Datan toiminnallistaminen: Miten mediayhtiön asiakaskokemusta kannattaa mitata?
- Tarkastele asiakaskokemuksen ja liiketoimintatavoitteiden suhdetta samanaikaisesti, jotta ymmärrät paremmin niiden yhteyttä toisiinsa.
- Tunnista positiiviset ja negatiiviset korrelaatiot asiakkaista kerätyn datan ja liiketoimintamittareiden välillä.
- Aseta tavoitteet sen perusteella, mikä tuottaa asiakkaalle tutkitusti parhaan kokemuksen.
- Analysoi asiakkaista kerättyä data ja löydä toimenpiteitä, jotka parantavat asiakaspitoa ja vähentävät poistumaa.
- Rakenna toiminnallinen data asiakaskokemuksen ja liiketoimintamittareiden perusteella.
- Tee datapohjainen analyysi asiakkaiden käyttäytymisestä ja tarpeista.
- Kehitä asiakaspalvelua asiakaskokemuksen parantamiseksi.
- Kerää laadullista dataa asiakkaiden subjektiivisesta kokemuksesta pitkältä ajalta, jotta voit seurata kehitystä ajan myötä.
Liiketoimintatavoitteita ja asiakkaan palvelukokemusta tarkastellaan liian harvoin samanaikaisesti. Liiketoiminnan tavoitteet on luonnollisesti sidottu käytännössä euroihin ja koviin taloudellisiin mittareihin, ja asiakkuuden arvoa tarkastellaan esimerkiksi asiakaspidon ja laskutuksen kautta. Asiakkaan tyytyväisyyttä havainnoidaan suhteessa hänen ostamiinsa palveluihin ja sisältöjä tutkitaan usein pistemäisesti, jopa irrallaan siitä tiedosta mitä asiakkaan taloudellisesta arvosta yritykselle tiedetään. Asiakaskokemuksen kehittämisen ja sitä tukevan datakulttuurin näkökulmasta olisi ensiarvoisen tärkeää rakentaa yritykselle prosessi, jonka avulla asiakaskokemuksen ja liiketoiminnan mittarit tuodaan yhteen ja tuotteistetaan helposti käytettäväksi tiedoksi.
Kaikkein keskeisintä asiakaskokemuksen mittauksessa on ensin tunnistaa positiiviset ja negatiiviset korrelaatiot asiakkaasta kerätyn datan ja liiketoimintamittareiden välillä. Lisäksi tavoiteasetantaa tulisi tarkastella sen suhteen mikä tuottaa asiakkaalle tutkitusti parhaan kokemuksen. Näiden kahden analyysin perusteella löytyvät ne toimenpiteet, jotka parantavat asiakaspitoa ja vähentävät poistumaa.
Tätä toimintapaa kuvaa hyvin erään suomalaisen teleoperaattorin asiakasdatan hyödyntämisen esimerkki. Operaattorin asiakasdata-alusta oli suhteellisen kehittyneellä tasolla, ja sisälsi tietoa asiakkaiden käyttäytymisestä operaattorin eri palvelukanavissa. Dataa analysoimalla pystyttiin tunnistamaan korrelaatio laajakaistaliittymän irtisanomisen ja operaattorin tarjoaman verkosta löytyvän nopeustestin tekemisen perusteella. Yhteys voi olla jälkikäteen ajateltuna itsestään selvä: asiakas, joka on tyytymätön liittymänsä toimintaan tekee nopeustestejä todennäköisemmin kuin asiakas joka ei havaitse liittymässä mitään ongelmia. Tämä tieto teki kuitenkin datasta toiminnallista, sillä sen perusteella pystyttiin ideoimaan uusi toimintatapa. Siinä asiakkaille jotka olivat käyneet tekemässä liittymän nopeustestin lähetettiin automaattinen tekstiviestikysely siitä oliko heillä ongelmia nettiliittymän laadun suhteen. Kaikki, jotka vastasivat kysymykseen myöntävästi, siirrettiin automaattisesti kohderyhmäksi jolle asiakaspalvelu soitti ja pyrki ratkaisemaan ongelman asiakkaan kanssa.
