Big data – innsikt for å sikre fremtidens kundeservice og

Transcription

Big data – innsikt for å sikre fremtidens kundeservice og
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?
Sigmund Festøy, Partner/Daglig leder PLOT
Oslo, 22. august 2013
Oslo 29. januar 2015
Disposisjon
Click to edit Master title style
Innledning
Om
kunden
Hypotesedrevet
Enkle triks
Oppsummering
2
Informasjon er sand
Click to edit Master title style
3
innsikten er gullet som er i sanden
Click to edit Master title style
4
Big data betyr mye sand
Click to edit Master title style
Ikke overless kolleger og sjefer med sand...
.. selv om big data og teknologi har gitt deg muligheten til
å gjøre det
5
Skal snakke om å vaske gull
Click to edit Master title style
6
Click to edit Master title style
Data er sand –
innsikt er gull
Om
kunden
Hypotesedrevet
Enkle triks
Oppsummering
7
Kundeservice = Opplevelse og følelser
Kundens opplevelse
Click to edit Master title style
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. 2002
8
Kundeservice er ett av selskapets
virkemidler for å skape opplevelsen
Leveransen - Selskapets produkter og tjenester
Click to edit Master title style
9
Gullet er innsikten i hva det er som skaper
den ønskede kundeopplevelsen og følelsen
Selskapets vei til målgruppen
Click to edit Master title style
.. og ikke minst hva som ødelegger for den ønskede kundeopplevelsen
10
Gullet er innsikten i hva det er som skaper
den ønskede kundeopplevelsen og følelsen
Selskapets vei til målgruppen
Click to edit Master title style
Leveranse
Produkter/tjenester
Distribusjon
Menneskene
Opplevelse
Kommunikasjon
Pris
Hvordan løftet holdes og
bygges (konkret
leveranse)
Hva målgruppen vil ha
11
Click to edit Master title style
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
Click to edit Master title style
Data er sand –
innsikt er gull
Opplevelser
og følelser
Hypotesedrevet
Enkle triks
Oppsummering
13
Click to edit Master title style
Hypoteser og modeller
14
Hypotesebasert analyse er å kombinere
fundamentale og korrelasjonsbaserte modeller
Click to edit Master title style
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
”Big data” handler om teknologer som møter
humanister
Påstand
Click to
edit Master title style
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
1.
2.
3.
16
Click to edit Master title style
Fundamentale modeller
i salg og marked
17
Noen enkle og nyttige modeller
Hovedprosesser innenfor marked, salg og kategori
Click to edit Master title style
Kundereisen
Den prosess eller kundereise som
kunden går gjennom for å kjøpe et
produkt eller en tjeneste
Behovet
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
Hypotesebasert analyse er å kombinere
fundamentale og korrelasjonsbaserte modeller
Click to edit Master title style
Fundamentale modeller
Matematisk korrelasjon
+
>0
19
Salg og markedsføring er å optimalisere
kundereiseformelen
Kundereiseformelen
Click to edit Master title style
Opplevd/
forventet verdi
Forklaring:
+
Merverdi i
kundereisen
Hvor sterkt er behovet?
Hvor godt er tilbudet?
I forhold til opplevd pris
(verdi=fordeler – pris)
Hvor bra er servicen?
Hvor fristende er
salgsmateriellet?
m.m.
Oppgaven til
markedsføring og
salg:
Øke opplevde fordeler
Sette optimal opplevd
pris
Optimalisere
salgskostnader
Prisavslag og andre
salgskostnader
-
Byttebarrierer
>0
Hva kreves av
informasjon og
opplæring?
Kostnader involvert?
m.m.
Redusere opplevde
bytterbarrierer (hvis
mulig)
Jo større summen i formelen blir desto flere kunder
Kilde; PLOT
men på bekostning av lønnsomhet
20
Kunder kjøper produkter og tjenester for å
tilfredsstille emosjonelle og funksjonelle
behov
Kundebehov
Click
to edit Master title style
Individuell
Min egen favoritt
Uavhengighet
Måloppnåelse
Stimulere sanser
Introvert
Vise seg frem
Anerkjennelse
Sex
Lek
Passivitet
Ekstrovert
Ukrenkelighet
Dominans
Unngå
stress
Tilhørighet
Omsorg
Sosialt
For andre, det som passer seg
Kilde; PLOT
21
Hvordan ”flytte” kunden optimalt fra etappe
til etappe i kundereisen
”Kundereisen
– kjøpsprosessen
Click to edit
Master title style
Informasjon
om X
Lead
Har ikke hørt
om X
Vet at X finnes
Forespørsel
om tilbud
Kunde
Prospect
Vet noe om X
Kjøp/Aksept
Vet hva X kan
gjøre
TV reklame
Kundesenter
DM
Hjemmesiden X.no
TM
Rabatt/prisavslag
22
Click to edit Master title style
Enkel modell – praktisk
eksempel
23
Prøving er første skritt til salg
Case:
prøving
kjøp
Click Kundereisen
to edit Master
titleog
style
Salg=
0 stk
Totalt
besøk
Søker
produkt
=100%
Ser på
produkt
Salg=
2 stk
1.
prøving
Salg=
4 stk
2.
