Oppaan artikkeleissa käytetään asiakaslähtöiseen ajatteluun ja datan hyödyntämiseen liittyviä käsitteitä. Joitakin näistä viitataan alan kirjallisuudessa ja käytännön työssä joskus vähän eri merkityksissä.
Siksi olemme tässä halunneet määritellä käyttämämme keskeiset käsitteet siinä merkityksessä kun ne oppaassa esiintyvät. Osaan määrittelyjä on lisätty myös viittauksia kirjallisuuteen, jotka avaavat eri näkökulmia tapaan ymmärtää kyseinen käsite.
Asiakasarvo
Asiakaskokemuksen testi on aina se, kokeeko asiakas saavansa arvoa käyttäessään mediayhtiön sisältöjä ja palveluja. Arvo välittyy usein kokemuksena, tunteena oikea-aikaisuudesta, tarpeellisuudesta, helppoudesta ja miellyttävyydestä. Se voi tarkoittaa rentoutumista, uutta tietoa, oivalluksia tai jotain vieläkin merkityksellisempää.
Asiakasarvoa syntyy, kun asiakas kokee palvelun tai sisällön tarpeitaan vastaavaksi. Kun asiakkaan tarpeet tulevat huomioiduksi, se voi johtaa transaktioon. Asiakasarvon synnyttäminen on siis välttämätön liiketoiminnalle.
Alan kirjallisuudessa asiakasarvoa on kuvattu seuraavasti:
Arvon neljä tyyppiä: taloudellinen, toiminnallinen, symbolinen, emotionaalinen (Löytänä & Korkiakoski, 2014, s. 19–20)
Asiakasarvo on käsitys siitä, minkä arvoinen tuote tai palvelu on asiakkaalle vs. hänen mahdolliset vaihtoehtonsa. Arvo viittaa siihen, tunteeko asiakas saaneensa etuja ja palveluja maksuaan vastaan. Yksinkertaistettuna kaavana ilmaistuna: edut – hinta = asiakasarvo. Asiakas ei maksa vain rahalla, vaan myös esim. ajalla, vaivalla ja energialla. Etuihin sisältyvät mm. tuotteen laatu ja hyödyt, palvelu, yrityksen brändi ja imago, arvot, kokemus ja onnistuminen jne. Arvot on erotettava arvosta; arvot viittaavat yrityksen edustamiin asioihin, esim. rehellisyyteen, kestävyyteen, moraaliin… (Mahajan, 2020, s. 119.
Asiakaskokemus
Asiakaskokemuksen parantamisella ja asiakaslähtöisellä organisoitumisella on yhteys yrityksen menestymiseen. Hyvän asiakaskokemuksen edellytyksenä on se, että yrityksen kaikki toiminnot on järjestetty niin, että ne palvelevat asiakkaiden parempaa ymmärtämistä. Asiakkaiden odotukset ja vaatimukset kasvavat jatkuvasti, ja hyvä asiakaskokemus on personoitu, sisältää suosittelua ja mahdollistaa vuorovaikutuksen palvelussa.
Asiakaskokemus parhaimmillaan on oikea-aikainen, huolellisesti mietitty ja asiakkaalle intuitiivinen.
Alan kirjallisuudessa asiakaskokemusta on määritelty seuraavasti:
Asiakaskokemus on moniulotteinen rakennelma, joka keskittyy asiakkaan kognitiivisiin, emotionaalisiin, behavioraalisiin, sensorisiin ja sosiaalisiin reaktioihin yrityksen tarjouksia kohtaan koko ostopolun ajan (Lemon & Verhoef, 2016, s. 71)
Asiakaskokemus tarkoittaa asiakkaan reaktioita ja vastauksia tiettyihin vaikutteisiin. Asiakaskokemukselle on olemassa valtavasti eri määritelmiä, jotka saattavat lopulta viitata eri ilmiöihin. Sen sijaan että keskityttäisiin yleisellä tasolla siihen, kuinka taataan “hyviä kokemuksia”, on relevantimpaa kysyä kenelle tietty kokemus on hyvä (Becker & Jaakkola, 2020, s. 634–637, 641.)
Asiakaskokemukseen liittyy kaksi perspektiiviä: organisaation perspektiivi ja kuluttajan perspektiivi. Organisaation perspektiivi perustuu oletukseen siitä, että yritykset voivat suunnitella ja täten määrittää kuluttajan kokemuksen. Kuluttajan perspektiivi taas keskittyy kuluttajan käyttäytymisen ymmärtämiseen: subjektiivisuus ja kontekstin huomioiminen tärkeitä (Kranzbühler, Kleijnen, Morgan & Teerling, 2018, s. 440.)
