Ristiinmyynti on tehokas keino asiakkuuden arvon nostamiseen keskiostosta kasvattamalla. Kun asiakas on saatu kiinnostumaan yhdestä tuotteestamme, on aika pohtia, mitä muita tuotteita hänelle kannattaa suositella. Ostoskorianalyysissä etsimme asiakasdatasta sääntöjä yhdessä esiintyvistä tuotteista, joita voidaan helposti käyttää suositusten tekemiseen. Analyysi soveltuu sekä verkko- että kivijalkakauppaan.
Analyysissä käytetään kuittidataa, joka sisältää asiakastunnisteen ja ostetut tuotteet hintoineen. Asiakaskohtaista dataa voidaan tarvittaessa täydentää tarkemmalla kuvauksella esimerkiksi asiakasryhmästä ja demografiasta. Datasta etsitään sääntökandidaatteja, jotka kuvaavat keskenään ostettavia tuotteita tai tuoteryhmiä. Sääntökandidaatin tulee olla tilastollisesti luotettava, jotta se voidaan yleistää. Säännön tulee esimerkiksi esiintyä riittävän monella asiakkaalla.
Esimerkki ristiinmyynnin analyysistä
Analyysi tehtiin asiakaskannan profiloinnin avulla löydetylle aktiivisten asiakkaiden joukolle. Datasta löydettiin useita yhdessä esiintyviä tuotepareja. Jos asiakas on kiinnostunut toisesta tuoteparin tuotteesta, hän on keskimääräistä huomattavasti kiinnostuneempi myös toisesta. Lisäksi erään sisäänheittotuotteen ”A” ostaneet olivat kiinnostuneita myös kahdesta keskenään kilpailevasta tuotteesta ”B” ja ”C”. Analyysin perusteella todettiin, että vaikka tuotetta ”B” ostettiin todennäköisemmin, parempi tuotto saataisiin tarjoamalla hieman kalliimpaa tuotetta ”C”. Tulokset jalkautettiin ohjeistamalla myyntihenkilökuntaa ja toteuttamalla sähköpostikampanja, jossa suositellut tuotteet kohdennettiin niistä todennäköisesti kiinnostuneille.
Ristiinmyynnin analyysi on tehokas tapa löytää parhaiten asiakkaiden tarpeita vastaavat ja tuottavimmat tuotekombinaatiot. Tuloksena parempi asiakaspalvelu, tyytyväisemmät asiakkaat, kustannustehokas lisämyynti ja asiakkuuden arvon kasvu.
Kiinnostuitko? Ota yhteyttä: jussi.forma@dagmar.fi
Datalähtöinen asiakkuuksien hoitaminen
Osa 1. Asiakaskannan profilointi – läpivalaisu nykytilaan
Osa 2. Asiakaspoistuman analyysi