Yrityksillä ja muilla organisaatioilla on hallussaan paljon asiakkaisiinsa liittyvää tietoa. Käytännössä tätä tietoa on eri muodoissa ja usein myös eri tietokannoissa (Bahari & Elayidom 2015). Jatkuvasti kasvava datamäärä antaa mahdollisuuden toteuttaa tiedonlouhintaa (data mining), joka on keskeinen keino toteuttaa analyyttistä asiakkuudenhallintaa (Davenport, Mule & Lucker 2011; Barton & Court 2012). Sen avulla voidaan tunnistaa erilaisia mahdollisuuksia kohdentaa markkinointiin, myyntiin ja asiakaspalveluun liittyviä toimenpiteitä (Awashthi & Sangle 2012).
Ennustavat ja kuvailevat analyysimenetelmät tiedonlouhinnassa
Tiedonlouhinnan menetelmät voidaan karkeasti jakaa kuvaileviin ja ennustaviin. Kuvailevien eli ns. deskriptiivisten analyysimenetelmien avulla voidaan tunnistaa esimerkiksi asiakkaan nykyisiin ostopreferensseihin, ostotiheyteen, hintaherkkyyteen tai ostotapaan liittyviä yksityiskohtia. Tällöin tyydytään pitkälti kuvaamaan, miten asiat ovat tällä hetkellä tai ovat aiemmin olleet. Käytännössä tätä analyytiikkaa voidaan toteuttaa tekemällä esimerkiksi asiakastietokantaan hakuja tietyillä hakukriteereillä. Usein tämä ei kuitenkaan riitä tyydyttämään olemassa olevaa tietotarvetta, jolloin eri tietokannoissa olevaa dataa yhdistellään ja analysoidaan. Tiedonlouhinnan kuvailevat menetelmät voidaan ryhmitellä neljään alaryhmään: 1) tiivistäminen, 2) visualisointi, 3) muuttujien sisältämän datan klusterointi ja 4) muuttujien tietojen yhdistäminen ajan suhteen (Mäntyneva 2001; Ngai, Xiu, & Chau 2009).
Tiivistettäessä dataa tavoitteena on vetää suuri määrä havaintoja yhteen ja tehdä siitä johtopäätöksiä. Yksi konkreettinen esimerkki on laskea asiakkaiden ostoista keskiarvo, minkä jälkeen voidaan arvioida, että yhden asiakkaan ostot ovat kyseistä keskiarvoa vastaavan keskiostoksen suuruiset. Toki tässäkin yhteydessä on huomioitava datan sisältämä hajonta. Viime vuosien aikana erilaiset datan visualisointityökalut ovat kehittyneet paljon, ja ne ovat aiempaa helppokäyttöisempiä. Datan visualisoinnin avulla on usein mahdollista tehdä datasta yllättäviäkin löydöksiä, joita voidaan tarvittaessa analysoida tarkemmin tilastollisin menetelmin.
Muuttujien klusteroinnin yhteydessä useiden eri muuttujien data voidaan yhdistää esimerkiksi klusteri- tai faktorianalyysien avulla. Asiakaskohderyhmien tunnistaminen toimii todennäköisesti paremmin silloin, kun se perustuu useampaan taustamuuttujaan sen sijaan, että segmentointikriteerinä käytettäisiin vain yhtä taustamuuttujaa. On mahdollista, että asiakkaan ostokäyttäytyminen tai valmius maksaa tietystä palvelusta tai tuotteesta muuttuu ajan kuluessa. Eri muuttujiin kohdentuvan aikasarja-analyysin avulla on mahdollista saada lisää ymmärrystä siitä, miten tietty muuttuja saa vaihtelevia arvoja ajan kuluessa.
Historiallisen tiedon kuvaaminen on käytännössä paljon helpompaa kuin tulevaisuuden ennustaminen. Ennustamiseen tähtäävän, ns. prediktiivisen tiedonlouhinnan, avulla pyritään ennustamaan esimerkiksi asiakkaan ostoaikomuksia tulevaisuudessa. Tyypillisiä tähän liittyviä analyysimenetelmiä ovat muun muassa 1) regressioanalyysi, 2) päätöspuumallit, 3) neuroverkot ja 4) sääntöperustainen analyysi.
Regressioanalyysin avulla pyritään tunnistamaan muuttujien välisiä lineaarisia riippuvuussuhteita. Sen avulla saadaan muodostettua ennuste sille, mitä tapahtuu selitettävän muuttujan arvolle selittävän muuttujan arvon muuttuessa. Päätöspuumallit ovat yksi keino ennustaa asiakkaan ostokäyttäytymistä eri tilanteissa. Ne muodostavat puumaisen kuvauksen ja niitä voidaan hyödyntää analysoitaessa vaihtoehtoisten toteutustapojen vaikutuksia. Neuroverkot ovat yksi yleisimmin käytetyistä keinoista hyödyntää tekoälyä analyyttisessa asiakkuudenhallinnassa. Suurten tietomäärien analysoinnissa neuroverkkojen avulla saatetaan tehdä yllättäviäkin löydöksiä käytettävissä olevasta datasta ja yksittäisten muuttujien välisistä keskinäisistä suhteista. Neuroverkot ovat laajasti käytössä eri sovellusalueilla, ja on ilmeistä, että niiden hyödyntäminen vain lisääntyy. Sääntöperustainen datan analyysi liittyy usein päätöspuumallien jatkoanalyysiin. Tämä mahdollistaa markkinoinnin toteuttamisen entistä tarkemmin ja pienemmille kohderyhmille.