Asiakaspolku
Asiakaspolulla tarkoitetaan sitä, miten asiakas kulkee mediayhtiön palveluissa eri kosketuspisteiden kautta käyttämään yhtiön palveluita ja sisältöjä. Asiakaspolun tavoitteena on usein saada asiakas rekisteröitymään tai sitouttaa asiakas tilaajaksi.
Asiakaspolku (customer journey) on yrityksen ja potentiaalisten asiakkaiden välistä vuorovaikutusta. Asiakaspolkua suunniteltaessa on olennaista ymmärtää asiakkaan näkökulmaa ja tarpeita. Sen pohjalta yritys voi suunnitella asiakaspolun heidän tarpeitaan huomioiden. Asiakaspolku koostuu yrityksen ja asiakkaan välisistä kosketuspisteistä eli vuorovaikutustilanteista. Ne kuvaavat myös haluttua asiakaskokemusta. Usein ne pitävät sisällään sisältöjä, palveluja, tarjouksia, ostokehotuksia ja kyselyistä.
Alan kirjallisuudessa asiakaspolkua on kuvattu seuraavasti:
Asiakaskokemus asiakkaan “matkana” yrityksen kanssa ostoprosessin aikana ja usean kosketuspisteen lävitse. Asiakaskokemus on dynaaminen prosessi. (Lemon & Verhoef, 2016, s. 74-76.)
Kun kartoitetaan asiakaspolkua, yritysten tulisi olla tietoisia siitä, että asiakkaiden reaktiot ärsykkeisiin riippuvat myös asiakkaaseen itseensä, tilanteeseen ja sosiokulttuurisiin tekijöihin liittyvistä muuttujista (Becker & Jaakkola, 2020, s. 644).
Asiakaspolkukartoitus (customer journey map) kuvaa asiakaspolun aikana koetut kosketuspisteet asiakkaan näkökulmasta ja on siksi keskeinen asiakaskokemuksen kehittämisen lähtökohta. Auttaa hahmottamaan, kuinka temaattisesti yhdenmukaisia, johdonmukaisia ja mukautuvia kosketuspisteet ovat suhteessa tavoiteltavaan asiakaskokemukseen. (Saarijärvi ja Puustinen, Strategiana asiakaskokemus, 2020)
Asiakastarve
Hyvin saturoituneessa mediamarkkinassa yritykselle on tärkeää tarjota asiakkailleen heidän tarpeitaan vastaavia sisältöjä ja palveluita. Jotta tämä onnistuisi yrityksen on ymmärrettävä asiakkaitaan koko ajan paremmin sekä datan että muiden menetelmien avulla. Mediayhtiölle on tärkeää omata työkaluja ja -tapoja asiakastarpeiden tunnistamiseksi ja kehittää sisältöjä, jotka vastaavat näihin tarpeisiin.
Median käyttäjillä on monia eri tarpeita ja ne vaikuttavat siihen vaikuttavat asiakkaan eri kontekstit. Median käyttömotiiveja ovat ainakin ajan tasalla pysyminen sekä maailman ymmärtäminen ja toisaalta viihtyminen. Niiden lisäksi ihmiset rakentavat median kautta ja avulla identiteettiään, kuuluvat eri ryhmiin ja heillä on sosiaalisia tarpeita. Monissa mediatalojen palveluissa on myös voimakas asiointimotiivi eri kauppapaikoissa. Asiakkaiden motiiveja valita jokin sisältö tai palvelu ovat esimerkiksi hinta, käytettävyys, luottamus, löydettävyys tai muut sosiaaliset motiivit.
Asiakkaiden käyttäytymistä voidaan selvittää datan avulla, mutta heidän tarpeistaan saadaan parempi käsitys kysymällä asiakkailta itseltään. Digipalveluissa kerätään koko ajan tietoa asiakkaiden käyttäytymisestä ja siitä voidaan tehdä paremmin päätelmiä, kun asiakasta ymmärretään monipuolisesti. Tietotyypit voidaan jäsentää akselilla tiedostamaton–tiedostettu, jossa esim. tietyn tyyppinen käytös palveluissa voi kuvata voimakkaasti asiakkaan motiivia, vaikka asiakas ei sitä itse selvästi pystyisikään kuvaamaan (tiedostamaton), tai toisaalta tiedostettu motiivi kuten auton osto kauppapaikan avulla, tai kumppanin löytäminen treffipalveluissa.