Liiketoimintatavoite oli selkeä: poistuman esto ja laajakaista-asiakkuuden jatkaminen. Lisäksi asiakaskokemusta paransi se, että operaattori oli kiinnostunut asiakkaan laajakaistapalvelun koetusta laadusta ja pyrki proaktiivisesti ratkaisemaan asiakkaan ongelmia. Toisaalta automaattinen tekstiviestikysely ja asiakkaiden siihen lähettämät vastaukset tuottavat myös jatkuvasti laadullista dataa asiakkaiden subjektiivisesta kokemuksesta laajakaistan laadusta. Se taas tarjoaa dataa, jota voidaan tarkastella arvokkaana aikasarjana suhteessa muuhun tietoon asiakkaista.
”Nyt haetaan enemmän sitoutuneita kävijöitä, jotka haluavat maksaa sisällöistä ja tilattavista lehdistä.”
Kirsi Hakaniemi
Lovisa Bergström kertoo, että Dagens Nyheterillä on käytössä RFV (recency, frequency & volume) -malli. Mallin mukaan he tarkastelevat lukijan käynnin viimeaikaisuutta (recency). Mitä vähemmän aikaa lukijan käynnistä yrityksen sivuilla on sitä korkeammat pisteet hän saa. Useus (frequency) tarkoittaa tietyn aikaikkunan sisällä tehtyjä vierailuja palvelun sivuilla. Käyttömäärä (volume) taas sitä kuinka monta juttua asiakas on lukenut. Näiden kolmen yhteisvaikutuksesta voidaan tehdä havaintoja sekä tilaajakunnan sitoutuneisuudesta yleensä, mutta myös tilaajien sitoutuneisuuden tasosta.
Lovisa Bergström: From a user perspective, then we look about the recency, which means when did we see you last time. And the more recent, the higher you score. For example, we can use that (score) in order to see the engagement of users on different products, or with different offers, or different subscription lengths, for example. And then we can also target those people, and maybe if you have a decreasing engagement, then you can email them and ask if something’s wrong, or see if you would like to get the journalism in any other way. Maybe you want to have a newsletter instead or maybe you just want tips on how to start your new habits with Dagens Nyheter.
Bergströmin esimerkki kuvaa myös sitä, että yhtiöllä pitää olla erilaisia tapoja tuottaa ja tarjota sisältöjä lukijalle: kaikki eivät ole kiinnostuneita kaikesta.
Lukijan sitoutuminen ja käynnin useus ovat olennaisia mittareita, jotka ennakoivat hänen halukkuuttaan jatkaa tilausta. Syynä on se että käyttäjän sitoutuminen – siis tarve ja halu lukea juttuja – korreloi hänen halukkuuteensa jatkaa tilausta ja pysyä asiakkaana.
Lovisa Bergström: So by making the user or the reader come and have one article extra, spend a minute extra every day or make one extra visit every week makes the probability that you will churn and quit your subscription lower. So that is why we look a lot at it. And I mean that in the end, the longer we get the users to stay and pay for a subscription, the more digital revenues we get from the readers and the more we can invest in journalism. If we can make good journalism, the users stay longer, then we can make even better journalism.
Kirsi Hakaniemi kuvaa Keskisuomalaisen mittausmaturiteetin kehitystä seuraavasti:
Kirsi Hakaniemi: Tietenkin mittarit ovat matkan varrella vaihtuneet, kun ajatus liiketoimintamallista on kehittynyt. Aluksi ajateltiin, että haetaan hirveästi sivulatauksia ja eri kävijöitä. Nyt haetaan enemmän sitoutuneita kävijöitä, jotka haluavat maksaa sisällöistä ja tilattavista lehdistä. Toki meillä on myös kaupunkilehtiä, mutta silti frekvenssi ja asiakaspito ja kaikki sen suuntainen on noussut tärkeämmäksi, koska sivulataukset itsessään ei välttämättä korreloi menestyksen kanssa. Toki nekin kertoo jotain, mutta se ei ole ykkösmittari, vaan asiakaspito, uudet tilaajat, jutuissa vietetty aika ja tämän tyyppiset asiat mihin pitää satsata. Tietenkin tilattavissa lehdissä mitataan ihan niitä digital only -tilausten määrää ja maksumuurin läpäisyprosenttia, kaikkia sen tyyppisiä konversioita. Mutta sivulla vietetty aika on hyvä mittari edelleen, mutta enemmän että se on sitä ihan aitoa liiketoiminnallista mittaamista.
