28.03.2017 / Mika Laukkanen

Auton myyntihinnan arviointiin on useita mahdollisuuksia. Yksinkertaisinta lienee käydä katsomassa mitä vastaavilla ominaisuuksilla varustetut autot maksavat netissä, ja asettaa hinta oman fiiliksen mukaan alle, keskiarvoon tai vaikka ylitse. Tämä metodi on varmaan riittävän tarkka tapa hinnoitella auto ellei kyseessä ole jonkinlainen erikoiskappale tai muuten harvinainen ajopeli.

Mutta onnistuuko myyntihinnan ennustaminen data-analytiikan (machine learning, statistics) keinoin? Intuitiivinen vastaus on –  ”tietysti onnistuu”, mutta kyseessä ei ole ihan yksinkertainen ennusteongelma.

Lue koko juttu Louhian artikkeliosastolta!


 


12.01.2016 / Ville Niemijärvi

Aloitamme lyhyen blogisarjan miten tehdä analytiikkaa Azure Machine Learning:llä.

Sarja käydään läpi tehokkaasti vajaassa 3 viikossa, sisältäen 3-4 juttua. Sarja päättyy Talentum Eventsillä pitämääni asiakasanalytiikka koulutukseen, jossa koko prosessi käydään läpi.

Ei teorioita, ei jaaritteluja, pelkkää asiaa

Suun louskuttajia aina löytyy hype-termien tiimoilta ja olemme mekin varmasti syyllistyneet kliseiden toistamiseen.

Dilbert

Nyt onkin aika näyttää miten analytiikkaa todella tehdään. Käytännössä ja konkreettisesti. Alusta loppuun. Ja mitä se maksaa. Ei teorioita. Ei höpöhöpöä ja liirulaarumeita.

Toteutamme sarjassa koko prosessin liiketoimintaongelman määrittämisestä, teknisen ympäristön pystyttämiseen, datan muokkaamiseen, mallintamiseen ja tulosten visualisointiin sekä tuotantokäyttöön.

Käytämme juuri niitä samoja työvälineitä ja menetelmiä mitä käytämme todellisissakin projekteissa. Seuraamalla blogisarjaa, näet siis miten käytännössä analytiikka tehdään Microsoft Azure -ympäristössä ja voit toistaa sen omassa yrityksessäsi ja säästää konsultointikustannuksissa.

Noudatamme hieman modifioitua CRISP-DM metodologiaa. Sisältäen seuraavat vaiheet:

Vaiheet:

  1. Määrittele liiketoimintaongelma
  2. Kerää data
  3. Muokkaa, käsittele ja rikasta tietoa (ns. etl-prosessi) ja tallenna se tietokantaan
  4. Analytiikka eli erilaisten ennustemallien toteutus Azure ML:ssä
  5. Tulosten visualisointi (MS Power BI)
  6. Ennustemallien tuotantokäyttö eli kohta jossa naureskellaan matkalla pankkiin

Pelkkää pilveä: All-in-Azure

Rakennamme koko touhun ETL-prosessista (datan lataus, muokkaus ja käsittely), tietokantaan ja analytiikkamallinnukseen Azureen. Eli pilveen. Yhtään kilkettä ei asenneta omalle palvelimelle.

Otamme käyttöön Azure virtuaalikoneen jota käytämme lähinnä ETL-työhön (MS SSIS). Toinen vaihtoehto olisi hyödyntää Data Factoryä, Microsoftin pilvipohjaista integraatiotyövälinettä. Tämä ei ole kuitenkaan vielä läheskään valmis suorittamaan vähänkään vaativimpia datan muokkaus toimenpiteitä eli ns. etl-työtä. Tai se vaatii koodaamista. Näin on fiksummat opastaneet.

Otamme käyttöön Azure SQL -tietokannan, jonne datat tuupataan. Tällä yhdistelmällä voisimme rakentaa myös varsinaisen tietovaraston, aivan kuten rakentaisimme sen yrityksen omille palvelimille on-premise. Looginen arkkitehtuuri on aivan sama.

Lisäksi käytämme Azure Machine learning studiota analytiikkamallintamiseen eli mallinnamme dataa tarpeesta riippuen eri algoritmeilla. Teemme ainakin:

  • asiakassegmentoinnin
  • asiakaspoistumamallinnuksen
  • myyntiennusteen
  • lisämyyntiennusteen

Vaikkakin teemme nyt kaiken Azuressa, voisimme yhtä hyvin käyttää Amazonia tai analytiikkamallinnuksessa RapidMinerin pilveä. Käytämme nyt Azurea ja Microsoftin työvälineitä koska se on yksinkertaisesti tutuin vaihtoehto ja paljon kattavampi/monikäyttöisempi (virtuaalikoneet, blob-storage, SSIS, Power BI, ML) kuin esim. pelkkä RapidMiner.

Ja vaikka keskitymme nyt asiakasanalytiikkaan, voi samaa arkkitehtuuria ja algoritmeja hyödyntää toimialasta riippumatta ja vaikka tuoteanalytiikassa (esim. vikaantumisen ennakointi, tuotemenekkien ennustaminen).

Laitamme kaiken Lassen, maailman vahvimman analyytikon, luottokortille. Blogisarjan päätteeksi katsomme mikä on Lassen kortin saldo ja meneekö ensi kuukausi ylitöiksi. Toisin sanoen näytämme mitä tämä oikeasti maksaa ja voit arvioida mitä se maksaisi sinulle.

Jos sinua kiinnostaa tietää aihepiiristä lisää tai haluat, että näytämme/selvitämme jotain erityistä osa-aluetta tarkemmin, ole rohkeasti yhteydessä.

Voit nakata meille viestiä:

Aikaa on vähän joten Lasse, paras ryhtyä hommiin.


 

Jos haluat vähän makustella mitä asiakasanalytiikka tai asiakastiedon rikastaminen on, kannattaa tutustua seuraaviin juttuihin:

http://www.louhia.fi/tag/asiakasanalytiikka/


11.10.2015 / Ville Niemijärvi

Asiakastiedon rikastamisen tavoitteena on ymmärtää paremmin asiakkaan käyttäytymistä. Ymmärtää ylipäätään keitä asiakkaamme ovat. Mitä he haluavat? Mikä liikuttaa heitä?

Kun ymmärtää tämän, voi vaikuttaa asiakkaisiin. Ja sitä kautta oman yrityksen menestykseen.

Edellisessä osassa toin esille neljä keinoa rikastaa yrityksen asiakastietoa:

  1. Hyödynnä monipuolisesti jo olemassaolevia tietolähteitä
  2. Osta tai kerää 3. osapuolelta dataa (esim. Trafi, VRK, Tilastokeskus, Asiakastieto)
  3. Kerää suoraan asiakkailta itseltään
  4. Johda ja sovella pienemmästä joukosta kerättyä tarkempaa tietoa koko asiakasjoukolle

Pureudutaan tässä kirjoituksessa ensimmäiseen kohtaan ja avataan mitä tämä tarkoittaa käytännössä. Taustalla tässä on pari tosielämän analytiikkacasea, jossa lähtökohdat analytiikalle oli varsin kehnot mutta dataa rikastamalla pääsimme aika hyviin tuloksiin.

Näitä kokemuksia voi hyödyntää myös ihan perinteisessä raportoinnissa, useat esitetyt mittarit ovat sellaisia, jotka pitäisi olla jokaisen yrityksen seurannassa. Teki edistynyttä analytiikkaa tai ei.

1. Hyödynnä monipuolisesti jo olemassaolevia tietolähteitä

Ehdottomasti paras tietolähde asiakastiedon rikastamisessa on asiakkaan oma käyttäytyminen. Eli ostohistoria. Tämä tieto löytyy toimialasta riippuen laskutus- tai kassajärjestelmästä (POS, verkkokauppa), tilausjärjestelmästä (esim. mediatalojen lehtitilaukset) ja/tai ERP-järjestelmästä.

Ostohistoria on lahjomaton. Useimmat meistä ovat kysyttäessä luontoa rakastavia luomuilijoita, mutta kaupan kassalla tiskille eksyykin tehotuotettua pollea, potkaa ja bisseä.

Tiedot myös vanhenevat. Esimerkiksi kanta-asiakkaaksi liittyessä asiakkailta kysytyt tiedot eivät ole välttämättä ajantasalla vuoden päästä eikä asiakkaita ole helppo saada päivittämään niitä.

