Asiakaspolun kuvaamisesta asiakkuuden arvon maksimointiin

Asiakaspolkujen ymmärtämisessä on lähdetty perinteisesti liikkeelle kuvaamalla polkuja. Se on hyvä tapa saada käsitys polun eri vaiheista, mutta ei yleensä riitä tuottamaan kokonaisvaltaista ymmärrystä. Tarvitaan lisää dataa, jonka avulla voidaan mitata ja analysoida eri vaiheiden ja kohtaamispisteiden merkitys koko asiakaspolussa. Ja päästä kiinni yksittäisen asiakkuuden arvoon ja sen maksimointiin.

Asiakaspolkujen kuvaaminen

Customer Journey Map on hyvä työkalu, kun halutaan nähdä, miten asiakkaan polku muodostuu ja mitä kohtaamispisteitä matkan varrella tulee vastaan. Polusta voidaan löytää niitä kohtia, joissa asiakas on tyytyväinen ja myös niitä, jotka herättävät tyytymättömyyttä.

Journey Map -tyyppinen työkalu sopii polun kuvaamiseen ja kenties ymmärryksen pohjaksi, mutta mittaamista ja analysointia se ei juuri vielä edistä. Tarvitaan siis muuta.

Kohti polkujen mittaamista

Polkuja kuvatessa kartoitetaan usein myös se, mihin kohtaamispisteessä syntynyt data kertyy. Tyypillisiä järjestelmiä ovat esimerkiksi web-analytiikka, CRM, mainonnanhallinta, automaatio, asiakaspalaute tai asiakaspalvelujärjestelmät. Koko asiakaspolun/elinkaaren kattava data on tyypillisesti hajallaan eri siiloissa.

Siiloissa olevan datan perusteella voimme toki lähteä mittaamaan asiakaspolkuja, mutta tulosten analysointi on vaikeaa tai ainakin vajavaista. Mittaaminen vielä onnistuu kohtaamispiste kerrallaan, mutta analysointi ei.

Analysoinnin kannalta nousee esiin kaksi puutetta: analyysi kohdistuu vain tiettyihin kohtaamispisteisiin/vaiheisiin tai se ei yllä yksilötasolle.

Aggregoitu vs yksilöity

Siiloissa oleva data tarkoittaa usein sitä, että eri lähteiden dataa ei voi yhdistää yksilötasolla. Näin analyysit joudutaan tekemään aggregaattitasolla.

Joissakin tapauksissa se riittää hyvin, esimerkiksi kun teemme ekonometristä mallinnusta, jossa haluamme selvittää eri kanavien keskimääräistä tehokkuutta.

Asiakaspolkujen analysoinnissa olisi kuitenkin hyvä päästä vielä syvemmälle tasolle, kiinni yksittäisen asiakkuuden arvoon ja sen maksimointiin.

Asiakaspolkujen analysointi vaihe kerrallaan

Siiloissa oleva data aiheuttaa myös sen, että voimme analysoida vain tiettyjä osia kerrallaan. Esimerkiksi attribuutiomallinnus ja asiakaskanta-analyysi tuovat hyvää ymmärrystä tietystä polun vaiheesta, mutta ne eivät vielä anna kokonaiskuvaa eri kohtaamispisteiden tai vaiheiden merkityksestä koko asiakaspolussa.

Eri kohtaamispisteiden arvon tunnistaminen

Kun asiakaspolkuja lähdetään optimoimaan eli kehittämään asiakaskohtaamisia, on tiedettävä kunkin kohtaamispisteen merkitys asiakkuuden arvon kannalta. Usein tämä on varsin hankalaa, jos käytössä ei ole yksilöityä dataa koko elinkaaren ajalta. Tai data on siiloissa, eikä sitä ole yhdistetty.

Jotta voidaan tunnistaa yksilöidyllä tasolla tärkeimmät kohtaamispisteet ja ymmärtää koko asiakassuhteen elinkaari, tarvitaan eheää asiakasdataa kaikista kohtaamispisteistä.

Datan yhdistäminen

Kun puhutaan datan yhdistämisestä, puhutaan niin offline- kuin online-datasta, mutta myös anonyymin datan yhdistämisestä tunnistettuun. Tähän tarkoitukseen tarkoitettuja järjestelmiä kutsutaan nimellä CDP eli Customer Data Platform. Ne ovat vielä suhteellisen uusia ja varsin vähän käytettyjä, varsinkin meillä Suomessa.

Kun datat on saatu yhteen, voimme ryhtyä mittaamaan ja analysoimaan koko asiakaspolkua. Seuraavaksi vuorossa onkin analyysin teko datan pohjalta tai koko polun tehokas orkestrointi sekä optimointi yksilön tarpeet huomioiden.

Intoa tehokkaampien asiakaspolkujen rakentamiseen!

tämän blogin kirjoitti

Dagmar

dagmar@dagmar.fi

+358 9 693 011