3.
Totalt
salg=
6 stk
4.
Søker
annet
Besøk til butikk
Kilde; Maskert case
24
I produktavdeling
Prøving av produkt
Kjøper
produkt
Click to edit Master title style
Data er sand –
innsikt er gull
Opplevelser
og følelser
Lag enkle
modeller
Enkle
triks
Oppsummering
25
Click to edit Master title style
Gruppering
26
Gruppering er en analyseteknikk for å
forenkle
Click to edit Master title style
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
Hver gruppe oppsummeres med et budskap
ClickOst…
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
Gruppering er viktig teknikk for å forenkle
Gruppering
og Master
big data
Click to edit
title style
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
Click to edit Master title style
Enkel matematikk
30
Innsikt gjennom enkel beregning og
gruppering av resultater
Innsikts eksempel; Hvor ofte vil du si at du besøker kjeden X?
Click
to edit Master title style
Hvor ofte vil du si at du bruker produkt/tjeneste X?
Andel
Antall
Totalt
Andel av
av
Antall Antall
Antall xx per
per
Totalt
befolkning
år
befolkning personer
personer
år antall
antall bruk,
bruk,
(1000)
mill
(1000)
mill
daglig
11 %
40
240
10
daglig
%
40
240
10
3-5
22 %
80
192
15
3-5 ganger
ganger per
per uke
uke
%
80
192
15
2-3
55 %
200
120
24
2-3 ganger
ganger per
per uke
uke
%
200
120
24
ukentlig
10
400
48
19
ukentlig
10 %
%
400
48
19
2-3
15
600
30
18
2-3 ganger
ganger per
per måned
måned
15 %
%
600
30
18
månedlig
25
1000
12
12
månedlig
25 %
%
1000
12
12
kvartalsvis
23
920
44
44
kvartalsvis
23 %
%
920
sjeldnere
14
560
11
11
sjeldnere
14 %
%
560
aldri
55 %
200
00
00
aldri
%
200
totalt
100
4000
26
102
totalt
100 %
%
4000
26
102
Brukere
Brukere (ukentlig
(ukentlig el
el oftere)
oftere)
Iblant
Iblant brukere
brukere (månedlig)
(månedlig)
Ikke-brukere
Ikke-brukere
Total
Total
Kilde; Plot
18
18 %
%
40
40 %
%
42
42 %
%
100
100 %
%
720
720
1600
1600
1680
1680
4000
4000
95
95
19
19
33
26
26
68
68
30
30
44
102
102
Andel
Andel av
av
bruk
bruk
99 %
%
15
15 %
%
23
23 %
%
19
19 %
%
18
18 %
%
12
12 %
%
44 %
%
11 %
%
00 %
%
100
100 %
%
67
67 %
%
29
29 %
%
44 %
%
100
100 %
%
31
Click to edit Master title style
Kombinere datakilder
32
Kombinere data fra flere kilder i analysene
Ulike metoder for å frambringe målgruppeinnsikt
Click
to edit Master title style
Metodekartet markedsinnsikt
Høy / makro
Spørreundersøkelser
(web, telefon...)
SSB
ACNielsen
Bransjestatistikk
Salgsdata
Digitale spor
(klikk, visninger,...)
Grad av (nasjonal)
representativitet
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
Kassalappdata
Exit intervjuer
Personlige intervjuer
Observasjoner
Fokusgrupper
(i og utenfor butikk, ...)
Lav / mikro
Holdninger
("The talk")
Type innsikt
Atferd
("The walk")
33
Click to edit Master title style
Data er sand –
innsikt er gull
Opplevelser
og følelser
Lag enkle
modeller
Bearbeid
dataene
Oppsummering
34
Vask frem gullet fra sanden
Oppsummering
Click
to edit Master title style
Data er sand –
innsikt er gull
Opplevelser
og følelser
Lag enkle
modeller
Bearbeid
dataene
Vask frem gullet
fra sanden
35
Prøv Plot
Tre grunner til å jobbe med Plot
Click to edit Master title style
LØS PROBLEMER
SKAP VEKST
Still riktig diagnose og
velg riktig behandling
Identifiser og utnytt muligheter
for verdiskapende vekst
BLI ENDA BEDRE
Bidra til kontinuerlig læring
og utvikling
Takk for at du hørte på!
36
Click to edit Master title style
KONTAKTPERSON
Sigmund Festøy
[email protected]
+47 913 97 729
www.plot.no
37