Ostokäyttäytyminen kertookin paljon helpommin ja totuudenmukaisemmin:

  • milloin asiakas ostaa (kellonaika, viikonpäivä, ostojen tiheys)
  • mitä hän ostaa (mitä tuoteryhmiä tai palveluita hän käyttää)
  • missä hän asioi (missä liikkeissä tai kanavissa)
  • kuinka kauan hän on ollut asiakas
  • kuinka suurilla määrillä hän ostaa (keskiostos, montako tuotetta ostoskorissa…)

Ja näistä tiedoista voidaan päätellä se olennainen: miksi hän käyttäytyy näin.

Otetaan seuraavaksi käytännön esimerkki valottamaan asiaa.

1.1 Sata tietoa, joista kaksi käyttökelpoista.

Lähdimme tekemään analytiikkaprojektia asiakkaan kanssa, tarkoituksena segmentoida kuluttajia parempaa kohdennettua markkinointia varten.

Aluksi kaikki näytti hyvältä, asiakasdataa oli paljon. CRM:stä löytyi asiakkaista lähes toista sataa muuttujaa. Asiakkaiden itse syöttämiä tietoja.

Hyvin nopea datan esianalyysi paljasti kuitenkin, että suurin osa oli roskaa. Datan täyttöaste oli useimmissa tiedoissa 0-20% luokkaa. Täysin käyttökelvotonta analytiikan kannalta.

Data oli myös virheellistä. Asiakkaat olivat saaneet käyttää pitkälti vapaita tekstikenttiä joten Helsingin kaupungista löytyi jo edellisessä kirjoituksessa mainitsemani 30 eri kirjoitustapaa. Osoitetiedot olivatkin enimmäkseen turhia.

Asiakastiedot lähtötilanne

Ainoastaan nimi ja postinumero olivat valideja.

Kuva ohessa näyttää tilanteen CRM:n asiakastaulussa. Vihreät laatikot kuvaavat eheää dataa, punaiset virheellistä.

Harmaat kuvaa sitä, että dataa ei ollut saatavilla eli asiakkaat eivät olleet syöttäneet tietoja. Analytiikassa, oli kyseessä segmentointi tai luokitteluongelma kuten poistuma-/tai lisämyyntimallinnus, ei datalla tee juuri mitään jos täyttöaste on alle 70-80%.

Eli lopputulemana päädyimme ottamaan kovalla työllä rakennetusta CRM:stä kaksi tietoa: asiakkaan nimen ja postinumeron.

Näiden pohjalta lähdimme rakentamaan uutta asiakastietämystä.

Asiakastiedot lähtötilanne 2

 

1.2 RFM-analyysi ja vähän muuta

Seuraava steppi, joka on itselle vakiintunut tapa, on tehdä hieman sovellettuna nopea RFM-pisteytys. Tämä tarkoittaa kolmen tunnusluvun laskemista asiakkaille

  • Recency – Milloin viimeksi asiakas on ostanut?
  • Frequency – Kuinka usein asiakkaat ostavat (asiointitiheys)?
  • Monetary Value – Mikä on asiakkaan kokonaismyynti?

Kukin kolmesta mittarista voidaan pisteyttää esimerkiksi asteikolla 1-5 (tai voidaan painottaa jotakin osa-aluetta enemmän). Näin täydet pisteet parhaimmilla asiakkailla olisi 15 ja huonoimmat saisi 3.

Asiakkaan kokonaismyynnin (monetary value) aikojen alusta laskettuna on hieman huono mittari koska se väheksyy uusia asiakkaita. Usein otan tämän rinnalle tai tilalle asiakkaan keskimääräisen kuukausilaskutuksen. Tällöin uusi iso asiakas saa hyvät pisteet Monetary value -kohdassa.

Perinteisen RFM-mittariston lisäksi lasken aina myös seuraavat tunnusluvut:

  • keskiostos
  • asiakkuuden kesto
  • montako tuotetta ostoskorissa keskimäärin

Riippuen käyttötarkoituksesta, voidaan laskea helposti myös:

  • milloin asiakas ostaa (kellonaika, viikonpäivä, vuodenaika)
  • missä kanavassa (verkko, kivijalka, muu)

Pisteytys ei ole itseisarvo enkä juuri koskaan puhu RFM-analyysistä. Nämä nyt vain sattuvat olemaan hyviä mittareita, joita yritysten tulisi seurata ja nämä yhdistettynä muihin asiakastietoihin, voidaan päätellä paljon asiakkaasta (esim. vain kerran viikossa ruokakaupassa käyvät ja isoja keskiostoksia tekevät asiakkaat ovat useimmiten isoja perheitä ja kenties haja-asutusalueelta. Kauppaan lähdetään harvoin ja silloin sinne mennään tositarkoituksella.)

Kuva alla näyttää mitä tietoja saimme aikaan kun yhdistimme asiakkaan perustiedot (CRM:stä) ja kassatapahtumia eli asiakkaan todellisen ostokäyttäytymisen.

Suosittelen laskemaan nämä tunnusluvut omaan tietovarastoon tai raportointisovellukseen, vaikka syvempää analytiikkaa ei olisi tarkoitus tehdäkään. Nämä tunnusluvut saadaan esimerkiksi vähittäiskaupan osalta suoraan sieltä kuittirivitason tiedoista tai laskuriveiltä joten kyse on yhdestä tietokannan taulusta ja ehkä 1/2h työstä.

Asiakastiedon rikastaminen RFM Analyysi

 

1.3 Tuotetiedot, maantieteellinen sijainti

Se, mitä tuotteita asiakas ostaa, voi olla ensiarvoisen tärkeää. Etenkin jos haluat tehdä kohdennettua markkinointia tai lisämyyntiä ja haluat, että viestisi osuu maaliin.

Seuraavaksi otimmekin mukaan yrityksen tuotehierarkian ja liitimme sen ostohistoriaan. Täältä pystyimme päättelemään mitä tuoteryhmiä tai palveluita asiakas todella käyttää.

Jos kyseessä olisi urheiluvälinekauppa, näkisimme heti mitä lajia asiakas todennäköisesti harrastaa. Tai jos kyseessä on kuntosaliketju, näkisimme onko hän enemmän yksinäinen kuntosalipuurtaja vai tykkääkö käydä ryhmätunneilla. Ruokakaupan osalta näemme suosiiko asiakas luomua, kotimaisia tuotteita, kalliimpia ja laadukkaampia brändejä vai onko hän tarkan markan kuluttaja?

Tuotetasolla ostosten perusteella asiakastiedon rikastaminen vaatii päätöksiä: kuinka paljon asiakkaan pitää ostaa tuotetta X, ennen kuin uskallamme luokitella hänet tuotteen X kuluttajaksi? Tässä vaiheessa tarvitaan sitä kauppiaan tarkkaa nenään ja kokemusta asiakkaista.

Tuotetietojen ohella olennainen tieto on maantieteellinen sijainti. Asiakkaan kaupunki on OK mutta omien kokemusten mukaan ei sisällä kovin paljoa ns. selitysvoimaa. Parempi tieto voi olla esim. etäisyys yrityksen toimipisteestä tai jaottelu maaseutu vs. kaupunki. Se, asuuko kuluttaja Kouvolassa vai Kotkassa, ei ole juuri merkityksellistä mutta se asuuko hän keskellä metsää vai keskustassa voi olla todella merkityksellistä.

Kuva alla näyttää mitä tietoja meillä on kasassa kun haemme ostohistoriasta mitä tuotteita asiakas on ostanut. Tässä esimerkissä haluamme vain tiedon, kuluttaako asiakas tiettyä meille strategisesti tärkeää tuoteryhmää vai ei.

Asiakastiedon rikastaminen tuotetiedoilla

1.4 Markkinointiaktiviteetit, asiakaspalvelu ja muut

Jos lopullisena tavoitteena on tehdä parempaa kohdennettua markkinointia, kannattaa asiakastietoa rikastaa markkinointiaktiviteeteillä. Suoramarkkinakirjeet, niin printit, emailit ja sms-viestit kuin myös puhelinsoitot ja f2f kontaktit ovat tällaisia.

Näiden perusteella päättelimme, reagoiko asiakas markkinointiviestiin ja millaiseen viestiin. Jos asiakas sai torstaina emailissa mainoskirjeen ja hän ei ollut ostanut sunnuntaihin mennessä, voidaan olettaa, että mainos ei osunut kohteeseen.