Asiakastiedon hyödyntäminen kilpailuedun lähteenä
Asiakastiedon hyödyntäminen on tulossa yhä tärkeämmäksi kilpailukeinoksi eri yrityksissä (LaValle, Hopkins, Lesser, Schokley & Kruschwitz 2010; Kumar 2015). Usein ongelmana ei ole se, onko yrityksen hallussa riittävästi asiakasdataa. Keskeinen haaste on kehittää asiakasdataan liittyviä analyyttisia valmiuksia yrityksissä, minkä jälkeen analyysin tuloksia voidaan hyödyntää markkinoinnin ja myynnin johtamisessa ja siihen pohjautuvassa arkisessa asiakkuuksien hoitoon liittyvässä työssä. Esimerkiksi sähköautoistaan tunnettu Tesla hyödyntää sekä asiakkuuksiin että myös operatiiviseen toimintaansa liittyvää dataa oman kilpailukykynsä kehittämisessä. Data-analyytikko on uusi toimenkuva, joka tukee yrityksen hallussa olevan tiedon analysointia ja hyödyntämistä liiketoiminnassa. Käytännössä tiedonlouhinta ja sen hyödyntäminen edellyttävät eri toimintojen välistä yhteistyötä.
Yhtenä viime aikoina puhuttaneena esimerkkinä asiakastietojen hyödyntämisestä voidaan mainita S-ryhmä. Tultuaan julkisuuteen asiakastiedon aiempaa tarkemmasta hyödyntämisestä se sai runsaasti kritiikkiä osakseen ja päätyi muuttamaan toimintatapaansa huomioimaan asiakkaan toiveet hänen ostotietojensa hyödyntämisestä markkinoinnin kohdentamisessa ja henkilökohtaisten digitaalisten palveluiden tuottamisessa. On kuitenkin ilmeistä, että kaikki yritys- tai kuluttajamarkkinoilla toimivat yritykset eivät kerro julkisuudessa asiakastietojen analysoinnista ja hyödyntämisestä. Datan analysoinnilla ja hyödyntämisellä tavoitellaan strategista kilpailuetua ja rakennetaan pitkäjänteisesti siihen liittyvää kyvykkyyttä.
Lähteet:
Awasthi, P., & Sangle, P. S. (2012). Adoption of CRM technology in multichannel environment: a review (2006–2010). Business Process Management Journal 18(3), 445–471.
Bahari, T. F., & Elayidom, M. S. (2015). An efficient CRM-data mining framework for the prediction of customer behaviour. Procedia Computer Science 46, 725–731.
Barton, D., & Court, D. (2012). Making advanced analytics work for you. Harvard Business Review 90(10), 78–83.
Davenport, T. H., Mule, L. D. & Lucker, J. (2011). Know what your customers want before they do. Harvard Business Review 89(12), 84–92.
Kumar, C. S. (2015). Increasing the Efficiency of CRM Process Using Data Mining Practices. International Journal 3(7), 21–25.
LaValle, S., Hopkins, M. S., Lesser, E., Shockley, R. & Kruschwitz, N. (2010). Analytics: The new path to value. MIT Sloan Management Review, 52(1), 1–25.
Mäntyneva, M. (2001). Asiakkuudenhallinta. Helsinki: WSOY.
Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications 36(2), 2592–2602.
Kirjoittaja
Mikko Mäntyneva, FT, KTL, toimii yliopettajana Hämeen ammattikorkeakoulun ylemmän ammattikorkeakoulututkinnon Liiketoiminnan kehittäminen ja Business Management and Entrepreneurship -koulutuksissa. Lisäksi hän toimii tutkimuspäällikkönä Älykkäät palvelut -tutkimusyksikössä.
Viittausohje:
Mäntyneva, M. (2016). Tiedonlouhinta tukee asiakkuudenhallintaa. HAMK Unlimited Professional 2.12.2016. Haettu [pvm] osoitteesta https://unlimited.hamk.fi/yrittajyys-ja-liiketoiminta/tiedonlouhinta-tukee-asiakkuudenhallintaa/
http://urn.fi/URN:NBN:fi-fe2020111991917
Tämä teos on lisensoitu Creative Commons Nimeä-JaaSamoin 4.0 Kansainvälinen -lisenssillä.
[button href=”http://www.hamk.fi/hakijalle/ylempi-amk-tutkinto/liiketoiminnan-kehittaminen/Sivut/default.aspx” target=”_blank” bg_color=”#FF0066″ text_color=”#ffffff”]Liiketoiminnan kehittämisen koulutus »[/button]