Toinen akseli jolla asiakkaasta saatua ymmärrystä voidaan jäsentää on eksplisiittinen–implisiittinen. Eksplisiittisesti asiakkaasta saadut tiedot ovat esimerkiksi taustamuuttujia jotka on saatu asiakkaalta itseltään, kuten esimerkiksi osoite, sukupuoli tai koulutus. Implisiittiset tiedot voivat liittyä asiakkaan käyttäytymisestä johdettuun tietoon, esimerkkeinä kiinnostus luontoon tai oman talouden hoitamiseen perustuen asiakkaan sisällönkäytön ja luettujen uutisartikkeleiden sisältöön.
Asiakastyytyväisyys (CSAT, customer satisfaction)
Asiakastyytyväisyyden mittaus on yksi käytetyimmistä tavoista ymmärtää palveluiden ja tuotteiden asiakaskokemusta systemaattisella tavalla. Kysymys on yksinkertaisuudessaan ”Miten tyytyväinen olet saamaasi tuotteeseen/palveluun?”, ja vastaamiseen tarjotaan likert-asteikkoa jonka positiivisen pään vastausten määrän osuus kokonaisvastaajien määrästä kertoo CSAT-tuloksen. Asiakastyytyväisyydestä löytyy lyhyt yhteenveto esim. Trustmaryn sivuilta, ja laajempi artikkeli sisältäen teoriapohjaa Wikipediasta.
Asiakkaan elinkaariarvo (CLV, customer lifetime value)
CLV:n analysoinnin avulla on mahdollista laskea rahallinen arvo asiakkaan elinkaarelle, ja käyttää tätä markkinoinnin toimenpiteiden analyysi- ja investointiperusteena. Se auttaa käsittelemään asiakkuutta ja sen kehittämistä pitkän aikavälin investointina lyhyen tähtäimen markkinointioptimoinnin sijaan. Wikipediasta löytyy laadukas ja seikkaperäinen artikkeli myös CLV:n käytöstä.
Asiakkaan sitoutumisen mallintaminen (RFM, RFV)
RFM-malli koostuu kolmen mittarin kokoelmasta: Recency eli aika viime käynnistä/ostoksesta, frequency eli osto- tai käyntiuseus ja monetary value eli asiakkaan arvo tarkastelujaksolla. Mallin käyttö auttaa luomaan suurestakin asiakasmassasta helpommin hahmotettavan kokonaisuuden, ja keskittämään sekä automatisoimaan konversiotoimenpiteet segmentteihin, joissa on suurin potentiaali tai poistuman esto riskisegmentteihin.
Muunnelma mallista on RFV, jossa viimeinen komponentti on volume eli esimerkiksi mediapalveluiden kontekstissa asiakkaan lukemien artikkelien määrä tapauksessa jossa halutaan tarkastella kaikkia kirjautuneita asiakkaita riippumatta siitä onko heillä aktiivista tilausta käynnissä vai ei. Myös tästä mallista on tarjolla hyvä artikkeli Wikipediassa.
Asioinnin vaivattomuus (CES, customer effort score)
Eräs asiakaskokemuksen mittauksen ulottuvuus on tutkia asiakkaan kokemaa asioinnin vaivattomuutta. Mittaus tapahtuu kysymällä asiakkaalta miten helppo asiointikokemus oli, ja vastausta pyydetään seitsenportaisella likert-asteikolla. Tuloksen saaminen tapahtuu samalla laskukaavalla kuin CSAT-mittarin kohdalla, eli positiivisten vastausten (5-7) määrän osuus kokonaisvastaajista kertoo CES-tuloksen. Kysymys on tarkoitus esittää asiointitapahtuman yhteydessä, eli se mittaa yksittäisten kosketuspisteiden tai asiointitapahtumien onnistumista vaivattomuuden näkökulmasta. Lisää aiheesta esimerkiksi Trustmaryn blogissa.
Data
Data on tietoa, joka on tallennettu digitaalisessa muodossa ja jota voidaan käyttää eri tarkoituksiin. Se voi sisältää mitä tahansa numeerista, tekstuaalista, kuvallista tai äänipohjaista tietoa, joka on tallennettu tietokonejärjestelmään tai muuhun digitaaliseen tallennusvälineeseen.
Data-alusta
Data-alusta (engl. data platform) on infrastruktuuri, joka mahdollistaa datan tallentamisen, käsittelyn, analysoinnin ja jakamisen sekä hyödyntämisen. Data-alusta auttaa organisaatioita hallitsemaan datan elinkaarta ja hyödyntämään sitä tehokkaasti liiketoiminnan päätöksenteossa. Se mahdollistaa datan keräämisen eri lähteistä, niiden yhdistämisen ja jalostamisen monipuolisiksi raporteiksi ja analyysityökaluiksi.