Jälleen kerran vaaditaan päätöksiä: miten päätellään, että toimiiko markkinointiviesti? Kuinka monta kertaa asiakkaan pitää olla ostamatta tai ostaa viestin saatua, että voimme sanoa hänen reagoivan siihen positiivisesti tai negatiivisesti? Mikä saa olla viive?

Päivittäistavarakaupassa olettaisin, että lehtimainoksen nähtyä asiakas ostaa samana tai seuraavana päivänä.

Markkinointiponnistelujen lisäksi luonnollisesti asiakaspalvelu ja palvelun laatu ylipäätään kiinnostaa. Esimerkiksi:

  • Kuinka monta kertaa asiakas on ottanut yhteyttä aspaan?
  • Kuinka monta reklamaatioita asiakas on tehnyt?
  • Kuinka monta tuotepalautusta asiakas on tehnyt?
  • Onko asiakkaan palvelussa ollut katkoja (esim. teleoperaattorit)?

Tänä päivänä on myös trendikästä puhua NPS:stä eli Net-promoter-score:sta. Kyseessä on asiakastyytyväisyyttä kuvaava mittari, yksi lukuarvo, joka kertoo: Kuinka todennäköisesti asiakas suosittelisi yrityksen palvelua muille?

Olen kuullut palvovia kommentteja tästä maagisesta mittarista. Kuulemma juuri mitään muuta ei yritys tarvitsekaan.

Ja ei siinä mitään, kyseessä on varmasti hyvä mittari ja otetaan se analyysiin mukaan. Itse näen sen yhdeksi pieneksi osaksi koko asiakastietämystä.

Alla kuvassa näkyy kooste tiedoista mitä olemme saaneet aikaan yhdistämällä CRM-dataa, laskutusdataa eli ostohistoriaa ja tuotetietoja sekä markkinoinnin aktiviteetteja.

Asiakastiedon rikastaminen markkinoinnin tiedoilla

Olemme tulleet valtavan harppauksen eteenpäin mutta varsin pienellä työllä. Asiakastietämys on rikastunut 2 sarakkeesta (nimi + postinumero) useisiin kymmeniin, laadukkaisiin ja todenmukaisiin tietoihin asiakkaista.

Jo tällaisenaan voidaan puhua todella rikkaasta asiakastietämyksestä, jonka perusteella asiakkuuksien johtaminen ja esimerkiksi kampanjoiden älykkäämpi suunnittelu on mahdollista.

Mutta todellisuudessa olemma vasta aluissa. Tässä käytiin alussa esitetyistä neljästä kohdasta vasta ensimmäinen. Paras osa on vielä tulematta. Niistä lisää seuraavalla kerralla, pysy kuulolla.

 

 


26.04.2015 / Lasse Liukkonen

Edellisessä kirjoituksessa paneuduimme analyyttiseen prospektointiin ja sen tuomiin hyötyihin liiketoiminnan ohjauksessa. Kun uudet asiakkaat on saatu hankittua prospektien joukosta, voidaan heidän osaltaan aloittaa seuraava vaihe asiakkuuden hallinnassa, asiakkuuden pitäminen. Keskeisimmät tehtävät analyyttisessä asiakaspidossa ovat

  1. Tutkia mitkä tekijät vaikuttavat asiakkuuden pysyvyyteen/poistumiseen/tyytyväisyyteen
  2. Muodostaa malleja, joiden avulla pyritään ennustamaan poistumaa, ohjaamaan resursseja, sekä muodostamaan “optimoituja” toimenpidepäätöksiä poistuman vähentämiseksi
  3. Vahvistaa yrityksen ja asiakkaan välistä suhdetta, sekä lisätä asiakkuuden kannattavuutta

Kohdan 2. osalta tulee huomioida, että analyysien ohjaamassa toimenpidestrategiassa tulee ottaa huomioon sekä asiakkaan, että yrityksen näkökulma; on yrityksiä, joilla on asiakkaita, joista halutaan eroon esimerkiksi kannattavuus syistä, vaikka se sotiikin asiakkuuden hallinnan lähtökohtaista ideologiaa vastaan ”pyritään pitämään asiakkaat tyytyväisenä”.

Systemaattisesti toimivan asiakaspidon hyödyt generoituvat yrityksen kannattavuuteen kausaalisesti:

Yrityksen tuotteiden ja palvelun laatu lisää asiakastyytyväisyyttä => Asiakastyytyväisyys lisää asiakaspysyvyyttä => Asiakaspysyvyys lisää yrityksen kannattavuutta

Asiakaspidon liiketoimintaa ohjaavissa analyyseissä ei aina ole välttämättä kyse suoraan asiakkaan taustatietojen ja käyttäytymisen analysoinnissa, vaan myös asiakkaiden antamien signaalien johdosta tehtävissä analyyseissä, esim. kyselytutkimukset. Käsittelemme tässä kirjoituksessa kuitenkin vain asiakkaan taustatietojen ja käyttäytymisen analysointia.

Analyyttinen asiakaspito vastaa seuraavankaltaisiin konkretiatason kysymyksiin:

  1. Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?
  2. Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajanhetkellä?
  3. Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus, ostaako asiakas useasta eri tuoteryhmästä (ristiinmyynti)?
  4. Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?
  5. (Edellisten kohtien tuloksiin vaikuttavat taustatekijät, ajurit)

Käymme seuraavaksi läpi mainittujen konkretiatason kysymyksien analyysien perusrakenteen ja huomioitavat seikat esimerkiksi valittujen analyysimenetelmien näkökulmasta.

 

1. Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?

On jo pitkään tiedetty, että uuden asiakkaan hankinta on moninkertaisesti kalliimpaa yrityksille, kuin vanhan/vasta hankitun asiakkaan pitäminen. Koska asiakkaan uudelleen ostaminen on enemmän tai vähemmän ekvivalentti asiakkaan poistumisen kanssa, on luontevaa mallintaa uudelleenostotodennäköisyyksiä esimerkiksi logistisen regression avulla. Logistinen regressio tarjoaa selkeät ja hyvin tulkinnalliset tulokset uudelleen ostamiseen vaikuttavista tekijöistä, lisäksi logistisen regression tuottama malli voidaan implementoida helposti tuotantokäyttöön teknisestä ympäristöstä riippumatta.

Vaste-muuttujaa, ”Ostiko asiakas tarkasteluajanjaksolla”: Kyllä/Ei, muodostettaessa on oleellista käyttää hyväksi tietämystä liiketoiminnan erityispiirteistä, jotta uudelleen ostamisen tarkasteluajanjakso saadaan määritettyä järkevällä tavalla. Esimerkiksi yrityksillä, jotka myyvät kodinkoneita tulee tarkasteluajanjakson olla huomattavasti suurempi kuin huoltoasemilla. Kodinkoneita ostetaan kerran vuodessa (tai harvemmin), mutta auton tankki käydään täyttämässä viikottain (kuukausittain). Huonosti määritelty tarkasteluajanjakso voi johtaa vääriin liiketoimintaa ohjaaviin toimenpiteisiin.

Tyypillisiä uudelleenostamista selittäviä muuttujia ovat esimerkiksi asiakkaan sukupuoli, ensimmäisen oston suuruus, keskimääräinen ostojen suuruus, edellisen tarkasteluajanjakson ostot, kanta-asiakkuus (Kyllä/Ei).

Analyysin tuloksena saadaan asiakaskohtaiset uudelleen ostotodennäköisyydet, sekä ajurikohtaiset ristitulosuhteet ”oddsit”. Oddsien ja kokonaiskuvan perusteella voidaan esimerkiksi kohdentaa räätälöity markkinointikirje oikeille asiakkaille, jotta heidän suhdettaan yritykseen saadaan vahvistettua uudelleen ostamisen johdosta.

 

Louhia Asiakaspito

2. Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajan hetkellä?

Asiakkaan elinkaareen pituuden analysoinnissa on tavoitteena saada selville ketkä asiakkaista ovat ”suurella” todennäköisyydellä aktiivisia myös tulevaisuudessa.

Asiakkaan elinkaaren pituutta voi ennustaa jo pelkän asiakaskohtaisen ostokäyttäytymisen perusteella. Ostokäyttäytymisestä johdettavia muuttujia voisivat olla esimerkiksi yhteenlaskettu ostoksien lukumäärä, aika viimeisimmästä ostokerrasta, kuinka monesta tuoteryhmästä asiakas on ostanut, sekä asiakkuuden kesto tähän päivään mennessä.

