23.04.2020 / Data Science

Tuo asiakasanalytiikalla lisää tehoa myynnin ja markkinoinnin kohdentamiseen

Poikkeusaika ja asiakkaiden siirtyminen kivijalkakaupoista verkkoon on vaikuttanut merkittävästi yritysten uusasiakashankintaan. Oikea-aikainen asiakasviestintä ja relevantti kohdentaminen nousevat nyt entistäkin tärkeämpään rooliin. Dagmar Driven Data Scientist Ilari Vähä-Pietilä kannustaa hakemaan myyntiin tukea omasta asiakaskannasta ja siihen liittyvästä datasta. Hyviä työkaluja ovat mm. poistumamallinnus, tuotesuosittelukone, ostoskorianalyysi ja asiakasklusterointi.
Author

Ilari Vähä-Pietilä

Data Scientist, joka innostuu erityisesti haastavien koneoppimispulmien ratkaisemisesta. Vapaa-aika kuluu punttisalilla treenaillessa ja musiikkia kuunnellessa.

 

Hae tukea myyntiin omasta asiakaskannasta ja siihen liittyvästä datasta.

 

– Kun tunnistamme asiakkaiden elinkaaren vaiheita, tunnistamme myös parhaan potentiaalin ja suositeltavat tuotteet. Näin voimme kohdentaa ja tehostaa viestintäämme aivan ennennäkemättömällä tavalla. Pääsemme lähestymään asiakasta juuri silloin kun hänellä on ostohousut jalassa, toteaa Ilari Vähä-Pietilä.

Suomen asiakkuusmarkkinointiliiton 9.4.2020 julkaiseman tutkimuksen mukaan monissa yrityksissä on jo ryhdytty priorisoimaan asiakasuskollisuutta; 59 % markkinointipäättäjistä listaa asiakaslojaliteetin top-3 tärkeimmäksi fokusalueeksi koronakriisin aikana.

– Kun valjastamme oman asiakaskannan uinuvat mahdollisuudet markkinoinnin ja myynnin tueksi, selviämme vaikeista ajoista paremmin ja olemme elpymisen alkaessa kilpailijoita muutaman askeleen edellä, uskoo Vähä-Pietilä.

Dagmarilla on laaja kokemus asiakaskannan analytiikan hyödyntämisestä, asiakassegmentoinnista poistumamallinnuksiin.

Poistumamallinnuksella tunnistat poistumisriskin asiakkaat ennen kuin on liian myöhäistä

Vähä-Pietilän mukaan poistuva asiakas havaitaan usein vasta silloin, kun hän on jo ehtinyt siirtyä kilpailijalle – ja takaisin houkuttelu vaikuttaa mahdottomalta.

– Datasta löytyvien hiljaisten signaalien avulla pystymme tunnistamaan poistumista oireilevan asiakkaan jopa kuukautta ennen poistumaa. Näin ehdimme käynnistää ehkäiseviä toimia ajoissa, ennen kuin on liian myöhäistä.

Asiakasdata toimii polttoaineena koneoppimisalgoritmille, joka kykenee asiakaskohtaisesti ennustamaan todennäköisyyden asiakkaan poistumalle. Kohdentamalla asiakaspidon toimenpiteitä korkeimman poistumauhan alla oleville asiakkaille vähennetään poistumisriskiä ja nostetaan asiakastyytyväisyyttä.

Poistumamallinnus voidaan rakentaa automaattisesti päivittyvänä osana analytiikkakyvykkyyksiä, jolloin ennusteet päivittyvät jatkuvasti.

Vähä-Pietilä kirjoitti viime syksynä artikkelin SATO:lle tehdystä poistumamallinnuksesta. Poistumamalli implementoitiin osaksi SATO:n omaa tietojärjestelmää päivittämään ennusteita automaattisesti.

 

Poistumamallinnuksella tunnistat poistumisriskin asiakkaat ennen kuin on liian myöhäistä

 

Tuotesuosittelulla parannat asiakaskannattavuutta

Asiakkailla voi olla ajoittain vaikeuksia löytää tuotetarjoamasta juuri heitä kiinnostavia tuotteita, erityisesti laajojen verkkokauppojen valikoimasta. McKinseyn tutkimuksen mukaan jopa 35 % Amazonin myynnistä tulee erilaisten on- ja off-site-suositusten kautta.

Tekoälypohjainen suosittelukone löytää asiakaskäyttäytymisen perusteella samankaltaisia asiakkaita ja ennustaa tuotekohtaisesti kunkin asiakkaan ostovolyymin.

– Potentiaali määritetään asiakas- ja tuotetasolla. Tämä mahdollistaa asiakkaille kohdennuksen tuotteilla, joilla on korkein todennäköisyys konvertoitua. Suosittelemalla asiakkaita kiinnostavia palveluita tai tuotteita asiakastyytyväisyys paranee. Myös asiakaskohtaamisissa relevanssi kasvaa, kun asiakaspalvelu tietää asiakkaan tuotesuositukset. Oikeat tuotteet oikeille henkilöille säästävät aikaa ja rahaa – ja nostavat asiakkuuden arvoa, toteaa Vähä-Pietilä.

 

Tuotesuosittelulla parannat asiakaskannattavuutta

 

Ostoskorianalyysillä löydät tuotteiden yhteisvaikutuksia

Asiakaskannattavuutta voi parantaa myös kasvattamalla ostoskorien kokoa. Monilla tuotteilla on yhteisvaikutuksia, jotka nostavat ostotodennäköisyyttä, kun ne tarjotaan yhdessä. Selvittämällä yhteisvaikutukset, saadaan lisää potkua muun muassa kampanjasuunnitteluun ja verkkosivun suosittelun optimointiin.

 

Ostoskorianalyysillä löydät tuotteiden yhteisvaikutuksia

 

Asiakasklusteroinnilla tunnistat käyttäytymisryhmiä

Asiakkaiden motiivit eivät aina mene yksiin heidän käyttäytymisensä kanssa. Asiakasklusteroinnissa asiakkaat jaetaan ryhmiin heidän ominaisuuksiensa ja käyttäytymisensä perusteella. Lähtödatana voi olla mitä tahansa asiakasdataa, sivustoselailusta demografiatietoihin tai ostohistoriaan.

– Asiakasklusterointi on nopea tapa saada tietoa asiakkaista ja ryhmitellä heitä kiinnostaviin kokonaisuuksiin. Keskittämällä asiakasviestintää tiettyjä tuotteita suosiville asiakasryhmille tai personoimalla sivustoa tietyillä tavoilla käyttäytyville asiakkaille voimme parantaa asiakaskokemusta ja nostaa viestinnän relevanssia.

 

Asiakasklusteroinnilla tunnistat käyttäytymisryhmiä

 

Mitkä asiakasanalytiikan työkalut tehostavat parhaiten teidän markkinointianne ja myyntiänne? Ota yhteyttä, tehdään valinta yhdessä: Ilari Vähä-Pietilä, ilari.vaha-pietila@dagmar.fi, 040 667 9912 tai ilkka.sarkio@dagmar.fi, 044 281 6080

 

 

 

Lisää aiheesta