Skal virksomheten utvides? Dette kan oppnås ved å rekruttere mange nye kunder, selvfølgelig. Men hva hjelper det med nye kunder som kommer inn den ene døra, dersom de gode, gamle kundene går ut av den andre? Det blir som å prøve å fylle en bøtte som lekker, med vann. Håpløst! I denne artikkelen vil vi vise deg hvordan du raskt kan starte et kundefrafallsprosjekt.
Kundefrafall versus ny kunde
Ved implementering av en vekststrategi, anbefales ofte å begynne å se på løsninger for å håndtere kundefrafall først. Det er allment kjent at det å anskaffe nye kunder koster minst fem ganger mer enn å beholde de kundene som du allerede har. Med prediktive analyser kan du forutsi hvilke kunder som står i fare for å forlate selskapet i nær fremtid. Disse analysene hjelper deg også å finne hvilke produkter kundene dine har behov for og hvilken kanal som best egner seg for kommunikasjon og dialog. Ved proaktivt å kontakte kunder før de forlater bedriften, vil du være i stand til å hindre frafallet. Du får relevant innsikt i din kundebehandling og øker samtidig bevisstheten i virksomheten om betydningen av personalisert service og kundedialog. I det lange løp, hjelper slike kundeanalyser deg til å bli bedre kjent med kundene dine, hvilke behov de har og hvilket verdibidrag du gir kundene. Prediktive analyser er nøkkelen til å skape en vinn-vinn-situasjon for både selskapet og dine kunder.
Fra Produkt Push til en Kundesentrisk Strategi
Å ha stordriftsfordeler er ikke lenger nok for å være blant markedsledere. Mange bedrifter satser nå på en kundesentrisk strategi og investerer tungt i prediktive analyser for å bli bedre kjent med kundene sine. Mange spillere som Netflix, Amazon, Google, Capital One, Tesco, FedEx og andre, bruker aktivt prediktive analyser for slike formål. De sikter mot toppen i den øverste divisjon. I Sherpa ser vi nå samme utviklingen i Norge innen bank og finans og telekom, som bruker et stort antall av prediktive analyser og kunde-innsikt i sine prosesser.
Kundefrafallsanalyser har størst effekt og fungerer best når de implementeres som ett element i en veldefinert kundesentrisk strategi. Så når du har funnet hvem av dine eksisterende kunder som kan tenkes å forsvinne, bør du spørre deg om en ting til før du serverer dem vafler og rømme: Skal jeg forsøke å beholde dem alle sammen? Wallace Wattles skrev en gang: “you must give to every man more in use value than what you get in cash value”. Det må være et proporsjonalt forhold mellom antall kroner vi bruker på en kunde og hvor mange kroner kunden legger igjen. Lønnsomhetsanalyser og Customer Lifetime Value skal naturligvis påvirke hvordan vi forholder oss til kundene våre. Vi ønsker å ta vare på kundene våre så godt vi kan. Derfor: gjør en vurdering av kundemassen som er i faresonen og bruk mest ressurser på å beholde de kundene som det er naturlig å konsentrere seg mest om.
Å bevege seg fra et produktperspektiv til et kundeperspektiv kan ta litt tid. Fokus er ikke lenger «Hvor mange skal vi selge produkt A til?», men heller «Hvordan kan vår virksomhet være relevant og skape verdi for kunde A?». Dette er en ny øvelse for mange. Det krever et nytt tankesett, ny teknologi og ny kompetanse i organisasjon for å nyttiggjøre seg all den kunnskapen vi tross alt har om kundene våre i form av data.
Og opp går vi den humpete veien
Når man har definert scope og skal i gang med innsamling og tilrettelegging av data, står man foran en oppgave som kan ta mye tid. I
tillegg kan dårlige og mangelfulle data velte hele prosjektet. Det hjelper ikke hvis du har de beste analytikerne med de beste verktøyene, hvis dataene de skal jobbe med, ikke er tilgjengelig eller ikke holder nødvendig kvalitet. Dersom du leder et slikt prosjekt bør du på forhånd ha gjort deg kjent med følgende forhold:
– Hvordan er virksomhetenes informasjonsmodell og datapolicy?
– Hvem i virksomheten er i stand til å navigere i kildesystemer og hente ut data på en sikker og effektiv måte?
– Hvilke eksterne data kan det være relevant å hente inn og hvordan skaffer vi dem?