Yleensä tässä vaiheessa on tyypillistä muodostaa malli, jonka avulla saamme todennäköisyydet sille, että asiakas suorittaa oston (=asiakas on edelleen aktiivinen) johonkin tiettyyn kiinnitettyyn aikapisteeseen mennessä. Tyypillisesti ongelman mallintamiseen käytetään elinaikamalleja; suhteellisen vaaran mallit tai AFT-mallit. Mallintaminen poikkeaa kohdan 1. mallintamisesta oleellisesti, sillä emme havaitse konkreettisesti asiakaspoistumaa. Tämä tarkoittaa sitä, että mallissa ei ole vaste-muuttujaa.

Asiakkuuden keston laskemisessa tulee huomioida, että mallintamiseen käytetty asiakasjoukkio on yleensä järkevää kiinnittää jonkin kriteerin perusteella, esim. 1.-14.1.2014 välisenä aikana ostaneet asiakkaat (ensiostos).

Analyysin tuloksena saadaan todennäköisyydet sille, että asiakas on edelleen aktiivinen kiinnitetyn tarkasteluikkunan lopussa. Todennäköisyyksien perusteella voidaan ryhmitellä tarkasteltava asiakasjoukkio ja kohdentaa eri toimenpiteitä eri tyyppisille asiakasryhmille.

 

3. Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus kiinnitetyllä aikavälillä?

Usein käytetty mittari yritysliiketoiminnassa on keskimääräinen ostoksen tai ostoskorin suuruus. Odotettu keskimääräinen ostoksen suuruus koostuu kahdesta komponentista,

  1. Todennäköisyydestä, että asiakas ostaa kiinnitetyllä aikavälillä, sekä
  2. Odotetusta ostoksen suuruudesta, ehdolla, että asiakas ostaa kiinnitetyllä aikavälillä

Kuten tuli lyhyesti mainittua blogisaagan ensimmäisessä osassa, tulee tässä kohdassa huomioida mahdollinen otantaharha. Otantaharha saadan helpoiten otettua huomioon, kun mallinnetaan ensimmäinen komponentti käyttäen probit-mallia logistisen regression sijasta ja laskemalla ns. Inverse Mills Ratio, jolla otantaharha saadaan korjattua (mikäli se merkitsevänä esiintyy). Otantaharha vaikuttaa mallin parametrien estimaatteihin ja saattaa vääristä tuloksia, jotka pahimmassa tapauksessa voisivat johtaa vääriin/”ei-optimaalisiin” liiketoiminnan toimenpiteisiin. Toisen komponentin mallinnus voidaan suorittaa yksinkertaisemmillaan lineaarista regressiota käyttäen.

Esitellyssä ensimmäisen vaiheen analyysissä mallinnettiin asiakkaan uudelleen ostamista logistisella regressiolla siitä syystä, että probit-malli ei tuota vastaavia helposti tulkittavia tuloksia. Tulokset probit- ja logistisen regression osalta eivät kuitenkaan yleensä ole ristiriitaisia, joten probit-mallin käyttäminen jälkimmäisessä analyysissä on “perusteltua”, mikäli logistinen regressio on tuottanut ensimmäisessä vaiheessa järkeviä tuloksia.

 

Asiakaspito_2

 

Keskimääräisen ostoksen suuruuden lisäksi yritykset ovat usein kiinnostuneita ristiinmyynnin lisäämisestä asiakkaille. Ristiinmyynnin uskotaan parantavan asiakkaan ja yrityksen välistä suhdetta, ja näin ollen vaikuttavan yrityksen tuottavuuteen. Ristiinmyynnissä täytyy kuitenkin muistaa, että tarjottava tuote tulee olla asiakkaalle tarpeellinen, umpimähkäinen ristiinmyynti yleensä heikentää asiakkaan ja yrityksen välistä suhdetta. Ristiinmyynnin analysointiin ei tässä kirjoitelmassa paneuduta tarkemmin.

 

4. Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?

Yrityksen myytyjen palveluiden suhteellinen osuus toimialalla kilpailevien yrityksien kokonaismyynnistä asiakkaalle, Share of wallet, olisi ihanteellinen tieto usealle yritykselle. Mitä suurempi SOW on, sitä kiinnostuneempi ja/tai tyytyväinen asiakas on juuri kyseisen yrityksen tarjoamista palveluista, ellei kyseessä ole monopolistinen markkina-asema. Korkea ja stabiili SOW-luku indikoi yleensä suoraan asiakkaan lojaalisuutta yrityksen palveluita kohtaan.

SOW-analyysissä haasteellisinta on saada kyseinen tieto asiakasryhmittäin tai asiakaskohtaisesti. Mikäli SOW-arvot saadaan hankittua tai arvioitua riittävän tarkasti, voidaan siirtyä tarkastelemaan mitkä taustamuuttujat (ajurit) vaikuttavat suhteelliseen myynnin osuuteen toimialakohtaisilla markkinoilla.

Mallista saatavat ajureiden vaikutukset SOW-arvoon ohjaavat yrityksen asiakkuuden hallintaa, esim. Aktiivinen yhteydenpito asiakkaan kanssa yleensä lisää SOW-arvoa, mutta yliaktiivinen yhteydenpito asiakkaaseen voi puolestaan laskea sitä. Yksi mielenkiintoinen tutkimisen aihe voisi olla myös kanta-asiakasjärjestelmän vaikutus; Onko kanta-asiakasjärjestelmällä merkittävä positiivinen vaikutus SOW-arvoon. Mikäli vaikutus osoittautuisi olevan olematon, olisi syytä pohtia tulisiko kanta-asiakkuuden tuomia asiakaskohtaisia etuja muuttaa.

Klassisien tilastollisien menetelmien joukosta SOW-analyysi (=ajureiden vaikutus SOW-arvoon) suoritetaan yleensä Tobit-mallin avulla. Tobit-malli vastaa luonteeltaan lineaarista regressiota, erona on kuitenkin se, että vaste-muuttuja SOW rajoitetaan välille 1-100, missä 100 tarkoittaa, että asiakas ostaa kaikki toimialakohtaiset tuotteet ja palvelut samalta yritykseltä.

 

Yhteenveto

Edellä esiteltyjen analyysien tuloksia voidaan käyttää itsenäisenäisinä liiketoiminnan toimenpiteiden ohjaamiseen ja tehostamiseen, asiakastyytyväisyyden ja yrityksen tuottavuuden kasvattamiseen. Tarvittavat tiedot analyysien suorittamiselle ovat yleensä saatavilla yrityksen tietovarannoissa, haastavin osuus on yleensä tietojen yhdistäminen eri lähteistä. Poikkeuksena yritykset, joilla on käytössään keskistetty tietovarasto tai vastaava “datapankki”.

Kirjoitelmassa mainittuja analyysien tuloksia voidaan hyödyntää asiakkaan odotetun tulevaisuuden tuottavuuden laskemisessa, CLV (eng. Customer lifetime value). Tämä onkin yleensä yhtenä motivaationa yksittäisien analyysien suorittamiselle. Jo yksittäisien analyysien tulokset ohjaavat liiketoiminnan kehittämistä, joten kaikkien analyysien muodostaminen kertarykäisyllä ei ole itsetarkoitus. Mainitut asiakaspidon analyysit eivät kuitenkaan ole riippumattomia toisistaan, järkevintä onkin yleensä aloittaa analysoiminen ensimmäisestä konkretitason kysymyksestä.


9.12.2014 / Ville Niemijärvi

Sunnuntaiaamun krapulamorkkiksessa tehty päätös muuttaa suuntaa, alkaa kuntoilemaan ja elämään terveellisesti ei kanna pitkään. Maanantaina hikoillaan viikonlopun synnit pois kuntosalilla. Tiistaina morkkiksen selkä alkaa taittumaan ja keskiviikkona suunnitellaan jo uusia koiruuksia. Silloin alkuviikolla hankittu elinikäinen kuntosalijäsenyys heitetään roskiin ja ostoskanavasta tilattu monitoimilaitteisto siirretään varastoon leipäkoneen ja thighmasterin viereen.

Elämänmuutos, kulttuurinmuutos ei tapahdu päivässä. Sitä ei voi ostaa. Se ei tapahdu käskemällä.

Tekemisen kulttuuria ja elämäntavan muutosta ei voi ostaa rahalla

Elämäntavan muutos, oli se sitten kuntoilun lisääminen tai ruoka- ja juomavalion muutos ei tule päivässä. Sitä ei voi ostaa rahalla. Sitä ei saa aikaan komentamalla.