Datakulttuuri
Hyvän asiakaskokemuksen rakentaminen edellyttää yritykseltä riittävää datamaturiteettia eli kehittynyttä datakulttuuria. Tällöin yritys on jo rakentanut dataan ja analytiikkaan liittyvää systematiikkaa ja prosesseja, joita se pystyy hyödyntämään koko organisaation leveydeltä. Tämä tarkoittaa, että data ja sen merkitys ovat läsnä kaikkien liiketoimintayksiköiden ja päätöksiä tekevien tahojen arjessa. Datakulttuurin kehittäminen kannattaa aloittaa analysoimalla nykytilanne. Sen jälkeen nykytilanteesta pitää johtaa toimenpiteitä asiakaskokemukseen liittyvien tavoitteiden pohjalta kaikkien organisaation tasojen ja toimintojen kanssa. Hyvä datakulttuuri ja organisaation eri osien tekemät, yhdessä sovitut toimenpiteet vievät yritystä kohti paremman asiakaskokemuksen tavoitteita. Erittäin olennaista datakulttuurin onnistumisen näkökulmasta on se, että sen kehittäminen ja asiakaskokemuksen tavoitteiden tarkastelu ovat koko ajan johdon asialistalla.
Organisaation datakulttuurin tasoa voidaan tarkastella esimerkiksi seuraavien muuttujien avulla: käytössä olevien datalähteiden määrä ja laatu, datan jakamisen tavat organisaatiossa, tavoiteasetannan kulttuuri, ns. feedback loop eli palautekulttuuri ja organisaation kyky oppia datasta, ja (asiakas)datan arvostaminen.
Datamaturiteetti
Datamaturiteetti tarkoittaa sitä, kuinka hyvin organisaation datan hallinta vastaa sen liiketoiminnan tarpeita. Korkea datamaturiteetti edistää parempaa päätöksentekoa ja liiketoiminnan tehokkuutta.
Koneoppiminen
Koneoppimisen juuret ovat tilastotieteessä, jonka voidaan myös ajatella olevan perimmiltään tiedon eristämistä datasta. Koneoppiminen jaetaan perinteisesti osa-alueisiin ratkaistavien ongelmien luonteesta riippuen. Osa-alueet voidaan jakaa karkeasti ohjattuun ja ohjaamattomaan koneoppimiseen sekä vahvistusoppimiseen. Sen sijaan, että kirjoittaisimme käsin täsmällisiä sääntöjä luokittelua varten, ohjatun koneoppimisen tarkoitus on hyödyntää opetusdataa eli joukkoa esimerkkejä, joista jokaisen kohdalle on merkitty oikea vastaus.
Kosketuspiste
Kosketuspisteet mahdollistavat yritykselle asiakkaiden kokemusdatan keräämisen. Yritys haluaa tietää enemmän asiakkaasta, hänen suhtautumisestaan yrityksen palveluihin ja sisältöihin ja olla hänen kanssaan vuorovaikutuksessa.
“Asiakaskäytävä” = asiakkaan kokemien kosketuspisteiden sarja. Kaikki kosketuspisteet eivät ole samanarvoisia, vaan merkitys riippuu tarjoaman luonteesta (Meyer & Schwager, 2007, s. 3.)
Asiakaskokemus-käsitteen keskeinen ominaispiirre on asiakaskokemuksen ajallinen ulottuvuus. Tämä tarkoittaa sitä, että asiakaskokemus rakentuu eri kosketuspisteissä asioinnin eri vaiheissa. Digitalisaation ja kilpailun kehittymisen myötä organisaatioiden ja asiakkaiden väliin on syntynyt valtava määrä uusia kosketuspisteitä, kuten hakukonemarkkinointi, sosiaalinen media, markkinointiviestintä eri kanavissa ja mobiilipalvelut. (Saarijärvi ja Puustinen, Strategiana asiakaskokemus, 2020).
Nettosuositteluindeksi (NPS, net promoter score)
NPS on eräs yleisimmistä ja käytetyimmistä tavoista mitallistaa asiakaskokemusta. Kysymys on yksinkertaisesti ”Kuinka todennäköisesti suosittelisit palvelua/yritystä/sovellusta/jne ystävälle tai työverille?” Vastausskaala on 0-10, ja tulokset luokitellaan siten että luvuin 9-10 vastanneet ovat suosittelijoita, 7-8 neutraaleja ja 0-6 arvostelijoita. NPS-luku lasketaan siten että suosittelijoiden osuudesta vähennetään arvostelijoiden osuus, ja vastaukseksi saatava luku väliltä -100 ja 100 on tulos.
