Skip to content
Analytics  •  B2C  •  Data & Analytics  •  Data Management

Asiakastiedon luokittelu ja jalostaminen B2C-markkinoinnissa – osa 2/3

Blogisarjamme ensimmäisessä osassa nostimme esiin sen, miten tärkeää asiakasdatan jalostaminen on datavetoisen markkinoinnin onnistumiselle sekä esittelimme Avauksen lähetystymisen datan luokittelumalliksi. Tässä ja blogin kolmannessa osassa esittelemme muutaman käytännön esimerkin kautta, miten tätä lähestymistä päästään hyödyntämään.

 

Otetaan esimerkiksi kuluttajatuotteita myyvä B2C-vähittäiskauppa, jolla on eri operatiivisilla tasoilla kolme tyypillistä tavoitetta: asiakaspoistuman hallinta, kanta-asiakkaiden aktivointi ja sähköpostimarkkinoinnin tehokkuuteen liittyvä optimointi.

 

Win-back – miten estää asiakaspoistuma

On tunnettua, että nykyisen asiakkaan pitäminen on kannattavampaa kuin uuden hankkiminen. Miten asiakasdatasta pystytään havaitsemaan, olemmeko menettämässä asiakkaan? Ilman minkäänlaista ennustavaa analytiikkaakin on melko helppoa määritellä menetetyn asiakkaan kriteerit ja rikastaa dataa luomalla näillä kriteereillä erilaisia asiakassegmenttejä.

Segmentoinnin tueksi rakennetun seurannan avulla segmenttidata tuottaa syvempää ymmärrystä lähdön syistä ja mahdollistaa asiakkaiden jakamisen täsmällisempiin kohderyhmiin win-back-kampanjointia varten. Jos kampanjoiden kohderyhmien tarkkuutta halutaan parantaa, voidaan ennustavan analytiikan avulla laskea poistuman todennäköisyys yksittäisen asiakkaan tarkkuudella sen sijaan, että nojaudutaan perinteisen sääntöpohjaisen segmentoinnin antamaan yleiskuvaan. Parhaimmassa tapauksessa tässä ennustavassa analytiikassa hyödynnetään koneoppimisen menetelmiä.

Olennaista on havaita sellaiset muutokset asiakaskäyttäytymisessä, joista voidaan päätellä lisääntyvä passiivisuus. Hyvin yksinkertaisessa segmentointimallissa voidaan asettaa esimerkiksi seuraavankaltainen sääntö: jos asiakkaan ostofrekvenssi on laskenut 50 prosenttia edellisestä vuosineljänneksestä, asiakas siirtyy automaattisesti riskisegmenttiin ja kampanjan kohderyhmään.

Ennen kuin tähän segmenttiin aletaan kohdistaa asiakaspitokampanjoita, se jaetaan kohderyhmään ja kontrolliryhmään, jotta kampanjoinnin tehoa voidaan myöhemmin analysoida. Kampanjan jälkeen tulokset saattavat näyttää tällaisilta.

Yllä oleva kampanja-analyysitaulukko kertoo, montako prosenttia kunkin segmentin asiakkaista pysyi samassa segmentissä ja kuinka monta prosenttia siirtyi segmentistä toiseen edettäessä ensimmäisestä toiseen vuosineljännekseen.

Tässä tapauksessa kampanjat onnistuivat, sillä ensimmäisestä  (Q1) toiseen vuosineljännekseen (Q2) siirryttäessä 25 % korkean riskin segmentin kohdeasiakkaista (A) siirtyi keskitason ja matalan riskin segmentteihin ja 0% menetettiin, kun taas vastaavasta kontrolliryhmästä (B) 20 % menetettiin. Asiakkuuksien keskimääräisistä tuotoista riippuen onnistuneilla poistumanhallintakampanjoinnilla voidaan siis  saavuttaa merkittävää liiketoimintahyötyä.

Datan rikastaminen ja analytiikka olivat tässä avainasemassa, sillä niiden avulla tunnistettiin korkean poistumariskin asiakkaat ja pystyttiin kohdentamaan kampanjat tarkasti. Kampanjan tuloksiin vaikuttavat suuresti monet muutkin tekijät, mm. sisältö, ajoitus ja käytetyt mediakanavat, mutta datan jalostamisen kautta tehty onnistunut kohdentaminen on kuitenkin yksi tärkeimmistä menestystekijöistä.

 

Kanta-asiakkaiden aktivointitaktiikat

Asiakkaiden perustietojen ja kuittidatan yhdistäminen tarjoaa miltei rajattomat mahdollisuudet  asiakasymmäryksen kasvattamiseen  ja kohdennettuun markkinointiin. Yhdistämisen avulla saadaan selville asiakkaiden ostomieltymykset ja -käyttäytyminen. Tästä puolestaan voidaan esimerkiksi selvittää, millä tavoin ja millaisin keskimääräisin aikavälein tiettyjä tuotteita ostetaan. Säännöllisesti toistuvaa ostokäyttäytymistä voidaan analysoida ja visualisoida näin:

Tämänkaltainen ostokäyttäytyminen pätee suureen määrään tuoteryhmiä, kosmetiikasta ja puhdistusaineista polttimoihin ja ilmanvaihtokoneen suodattimiin – oikeastaan mihin tahansa tuotteisiin, joita asiakkaat ostavat säännöllisin väliajoin. Yleensä näitä tuotteita ei muisteta laittaa ostoslistalle, ennen kuin käytössä ollut tuote on jo käytetty loppuun. Fiksu kauppias pystyisi ennakoimaan, esimerkiksi milloin asiakkaan kahvinsuodattimet alkavat olla lopussa ja tekisi niistä sopivaan aikaan tarjouksen saadakseen asiakkaan ostamaan uuden tuotteen juuri häneltä eikä kilpailijalta.

Markkinoinnin automaatio -teknologioita hyödyntäen tämänkaltainen aktivointikonsepti on parhaassa tapauksessa mahdollista rakentaa kattamaan kymmeniä tai jopa satoja tuoteryhmiä niihin liittyvine markkinointiohjelmineen, joten se  tarjoaa iso mahdollisuuden kilpailuedun saavuttamiseen ja ennen kaikkea markkinoinnin tehon merkittävään kasvattamiseen dataa aktiivisesti hyödyntäen.

Ostosyklien havaitsemisen tarkkuutta voidaan lisätä tutkimalla asiakkaan digitaalisia jalanjälkiä verkkoanalytiikka- tai DMP-työkaluilla, jotka usein paljastavat asiakkaan lähitulevaisuuden ostoaikomukset melko tarkasti.

 

Suurimpien suomalaisten kauppaketjujen kanta-asiakaskokemukseen perustuen olen havainnut, että asiakkaan aktivoimista yllä esitetyn esimerkin mukaisesti ei juurikaan käytetä. Mikä estää markkinoijia olemasta luovempia ja aktiivisempia datan hyödyntämisen ja jalostamisen suhteen?

Datalähtöisen ja asiakassitouttamiseen tähtäävien markkinointiohjelmien toteuttaminen ei ainoastaan erottaisi vähittäiskauppiaan personoitua markkinointia kilpailijoista. Se olisi erityisesti myös asiakkaalle erinomaisen palkitsevaa tarjoamalla todella hänelle räätälöityä sisältöä ja arkea helpottavaa kommunikaatiota.

Seuraavassa blogikirjoituksessa jatkamme datan jalostamisen taktiikoilla ja kerromme sähköpostimarkkinoinnin optimoinnin taktiikoista.

 

Lue osa 1 täältä

 

Contact us

 

Latest posts