Se lähtee omasta tahdosta, siihen edesauttaa tavoitteiden asetanta ja hyötyjen ymmärtäminen, yhteisön paine ja toki se rahakin.

Se on jokatapauksessa monen asian summa ja siinä on hiton vaikea onnistua – siten, että muutoksesta tulisi pysyvä ja kestäisi vielä keskiviikonkin yli.

Liiketoiminnan kokeilut on joskus kuin krapulapäissään tehtyjä sohaisuja

Yrityselämä ei tästä paljoa poikkea. Muutoksen aikaansaaminen ei ole helppoa, päinvastoin paljon vaikeampaa. Organisaatiokulttuuria ei voi muuttaa yksin hallitus, toimitusjohtaja tai rivijääkäri. Sitä ei voi ostaa rahalla. Sitä ei saa aikaan käskemällä. Se vaatii paljon enemmän.

Meidän erikoisalaamme on liiketoiminnan analytiikka, tiedolla johtaminen ja paremmat päätökset ja sitä kautta tuloksenteko. Vuosien varrella olemme keskustelleet kymmenien yritysten kanssa siitä, miten analyyttinen ja parempaan suoritukseen tähtäävä toimintamalli ja tekemisen meininki saataisiin ujutettua yritykseen.

Jotkut asiakkaat ovat kokeilleet joskus prediktiivistä analytiikkaa ja sanovat: Ei toiminut meillä. Oli tehty yksi yksittäinen kohdennetun markkinoinnin harjoitus. Tai yksittäinen asiakaspoistuma-analyysi. Yksittäinen asiakassegmentointi. Ja tulokset eivät olleet hyviä. Ne jäivät pöytälaatikkoon. Ajatus heitettiin romukoppaan. Propellipäiden touhuja. Jatketaan kuten ollaan aina tehty.

Yritys oli siis krapula-aamuna päättänyt, että huomenna mennään kuntosalille. Laitettiin penkkiin maltilliset kiekot, vedettiin parit sarjat ja muutama rundi kuntopyörällä. Sitten ihmeteltiin kun paino ei pudonnut, lihakset ei kasvaneet ja naisten päät ei käännyt yhtään enempää.

Jos olet ollut viimeiset 20 vuotta sohvaperuna, yksi keikka salilla ei tee vielä ihmeitä.

Et voi ostaa kulttuuria. Et voi ostaa huumorintajua. Et voi ostaa rehellisyyttä. Ja et voi ostaa uteliasta, analyyttista ajattelutapaa, joka pyrkii aina parempaan ja tehokkaampaan.

Mutta voit rakentaa sen. Se vaatii kärsivällisyyttää, systemaattisuutta. Hikeä ja toistoja.

Kilpailukykyisen, analyyttisen kulttuurin rakentaminen

Olemme nähneet vuosien varrella miten analytiikan kanssa ei kannata edetä. Miten rahaa sössitään. Miten jäädään sohvaperunaksi.

Mitä analyyttisen kulttuurin ja muutoksen rakentaminen EI vaadi:

  • elinikäistä vankeutta kuntosaliketjun kanssa = softalisenssiä tai big data –rautaa tai mitään yksittäistä teknologista ratkaisua
  • yksittäisiä kuntosalikäyntejä = pistemäisiä analyytikkojen rekryjä tai yksittäisiä sohaisuja analytiikan suuntaan. Rekryt poistuvat talosta alta aikayksikön kun huomaavat, että tekemisen kulttuuria ei ole ja omalla tekemisellä ei ole mitään merkitystä

Toisaalta olemme olleet etuoikeutettuja saadaksemme nähdä miten muutamat harvat suomalaiset edelläkävijät ovat ottaneet analyyttisen, ketterän toimintamallin omakseen ja taistelleet toimialan asettamia haasteita vastaan. Olemme saaneet toimia yritysten kanssa, joilla on ilmiömäisen analyyttinen ja suorituskykyinen organisaatio, ilman ensimmäistäkään analyytikkoa/softaa. Pyörittäen kaikkea raportointia Excelin varassa.

Mitä analyyttisen toimintakulttuurin rakentaminen sitten vaatii, muutama ajatus:

  • halu tehdä lisää rahaa. Massia, pätäkkää, hilloa. Sisäinen palo ja ulkoinen paine tehdä asioita paremmin. Voit vaihtaa rahan tilalle tietenkin minkä tahansa muun hyödykkeen: aika, terveys, hyvä mieli, asiakastyytyväisyys, parempi kunto, isommat lihakset… Mutta jos olet monopolibusineksessa ja ylimääräinen liikevaihto tai tulos ei kiinnosta, niin olet lopettanut lukemisen jo aikaa sitten.
  • ymmärrys, että tekemällä asioita oikein ja useita toistoja saadaan tuloksia. Ymmärrys, että pikavoittoja ei ole ja mömmöt on häviäjille.
  • personal trainer (=me konsultit): tarvitset sparrausapua. Tämä ei ole myyntispiikkiä. Sinulle ei ole haittaa, että joku joka on tehnyt hommia kymmenissä yrityksissä ja paininut samojen ongelmien kanssa, kertoo mitä kannattaa tehdä ja mitä ei. Se maksaa itsensä takaisin ja selkäsi ei mene rikki kyykätessä väärässä kulmassa.
  • päämäärätietoisuutta, hikeä, kyyneleitä ja toistoja. Jos et kestä tuskaa, älä lähde leikkiin.

Näiden asioiden kanssa painii tällä hetkellä niin moni yritys, että jaamme seuraavissa kirjoituksissa kokemuksiamme eri näkökulmista tämän teeman ympäriltä. Teemana on siis miten vyöryttää analyyttinen toimintamalli ja tiedolla johtamisen kulttuuri organisaation joka tasoille? Miten saada aikaan muutos organisaatiossa?

Emme väitä, että tiedämme miten se tehdään. Emme ole muutosjohtamisen ja organisaatiokulttuurin experttejä. Tiedämme kuitenkin palasia sieltä ja täältä. Ja vuosien varrella on kertynyt kokemus jos toinenkin. Ja jos ei muuta niin aloitamme toivottavasti keskustelun. Keskustelun siitä, miten isosta mullistuksesta aidossa tiedolla johtamisessa on kyse ja mitä kaikkea se voi mahdollistaa.


27.08.2014 / Ville Niemijärvi

ManAsiakaspoistuma-analyysi (eng. churn) tarkoittaa analytiikan prosessiketjua, jossa selvitetään mitkä asiakkaat ovat vaarassa poistua, millä todennäköisyydellä ja miksi. Poistuma tarkoittaa sitä kun asiakas lopettaa sopimuksen palveluntarjoajan kanssa tai yksinkertaisesti lopettaa asioimisen yrityksessä. Voidaan puhua myös asiakaspidosta (eng. retention).

Termi liittyy läheisesti myös asiakkuuden elinkaaren arvon määrittämiseen (customer life-cycle value) ja nykypäivän yhteen muotitermiin; customer journey. Itse näkisin kuitenkin, että kyseessä on enemmänkin yksinkertaisesti paremmasta asiakashallinnasta ja huolenpidosta…

Poistuma-analyysi sopii hyvin sopimusliiketoimintaan, esimerkiksi sähköyhtiöille, puhelin- ja internet operaattoreille, kuntosaliketjuille tai lehtitaloille. Mutta poistuma-analyysiä voidaan tehdä myös vähittäiskaupassa, jos vain asiakas tunnistetaan (kanta-asiakasjärjestelmän avulla). Tällöin pitää vain päättää milloin asiakas on poistunut? Mikä on riittävän pitkä aika, että asiakas ei ole käynyt kaupassa, jotta voidaan päätellä hänen vaihtaneen vakiokauppaansa.

Tässä ja parissa seuraavassa kirjoituksessa käydään läpi asiakaspoistuma-analyysiä ja miten se tehdään käytännössä. Lähestymme aihetta yleisestä yksityiseen. Lopussa näytämme kädestä pitäen miten homma tehdään alusta loppuun.

Asiakaspoistuma-analyysin tuotto on helppo laskea

Kaikessa analytiikkatyössä tulee laskea mitä saamme analyysistä irti, mikä on investoinnin roi, paljonko jää viivan alle. Jollei investointi tuota moninkertaisesti enemmän kuin analyysi ja tiedon keräys maksaa, ei sitä kannata tehdä.

