av analyse IT overvåker bruk, og har regelverk knyttet til når operasjonalisering kreves Side 11
Organisering, prosesser og IT må tilpasses for å takle hindere for vellykket start-til-slutt-kundeinteraksjon Problemer Utilstrekkelig data Lav intern datakvalitet Mangel på relevant og strukturert data Inkosistente datamodeller og klassifiersering produktorientering i stedet for kundeorientering Svake eksterne datakilder og duplikate sourcing-forsøk Kompleks teknologilandskap For mange verktøy og leverandører Legacy-arkitektur Gap i teknologiske kapabiliteter og egenskaper Driftskostnader er for høye, ROI er lav, lav tid-til-marked og lav tilpasning av store CRM-løsninger Ineffektive analyticsapplikasjoner BI begrenset til enkle spørsmål og rapportering, med lav grad av sofistikasjon I metoder og algoritmer Dårlig forståelse og mangel på egenskaper knyttet til prediktive teknikker og effekten disse kan ha Ingen innsikt-leder-til-handling Side 12
De beste i klassen 1 har klart eierskap på toppledernivå og organisering 2 kombinerer åpen ekstern data med intern data 3 lar kundene bestemme tilgjengeligheten av data 4 henter talenter med riktig bakgrunn 5 benytter centers of excellence Side 13
Takk for oppmerksomheten Spørsmål?