– Har vi et rammeverk for personvern og anonymitet på plass? (Om du ikke har et slik rammeverk på plass, bør dette være det første man ser på.)
Når du skal jobbe med kundefrafall, må du først få tak i kundene som har sluttet. Det er de som skal fortelle deg hvilke av dine eksisterende kunder som er i faresonen. Dette betyr at du må gå tilbake i tid og finne historiske data. Mange norske bedrifter, i alle bransjer, rapporterer at data ligger i mange forskjellige siloer, spredt over hele organisasjonen. Dataene er ofte ikke formatert eller organisert på en måte som egner seg til å lage prediktive analyser. Det er der du trenger hjelp av IT. Å bygge tverrfaglige team mellom IT og forretningen hjelper til å bygge forståelse, innsikt og relasjoner mellom disse to viktige forretningsområder. Sammen kan man finne løsninger på data eller teknologirelaterte utfordringer som ikke nødvendigvis krever mye tid og penger.
Det rapporteres også at noen ganger blir dataene bare borte. De kundene som har sagt opp sitt kundeforhold, blitt ofte slettet fra kildesystemene. «De er jo ikke lenger relevante, så hva skal vi med dem?». Virksomhetenes informasjonsmodell og datapolicy kan fortelle deg hvilke systemer som er relevante i forhold til hvor du skal finne informasjon. Du trenger ikke bare informasjon om kunden, men også informasjon om produkt, prosess og tjenester: Hvilke henvendelser gjorde de i tidsrommet før de forsvant? Hvilke produkter hadde de kjøpt? Hvilke tilbud fikk de? Hvor mange markedsaktiviteter ble de utsatt for? Dersom du er heldig har din virksomhet et datavarehus du kan benytte deg for å fremskaffe denne informasjonen. Et korrekt designet datavarehus tar vare på all relevant historikk og verken sletter eller overskriver data, slik et salg-, crm- eller fagsystem kan gjøre.
Uansett om du henter data fra datavarehus eller andre systemer, bør du gjøre deg kjent med hvilken kompetanse som finnes i forhold til å hente data. Det finnes metoder i datavarehusteknologien som effektivt kan hente og tilrettelegge data pent og pyntelig slik du vil ha det. Et tett samarbeid mellom miljøer vil både effektivisere prosessene med å fremskaffe data og åpne muligheter for å øke produksjonen av kundeinnsikt.
Å produsere kundeinnsikt krever IT-investeringer. Og det er her noen prosjekter stopper. Dette er litt av en “catch 22” situasjon. Naturligvis ønsker toppledelsen å se beviser på at prediktive analyser fungerer før de investerer i dette området. Men analytikeren sliter med å fremskaffe disse bevisene fordi forutsetningene for effektive analyseprosesser ikke er til stede. Manglende IT investeringer gjør at ressursene i analyseprosjektet blir brukt opp på å lete, skaffe, hente, tilrettelegge og formatere data – på bekostning av selve analysearbeidet. I evalueringen av prosjektet skal man derfor også evaluere prosessen og om ressursene ble brukt effektivt. Å måle effekt er første steg mot å lage gode suksesshistorier. Analytikeren trenger også å lære seg stammespråket til ledelsen for å effektivt kommunisere disse suksesshistoriene. Finn analytikere som har en predisposisjon til å kommunisere godt, frigjør litt tid for dem og send dem ut i organisasjon for å snakke om erfaringen rundt prediktive analyser.
Deling, beste praksis og den lyse fremtiden som kommer
I Sherpa mener vi at å dele kunnskap på tvers av bransjer er nøkkelen for å løse de ulike utfordringene som oppstår ved implementering av prediktive analyser. Få mennesker arbeider innenfor dette forretningsområdet i Norge. Det er et område som også er ganske komplisert. Derfor er det viktig å inspirere og lære av hverandre. Finn deg et forum hvor du kan dele erfaringer, tips og suksesshistorier. For et år siden etablerte vi faggrupper for retail, telekom, forsikring og bank. Mange av de største aktørene deltar her for å lære mer om analyse og utveksle erfaringer om organisering og prosjekt. Det er interessant å se analytikere, markedsførere og IT-fagfolk rapportere de samme utfordringene og samtidig se verdien av samarbeid på tvers i organisasjonen. Det er også oppmuntrende å se at de første suksesshistoriene begynner å komme ut i Norge.
Det kommer til å være en flott tid for prediktive analyser i tiden fremover!