Asiakaspoistuman osalta tämä on erittäin helppoa tehdä. Otetaan esimerkki sähkön myynnistä.

Sähköyhtiöllä on 100 000 asiakasta. Keskimääräinen laskutus per asiakas on 1000e/vuosi. Nopea selvitys sähköyhtiön sopimuskannasta kertoo, että keskimäärin vuodessa sopimuksen lopettaa 8% asiakkaista.

Tämä tarkoittaa, että asiakkaita poistuu 8000 kpl/vuosi. Rahassa tämä on siis 8000kpl*1000e=8 miljoonaa euroa. Tuo on se potti, jota lähdemme pienentämään ja sitä kautta tekemään asiakkaallemme lisää rahaa.

Osa näistä 8000:sta poistuu luonnollisen poistuman kautta, osa vaihtaa kaupunkia. Ja sitten on se osa joka vaihtaa palveluntarjoajaa koska yrityksen tuote, palvelu tai hinta ei ole riittävän hyvä. Tai kilpailijalla on parempi. Kutsuttakoon tätä laadulliseksi poistumaksi.

Kun menemme asiakkaalle, teemme aina vastaavan laskelman ja arvioimme asiakkaan kanssa yhdessä, mikä on tuon laadullisen poistuman osuus ja kuinka paljon on realistista saada pienennettyä sitä. Sähköyhtiöiden osalta voimme katsoa julkisesta datasta, esim. THL:ltä, mikä on muuttoliike kunnasta pois päin ja paljonko poistuu jalat edellä. Näin emme joudu arvailemaan vaan meillä on faktaa laskelmien taustalla. Sanottakoon esimerkkinä, että sähköyhtiön tapauksessa 3% on luonnollista/muuttopoistumaa ja loput 5% on laadullista poistumaa. Poistumaa, johon voimme vaikuttaa. Tähän iskemme kyntemme.

Entä jos voimme pudottaa tuota 5% poistumaa vaikka vain yhden prosenttiyksikön? Tämä tarkoittaisi 1000 asiakasta ja miljoonaa euroa vuodessa lisämyyntiä. Jos analyysi maksaa 20 000 euroa, on investoinnin tuotto aika huima. Se on jotain sellaista, jota kannattaisi kaikkien tavoitella.

Mitä dataa poistuma-analyysi tarvitsee?

Ensiksi otamme historiatietoa eli tietoa jo poistuneista ja ei-poistuneista asiakkaista. Toisin sanoen sähköyhtiön tapauksessa luemme sopimustietokantaa ja sähkönkulutustietoja (yhä yleisemmin tietovarastoa tai edistyneimmissä yrityksessä erikseen toteutettua analytiikkakantaa) ja haemme sieltä mahdollisimman pitkän historian, mahdollisimman monelta asiakkaalta. Mitä enemmän sitä parempi. Historia-aineistoon otetaan mukaan asiakkaiden taustatietoja sekä käyttäytymiseen liittyvää tietoa.

Taustatietoja ovat esimerkiksi

  • alue/kaupunki/postinumero
  • demografiatiedot (tulo- ja koulutustaso)
  • sukupuoli
  • ikä
  • asiakkuuden kesto
  • talotyyppi, koko, lämmitysmuoto jne. toimialaspesifistä tietoa

Käyttäytymiseen liittyviä tietoja ovat esimerkiksi:

  • kulutus- ja laskutushistoria (esim. keskimääräinen kulutus per kk)
  • ostetut tuotteet (eli millainen sopimus)
  • reklamaatiota, asiakaspalautteet, yhteydet asiakaspalveluun
  • maksuhäiriöt
  • muut toimialaspesifit tiedot
  • Ja lopuksi se tärkein tieto: onko asiakas poistunut vai ei (K/E)

Monilta yrityksiltä ei löydy kaikkia näitä tietoja, olen nähnyt yrityksiä joilla asiakkaista tiedetään käytännössä vain numero ja osoite. Ei edes nimeä tai sitä onko kyseessä yritys- vai henkilöasiakas. Ennen kuin analytiikkaa päästään hyödyntämään täysillä, on edessä usein systemaattinen tiedon keräämisvaihe ja mahdollisesti muutokset lähdejärjestelmiin/tietovarastoon.

Ennen analyysia emme tiedä mitkä tiedot ovat relevantteja ja vaikuttavat poistumisen takana ja sen selvittäminen onkin koko homman ydin.

Miten poistuma-analyysi tehdään?

Kun tiedot on kasassa, jaamme datan kahteen eri settiin: opetusdataan ja testidataan (esimerkiksi suhteessa 60-40). Opetusdatan avulla muodostamme ennustemallin, käyttäen liiketoimintaongelmaan sopivaa analytiikka-algoritmia (esim. logistinen regressio, naive-bayes). Parhaan mallin löytäminen vaatii useita iteraatioita.

Työ vaatii analytiikkasoftan mutta ei välttämättä lisenssihankintaa vaan työn voi ostaa usein palveluna. Markkinoilta löytyviä analytiikkaohjelmistoja on esimerkiksi: R, RapidMiner, SAS, SPSS ja löytyypä Microsoftin SQL Serveristä data mining -moduuli.

Muodostunutta ennustemallia testataan testidataa vasten. Koska testidata on historiadataa, tiedämme onko asiakas poistunut vai ei. Testin voisi ajatella siten, että peitämme tuon poistuma-tiedon ja kuvittelemme, että kyseessä olisi täysin uutta dataa. Annamme mallin tehdä ennusteen eli kertoa todennäköisyydet poistua kullekin asiakkaalle. Tämän jälkeen tarkastamme tuloksen ja arvioimme mallin tarkkuuden. Näin varmistamme toimiiko malli ja kannattaako sitä hyödyntää uutta dataa vasten vai pitääkö sitä parantaa.

Kollegani laittaa piakkoin step-by-step ohjeen miten kuka tahansa hiirtä ja näppäimistöä osaava käyttäjä voi tehdä asiakaspoistuma-analyysin omalla datalla käyttäen RapidMineria. RapidMiner on yksi käytetyimmistä analytiikkaohjelmistoista maailmassa ja kuuluu Gartnerin analyysissä leaders-kategoriaan. Rapidista saa ladattua ilmaisversion, jonka avulla voit testata ohjeitamme ja päästä alkuun analytiikan hyödyntämisessä.

Asiakaspoistuma-analyysin tulokset

Poistuma-analyysi tuottaa kaksi erillistä tulosta:

  1. Kaikki nykyiset asiakkaat listattuna poistumatodennäköisyyden mukaan
  2. Selittävät tekijät poistuman taustalla

asiakaspoistuma_tulos

Ensimmäinen tarkoittaa siis konkreettista listaa, jonka voit heittää myynti-/asiakaspalveluyksikölle tai soittokoneistolla ja käskeä kontaktoimaan heti aluksi akuuteimmat top 100 poistujaa.

Toinen tuotos eli selittävät tekijät antavat tulkinnan ilmiölle. Ne kertovat miksi asiakkaat poistuvat. Nämä tulokset on erittäin arvokasta tietoa niin asiakaspalvelulle, myynnille kuin tuotepäälliköille, liiketoiminnan kehittämiselle ylipäätään.

Analyysissä voi tulla esille, että hinta ei olekaan merkittävä tekijä poistuman taustalla vaan huono asiakaspalvelu tai tietylle asiakassegmentille sopimaton tuotepaletti (esim. sähköyhtiöltä puuttuu ekosähkö valikoimastaan).

Parhaimmassa tapauksessa analyysin tuotoksista voidaan generoida sääntökoneisto ja sisällyttää se esimerkiksi asiakaspalvelun työpöydälle tai CRM-järjestelmään. Säännöt voivat olla yksinkertaisuudessaan kertoimia ja IF-lauseita ja voidaan toteuttaa esimerkiksi SQL-komentoina. Analytiikan tulokset kirjoitetaankin usein takaisin joko operatiivisiin järjestelmiin tai tietovarastoon.

Analyysistä toimintaan

Analytiikan pitää johtaa toimintaan. Sen pitää tuottaa tulosta. Tämä erottaa sen perinteisemmästä raportoinnista ja business intelligencestä, jossa tuijotetaan enemmänkin raportteja ja taulukoita. Näytti käppyrät mitä tahansa, hommia jatketaan kuten ennenkin. Kunnes ollaan karilla tai kortistossa.