Sanna Laurell kertoo muutamien esimerkkien millaisia tavoitteita ja mittareita Almalla on käytössä organisaation eri puolilla.
Sanna Laurell: Sisältömyynnillä on omat euromääräiset ja liiketoiminnalliset tavoitteet, ja sitten jotta toimitus ikään kuin pelaa siihen samaan pussiin, sinne on vyörytetty joitain tavoitteita, ja sitten tietysti kriittisessä roolissa on meidän päätoimittajien ja digimyynnin johdon vuoropuhelu, että pelataan samaan maaliin. Ja sen vuoksi ja toki muutenkin toimittajat on kiinnostuneita siitä miten heidän juttunsa performoi. Tietysti sitä seurataan myös digitilausten näkökulmasta, minkä juttujen kautta tilaajia tulee. Toimituksella on isot screenit, missä käppyrät näkyy esim. koko ajan, että mistä tilaajia on tullut.
Monessa mediatalossa seurataan ja segmentoidaan käyttäjiä asiakkuuden kokonaisarvon (customer lifetime value, CLV) mukaan, mutta se on vain yksi tapa toiminnallistaa dataa tähän tarkoitukseen.
Kielten oppimiseen kehitetty palvelu Duolingo on saavuttanut noin 80% asiakkaistaan orgaanisesti panostamalla tuotekehitykseen ja tarjoamalla sovellustaan ilmaiseksi. Fokuksen ylläpitämiseksi tarkoituksenmukaisissa asioissa tiimeille annetaan “movable metrics that matter” -mittareita, ja näiden mittareiden optimoimiseksi ajetaan runsaasti A/B-testejä. Duolingon data science -tiimi kehitti Growth Model -nimisen ennustemallin, joka on auttanut kasvattamaan päivittäisten aktiivisten käyttäjien määrän (daily active users, DAU) nelinkertaiseksi vuoteen 2019 verrattuna. Growth Model on nk. Markovin malli, joka on tapa ennustaa tulevia tapahtumia oletuksella jossa tulevaisuus riippuu ainoastaan nykytilasta, ei aiemmista tapahtumista. Mallia käytetään tässä yhteydessä ymmärtämään käyttäjien vuorovaikutusta tuotteen kanssa ajan kuluessa. Asiakkaat jaetaan käyttäytymisen perusteella segmentteihin ja heidän siirtymistään näiden segmenttien välillä seurataan.
Malli luokittelee käyttäjät seitsemään keskenään poissulkevaan ryhmään: uusiin käyttäjiin, nykyisiin käyttäjiin, uudelleen aktivoituneisiin käyttäjiin, palanneisiin käyttäjiin, viikoittaisiin ja kuukausittaisiin aktiivisiin käyttäjiin joilla on poistumariski, ja nukkuviin käyttäjiin. Sen jälkeen malli seuraa, miten käyttäjät liikkuvat näiden tilojen välillä: pysyvätkö he aktiivisina vai vähentävätkö he käyttöä ajan myötä. Tarkkailemalla näitä asiakkaiden liikkeitä Duolingo ymmärtää paremmin, miten palvelua tulisi optimoida jotta asiakaspito ja uusasiakashankinta onnistuu parhaiten. Malli tarjoaa tietoon perustuvan lähestymistavan tärkeimpien kasvun kanssa korreloivien mittareiden tunnistamiseen, ja samalla tarjoaa tuotetiimeille tavan testata ja hioa strategioita näiden mittareiden parantamiseksi.
https://blog.duolingo.com/growth-model-duolingo/