NPS:n suurin hyöty on sen vertailtavuus yritysten välillä, sekä se että kun sen yhteydessä monesti kysytään asiakkaasta joitakin taustamuuttujia sekä avoin palaute, näiden yhdistelmänä saadaan paljon tietoa siitä miten eri asiakasryhmät palveluun suhtautuvat ja mitä parannettavaa palvelussa voisi olla. Lisäksi edistyneemmät toimijat yhdistävät NPS-kyselyn vastauksen esimerkiksi asiakkaan selailukäyttäytymiseen tai CRM-tietoon, jolloin saadaan rakennettua vielä kehittyneempiä analyyseja sen suhteen miten NPS-vastaus korreloi muun asiakkaasta kerätyn datan kanssa.
NPS-kyselystä lisää esim. https://trustmary.com/fi/asiakaskokemus/nps-kaiken-kattava-opas-net-promoter-scoren-ymmartamiseen/ ja https://en.wikipedia.org/wiki/Net_promoter_score
Palautesilmukka (feedback loop)
Palautesilmukka on järjestelmä, jossa asiakkaan tai käyttäjän antama eksplisiittinen tai implisiittinen palaute ohjataan takaisin organisaatiolle tai järjestelmälle, jotta se voi parantaa tuotteitaan tai palveluitaan. Tämä palautteen kiertokulku auttaa organisaatiota ymmärtämään asiakkaiden tarpeita ja odotuksia paremmin ja siten kehittämään parempia tuotteita ja palveluita.
Palvelumuotoilu, design thinking
Palvelumuotoilulla viitataan usein ihmislähtöiseen ajatteluun, jolla parannetaan liiketoimintaa sekä erilaisten palveluiden että tuotteiden käytettävyyttä.
Menetelmää käytetään sekä käyttäjien/kohderyhmien tarpeiden ja maailman tunnistamiseen, ongelmien määrittelyyn sekä uusien kekseliäiden ratkaisujen sekä prototyyppien kehittämiseen ja testaamiseen. Prosessin vaiheet voidaan kuvata esimerkiksi seuraavasti: kuuntele ja ymmärrä (asiakasta), kirkasta ja täsmennä (ongelma), ideoi ja kehitä (ratkaisuja), luo prototyyppi (joka toiminnallistaa ratkaisun) ja testaa (asiakkailla sen toimintaa).
Palvelumuotoilua käytetään ainakin verkkopalveluiden kehittämiseen, uusien tuoteideoiden ja tuotteiden rakentamiseen sekä yhä enemmän myös uusien sisältötyyppien ja kerrontakeinojen luomiseen.
Suuret kielimallit (LLM, large language model)
LLM (Large Language Model) tarkoittaa syvällistä tekoälymallia, joka on koulutettu ymmärtämään ja tuottamaan ihmiskieltä. Nämä mallit käyttävät syväoppimista ja suuria datamääriä oppiakseen kielestä ja sen käytöstä. Esimerkiksi GPT-3 ja GPT-4 ovat tunnetuimpia LLM-malleja, joita on kehitetty OpenAI:n toimesta. LLM-malleja voidaan käyttää esimerkiksi tekstintunnistuksessa, kääntämisessä, chatboteissa ja tiedonhaussa. Tunneituimpia mallin sovelluksia on ChatGPT-palvelu jossa kielimallin kanssa voi ikään kuin “keskustella” ja pyytää sitä suorittamaan erilaisia tehtäviä.
Syväväärennökset (deepfakes)
Syväväärennös (deepfake) tarkoittaa tekoälyn avulla luotua valheellista kuva-, ääni- tai videomateriaalia, joka näyttää tai kuulostaa aidolta, ja selvästi muistuttaa olemassa olevia henkilöitä, esineitä, paikkoja tai muita objekteja tai tapahtumia. Syväväärennökset voivat olla haitallisia, esimerkiksi vääristelemällä vaalituloksia tai levittämällä valheellista tietoa. Niitä voidaan käyttää myös viihdetarkoituksiin tai tuottamaan laadukasta audiovisuaalista sisältöä, kuten elokuvissa tai mainoksissa.
Tekoäly (AI, artificial intelligence)
Tekoäly tarkoittaa tietokonejärjestelmien kykyä suorittaa tehtäviä, jotka tavallisesti vaativat ihmisen älykkyyttä, kuten oppimista, päättelyä ja ongelmanratkaisua. Tekoäly hyödyntää dataa, signaaleja, algoritmeja ja koneoppimista.