Poistuma-analyysissa toiminta tarkoittaa monta asiaa, esimerkiksi:

  • kontaktoidaan poistumariskissä olevat asiakkaat
  • pyritään pitämään heidät tai parhaimmassa tapauksessa tekemään lisämyyntiä
  • kehitetään asiakaspalvelun laatua
  • kehitetään tuotteita/palveluita vastaamaan paremmin kysyntää
  • ennakoidaan liikevaihdon muutos kun tiedetään ennuste tulevasta poistumasta

 

Miksi yritys ei tee asiakaspoistuma-analyysiä?

Olemme tehneet vuosien varrella valtavan määrän eri analytiikan sovelluksia ja projekteja. Asiakaspoistuma-analyysi on antanut näistä todennäköisesti parhaimmat tulokset, varsinkin jos mitataan euroissa asiakkaiden saamaa hyötyä. Menetelmä on helppo ja suhteellisen nopea toteuttaa, se on helppo ymmärtää ja tulokset ovat käsin kosketeltavat.

Silti yllättävän harva yritys todella hyödyntää sitä. Syyt ovat moninaiset lähtien tietämättömyydestä aina itsepetokseen.

Surullisin on itseriittoisen sinnikäs toteamus, että ei meidän asiakkaat poistu muuta kuin manan majoille tai hinnan perässä, ne pihit penteleet.

Yrityksen tuotteessa ei ole kuulema mitään vikaa. Palvelu on priimaa ja markkinaosuus olisi 100% jos vain kilpailijat eivät myisi arvelluttavan halvalla sekundatuotteitaan. Jostain syystä liikevaihto kuitenkin mataa.

Uuden asiakkaan hankinta on aina kalliimpaa kuin vanhan pitäminen. Parhaimmassa tapauksessa tekemämme asiakaspoistuma-analyysin tuloksena kontaktoiduille asiakkaille saatiin myytyä aivan pöljänä lisää tavaraa. Asiakkaat eivät aina ole siis tyytymättömiä palveluun, he ovat vain herkkiä myynnille. Sinun kannattaa olla silloin ensimmäisenä paikalla.


Ps. Viikon päästä konkretiaan: miten asiakaspoistuma-analyysi tehdään käytännössä RapidMinerilla. Käy lataamassa Rapidin ilmaisversio koneellesi ja testaa itse.


27.08.2013 / Ville Niemijärvi

Kuluvan viikon keskiviikkona tulee kuluneeksi 50 vuotta Martin Luther Kingin suuresta ‘I have a Dream’ puheesta. Nyt onkin hyvä paikka miettiä, mitä kukin on itse tehnyt taistelussa maailman vääryyttä vastaan.

Oma puolen vuoden daavidin ja goljatin taisteluni on kohdistunut paikallista uimahallia vastaan, joka soittaa kuntosalillaan hieman vaihdellen radio Novaa, Aaltoa tai Voicea. Toisin sanoen rautaa pumpatessa kunnon rokkenrollin sijaan voimaa pitää imeä Eros Ramazottista, Bryan Adamsista ja Lauri Tähkästä. Olisin vaihtanut kuntosalia heti ensimmäisellä kerralla kun kuulin Roxetten Joyriden tai Toton Afrikan mutta valitettavasti tykkään käydä kuntosalin jälkeen uimassa ja toista sellaista yhdistelmää tarjoavaa puulaakia ei ole kotioveni kupeessa tarjolla.

Olen lähestynyt uimahallin työntekijöitä siivoojista aina ylimpään johtoon saakka, pitänyt protestia kaupunginjohtajan kotiovella ja laittanut palautetta keksityillä nimillä vasemmalla kädellä kirjoittaen, jotta näyttäisi siltä, että tärkeän asian taustalla on oikea kansanliike (niin kuin pitäisikin olla). Pyyntöni on ollut maltillinen, koska Suomen parasta radiokanavaa, Radio Helsinkiä ei saada nettiradiota lukuunottamatta kuulumaan leveysasteillamme, olisin tyytyväinen Radio Cityyn, Bassoradioon tai vaikka Radio Suomeen (Pirkka-Pekka Petelius Luontoillassa on huikea).

Kaupungin uimahalleista vastaava johtaja vastasikin kerran palautteeseeni ja totesi tylysti: “musiikkiasiat ovat mielipiteitä.” 

Eräs työntekijä, jota piinasin palautteellani, sanoi, että “kuntosalilla soivan musiikin pitää kelvata mahdollisimman monelle.”

Eikä pidä. Musiikki on toki makuasia mutta sen pitää maistua nimenomaan kuntosalin kohderyhmälle. Ei kaikelle kansalle. Ei perhevolvo miehille, jotka syövät kananmunansa ylikypsinä ja ottavat ulkomaille omat serlat mukaansa.

Lisäksi musiikin pitää sopia tilanteeseen. Nova toimii varmasti kun olet Lacosten villaneule päällä kynttiläillallisella puolisosi kanssa, Volvo parkkeerattu turvallisen lähiösi autokatokseen ja tenavat peiteltynä unikkokuosiin. Silloin bryan adamsit tai eros ramazottit voi toimia, mutta ei nyt ihmeessä urheiluhallilla sentään.

Miten uimahallini kuntosalin johtajan pitäisi lähestyä tilannetta? Samalla tavalla kuin mikä tahansa yritys voi tutkia analytiikan avulla omaa liiketoimintaansa ja miten muuttuja X vaikuttaa siihen.

1.) Tilastollinen analyysi asiakkaista – etsi oikea hehtaari ja kohdista siihen.

Tutki millainen on asiakaskuntasi jakauma. Montako prosenttia on miehiä ja naisia, mikä on alueellinen jakauma, tulotaso, ikäjakauma jne. Näin saat hehtaarin mihin tähdätä. Jos kuntosalin asiakaskunnasta 80% on 20-35 -vuotiaita miehiä, ei lehtihyllyä kannata täyttää Me Naisilla tai radiosta laittaa Classic FM:ää.

Radio Suomi on Suomen kuunnelluin radiokanava. Mutta jos menet oikealle kuntosalille, on se siinä kohderyhmässä todennäköisesti Radio Rock.

Useat katsastuskonttorit muistuttavat minua autoni katsastuksesta 4kk ennen virallista määräpäivää. Kuka katsastaa autonsa 4kk ennen? Sama tyyppi, joka käyttää henkseitä ja vyötä samalla kertaa? Jos laitamme asiakkaat jakaumaan, havaitsemme, että kenties 5% käyttää autonsa katsastuksessa ensimmäisenä mahdollisena päivänä kun laki sen sallii. Toinen  5% on aina myöhässä. Suuri massa on todennäköisesti jossain 0-2 viikon kohdalla ennen määräpäivää. Siihen mainonta kannattaa keskittää ja saat moninkertaisen konversion (toki analytiikan avulla voimme kohdentaa tämän kullekin asiakkaalle erikseen ja saavuttaa aivan eri tarkkuuden, mutta se on toinen juttu).

2.) Ota tutkimustieto apuusi

Rock-musiikki parantaa suorituskykyä ja siitä on tutkimustulosta asian tueksi (http://yle.fi/uutiset/rokki_parantaa_treenia_ja_tulosta/6768041). Tämähän on itsestään selvä asia mutta kaikki ei aina tiedä itsestäänselvyyksistä (Moni ei esimerkiksi tajua, että Kingston Wallin II on maailman paras levy).

Vähittäiskaupan puolella on tutkittu esimerkiksi sitä, miten pienempi valikoima tuotetta x, tekee ostajan ostopäätöksen helpommaksi ja lisää näin myyntiä ja asiakasuskollisuutta (ks. Harward Business Review 05/2012).

Ihmiset myös ottavat mielummin asioita ilmaiseksi kuin saavat alennusta. Vaikka alennus olisikin heille kannattavampi (Ks. Huffington Post).

Tämänkaltaisen tutkimustiedon soveltaminen tai edes testaaminen omaan liiketoimintaan näppituntuman sijaan ei ole vaikeaa. Parhaimmassa tapauksessa se saattaa muuttaa koko liiketoimintasi suunnan.

3.) Selvitä asian todellinen vaikutus liiketoimintaasi

Miten muuttuja X vaikuttaa myyntiisi? Miten muutos y vaikuttaa asiakaspoistumaan? Analytiikka-algoritmien (esim. regressiomallinnnus) avulla voimme selvittää miten aurinkoinen sää tai hinnan alentaminen vaikuttaa tuotteen myyntiin. Eräässä analyysissa selvitimme, että asiakkaan yhteydenotto asiakaspalveluun nosti asiakaspoistuman todennäköisyyttä 11 kertaiseksi.

Kuntosalin tapauksessa se voisi helposti selvittää kuinka Radio City houkuttelee kävijöitä verrattuna Novaan, samoin kuin vähittäiskauppa voi selvittää miten taustamusiikki vaikuttaa asiakkaiden ostokäyttäytymiseen (iltalukemiseksi Paco Underhill, Why we buy).

“Musiikkiasia” voi olla mielipide mutta myynnin lasku tai asiakaspoistuma ei ole. Tai itseasiassa onhan se. Se on sinun asiakkaasi ilmaisema äärimmäinen mielipide palvelustasi. 

En tiedä mitä on tapahtunut kesän aikana. Onko uimahallin johto vaihtunut, onko kaupunki ottanut tiedon louhinnan ja älykkään johtamisen menetelmät käyttöönsä? Vai onko siivooja kääntänyt viritin nupin toiseen asentoon? Joka tapauksessa viime viikolla saapuessani kuntosalille, sain kunnella koko tunnin Kinksiä, Rollareita, Hendrixiä ja jopa Sex Pistolsia. Taisteluni oli voitettu. Harmi, että Martin Luther Kingin aloittama työ on edelleen pahasti kesken.


7.02.2013 / Ville Niemijärvi

Syksyllä Italian reissulla tippui puhelin huvilan kivilattialle. Näyttö meni tuusan nuuskaksi. Kotia päästyäni valmistauduin uusimaan Leningradin piirityksen vakuutusyhtiöni Tapiolan kanssa: toisin sanoen pitkä asemasota, jossa lähettäisin tulikivenkatkuisia reklamaatioita vakuutusyhtiölle, jonka byrokraatit poimisivat suurennuslasilla pienellä kirjoitetusta sopimuspräntistä syitä evätä minulta korvaukseni.

Tämä mielessä soitin korvauspalveluun, valmiina ottamaan ensimmäisen erän asiakaspalvelijan kanssa taistelussa, joka tulisi olemaan pitkä ja päättyisi tappioon. Mutta homma ei mennytkään kuten odotin.

Puhelu eteni jotakuinkin seuraavasti:

  • Tapiola: “Tapiolan korvauspalvelu, kuinka voin auttaa.”
  • Minä: Päivää. iPhone meni rikki Italiassa. Tippui lattialle, näyttö mäsänä. Pitäisi tehdä vahinkoilmoitus.
  • T: Ok. Mikä malli, nelonen vai nelos-ässä? 
  • M: Nelonen.
  • T: Okei. Niiden korjaus maksaa merkkiliikkeissä 300 euroa. Mä laitan tästä sen sun tilille niin asia on pihvi. Oliks jotain muuta mielessä?
  • M:

Tässä vaiheessa kun puhelua oli kestänyt sellaiset 30 sekuntia ja rahat oli jo varmaankin tililläni, en ollut aivan käsittänyt mitä oli tapahtunut. Päässä oli edelleen vuosi 1941. Miehet poteroissa. Sormi liipasimella.

Hieman sekavana, noudattaen alkuperäistä käsikirjoitusta, aloin änkyttämään jotain siitä kuinka se puhelin alun perin meni rikki. Asiakaspalvelija esti kohteliaasti hölmöilyni ja totesi, että ei tarvitse vaivautua. Kysyin sitten, onko väliä missä huollossa puhelimeni korjautan ja entä jos huolto onkin halvempi kuin tuo 300 euroa. Tähän hän totesi, että: “Ei meitä kiinnosta mitä sillä rahalla teet, huollat puhelimen, ostat uuden tai laitat kurkusta alas, ihan sama.”

Lopputulos: sain minulle kuuluvan korvauksen huippunopeasti ja -helposti. Tapiola taas sai itselleen lojaalin asiakkaan tai vahvisti lojaliteettia tuhatkertaisesti.

Sillä tuon tapahtuman jälkeen, on ihan sama millä hinnalla tai kuinka suurilla bonuksilla kilpailija vakuutuksia tarjoaa, pysyn luottovakuutusyhtiön asiakkaana.

Miten tämä liittyy analytiikkaan ja tiedolla johtamiseen? Tapiolan toiminta on paraatiesimerkki liiketoimintatiedon hyödyntämisestä päätöksenteossa ja sitä kautta paremman asiakaskokemuksen tarjoamisesta asiakkaille.

Analytiikka ja asiakassegmentointi

En tunne Tapiolan toimintamallia mutta epäilen, että ihan jokaiselle jampalle ei isketä 300 euroa käteen puolen minuutin puhelinsoiton perusteella. Samenttisen pehmeä radioääneni ei sitä varmaan myöskään tehnyt. Veikkaankin, että Tapiolalla, niin kuin muillakin isoilla vakuutusyhtiöillä, on tehty asiakassegmentointia. Toisin sanoen profiloitui asiakkaita heidän käyttäytymisen ja ominaisuuksien perusteella. Ja tämän jälkeen luokiteltu asiakkaat kannattavuuden, asiakkuuden arvon, asiakaspoistuman todennäköisyyden tai vaikka huijaustapausten todennäköisyyksien mukaan.

Otetaan meikäläinen ja muodostetaan profiili:

Käyttäytyminen: Pitkä + 5 vuotta asiakassuhde. Kannattava ja tuottoisa asiakas, ei ole koskaan aikaisemmin tehnyt korvausvaatimusta. Ei maksuongelmia, luottotiedot kunnossa. Monipuolinen tuoteportfolio, useita vakuutuksia. Asiakkuuden elinkaaren arvo on korkeahko. Tuotto-odotukset ovat nousussa (=maksaa ajan myötä enemmän ja enemmän maksuja).

Ominaisuudet: Yrittäjä. Perheellinen. Ikä 30-40 v.

Nyt kun isketään analytiikka-algoritmin läpi vuosien data ja kymmenet tuhannet korvaushakemukset, saadaan muodostettua esimerkiksi huijaavan asiakkaan profiili. Veikkaan, että omalla kohdalla ei tuollaisen veijarin leimaa ole. Päinvastoin, analytiikka-algoritmi kertoo todennäköisesti, että tämä kaveri on luottomies, meidän hyvä asiakas ja hänet kannattaa pitää tyytyväisenä.

Ei Tapiolan virkailijoiden kannata käyttää sekuntiakaan aikaa selvittääkseen olenkohan varmasti rikkonut luurini ja mitkä olivat olosuhteet. Eikä varsinkaan pyytää tuottoisaa asiakasta lähettelemään tarinoita, kuitteja ja muita selvityksiä tapahtuneesta. Eikä varsinkaan laittaa tarkastuskomppaniaa selvittämään voisiko tässä olla joku koijari asialla. Rahat tilille mahdollisimman nopeasti niin kaikki voittavat.

Bemarin moottorit

Samalla logiikalla toimii muuten BMW:n autotehdas. SPSS:n usein kertoma case kertoo, että BMW:n tehtaalla Saksassa moottorien vikaantumisten todennäköisyyksiä seurataan analytiikka-algoritmien avulla. Algoritmi on opetettu pollaamaan liukuhihnalla etenevien keskeneräisten moottorien datasta sellaisia piirteitä, jotka johtavat vikaantumiseen. Tämä opetus taas on perustunut tuhansiin ja taas tuhansiin aikasempiin tapauksiin kun moottori on todella leikannut kiinni ja on voitu todeta mitkä olivat olosuhteet tuolloin kun vikaantuminen tapahtui.

Kuuleman mukaan, kun analytiikka-algoritmi kertoo, että jollakin moottorilla on vaikkapa 50% todennäköisyys vikaantua, romutetaan moottori samantien, kyselemättä. Yksikään ihminen ei tutki onkohan asia todella näin koska on mitattu, että algoritmi on riittävän usein oikeassa ja on halvempaa laittaa moottorit romutukseen vaikka välissä saattaakin mukana mennä joku ehjä kappale.

Samalla tavalla joskus saattaa joku koijari saada epärehellisen vakuutuskorvausvaatimuksen läpi mutta silti kokonaisuutta ajatellen on kannattavampaa iskeä rahat kouraan kun todennäköisyydet näin sanovat.

Onko sinun yrityksessä mahdollista automatisoida prosesseja analytiikan avulla ja voittaa näin selvää rahaa tai yllättää asiakas iloisesti?