Tehokas markkinointi vaatii Big Datan hyödyntämistä

Transkriptio

1 Tehokas markkinointi vaatii Big Datan hyödyntämistä Big datan haltuunottavat yritykset saavuttavat kilpailuedun muihin yrityksiin nähden, kuten esimerkiksi McKinsey Global Institute toteaa 2011 ilmestyneessä raportissaan Big Data: The Next Frontier for Innovation, Competition and Productivity (1). Tutkimusyhtiö Gartner taas on ennustanut, että vuoteen 2017 mennessä CMO käyttää enemmän rahaa IT hankkeisiin kuin CIO (2). Syitä näihin tutkimustuloksiin on monta. Asiakkaat käyttävät yhä enemmän erilaisia sähköisiä kanavia asioidessaan yritysten ja muiden organisaatioiden kanssa. Asiakaskommunikaatio siirtyy enenevässä määrin internetiin sekä tiedonhaun, kaupankäynnin että asiakaspalautteen osalta. Markkinointikampanjoita tehdään suuressa määrin sähköisten kanavien kautta, ja ne ovat dialogimuotoisia automaattisine palautekanavineen. Asiakkaiden käyttäytymisestä sähköisissä kanavissa syntyy suuria määriä dataa, jota voidaan hyödyntää sitä analysoimalla. Koska asiakkaiden sähköisten kanavien käyttö ja niiden monipuolisuus lisääntyvät, tiedon määrän kasvu kiihtyy koko ajan. Valtavia tietomääriä pitää pystyä tallentamaan ja käsittelemään, jotta uusi arvokas asiakastieto saadaan tuottavaan käyttöön. Tiedon suuri määrä ei ole ainoa uusi haaste, vaan tietoa syntyy myös yhä useammassa eri muodossa. Sellaiset kanavat kuin sosiaalinen media ja asiakaspalautesähköpostit sisältävät hyödyllistä informaatiota, joka on monimuotoista ja monimutkaista. Monimuotoista dataa on vaikeaa jalostaa yrityksen hyötykäyttöön perinteisin menetelmin. Näiden haasteiden voittaminen on kuitenkin elinehto kaikille yrityksille yhä kilpaillummilla lokaaleilla ja globaaleilla markkinoilla. Markkinoinnin johtamisen näkökulmasta digitaalisen markkinoinnin täytyy sopia samoihin liiketoiminnan raameihin kuin perinteisenkin markkinoinnin. Digitaalisen markkinoinnin käyttöä määrittävät kustannukset ja toisaalta niihin liitettävissä oleva ROI tai ROM. Markkinoinnin kustannukset tunnetaan yrityksissä yleensä hyvin ja tämä pätee myös digitaalisten markkinointikanavien kustannuksiin. Hyötypuolen seuranta on haasteellisempaa. Digitaalisissa markkinointikanavissa syntyy paljon tietoa asiakkaiden käyttäytymisestä. Suuret tietomäärät ja tiedon epämääräisyys tekevät seurannasta haastavaa. Haasteista huolimatta internet-sivujen, hakukoneiden ja sosiaalisen median toimintaa pitää pystyä seuraamaan, jotta taloudellisia tunnuslukuja voidaan laskea. Samoin mobiilikanavien. Pelkkä web-sivujen liikenteen seuranta ei enää riitä, vaan yritysten on muodostettava monikanavanäkymiä yli erilaisten sähköisten markkinointikanavien. Seurattavia asioita ovat markkinointikommunikaation tehokkuus esimerkiksi markkinointi-investointien ja lisämyynnin yhteyden kautta. Myös asiakastyytyväisyys eri sähköisten kanavien kautta tapahtuvaan asiakaskommunikaatioon on seurattavien asioiden listalla. Mitä asiakas esimerkiksi ajattelee, jos hän on juuri ehtinyt ostamaan uuden kalliin television, josta saa seuraavalla viikolla henkilökohtaisen tarjouksen sähköpostiinsa juuri siltä kaupalta, josta television osti. Näin voi todellisuudessa käydä, jos eri kanavista tulevaa tietoa ei integroida keskenään. Eri kanavien asiakastapahtumat pitää saada kiinni, ja ne pitää pystyä liittämään osaksi liiketoiminnan kokonaisasiakasanalytiikkaa ja päätöksente- 21

2 koa. Koska sähköisissä kanavissa kaikki tapahtuu nopeasti, reaaliaikaisuuden vaatimus on ainakin joissain tapauksissa otettava myös huomioon. Tai oikeastaan, asiakkaiden käyttäytymistä pitää pystyä ennakoimaan ja ohjaamaan esimerkiksi asiakkaan aikoessa hyljätä ostoskori web-kaupassa. Nopea ja oikea-aikainen tarjous voi pelastaa tilanteen ja saada asiakkaan harkitsemaan ostotapahtumaa uudelleen. Tällaisessa tapauksessa digitaalisessa kanavassa tapahtuva lähes reaaliaikainen markkinointi johtaa heti lisämyyntiin ja on sinänsä erittäin onnistunutta kokonaistaloudellisesta näkökulmasta. Siirtyminen reaktiivisuudesta proaktiivisuuteen digitaalisessa markkinoinnissa vaatii big datan hyvää analysoimista ja käyttämistä automaattiseen päätöksentekoon reaaliajassa. Big data on kuuma aihe kaikessa liiketoimintaanalytiikassa ja tiedonhallinnassa. Näin myös asiakasanalytiikassa ja varsinkin liittyen digitaaliseen markinointiin. Big data käsite liittyy suuriin tietomääriin, joita syntyy esimerkiksi asiakkaiden asioidessa sähköisillä kauppapaikoilla. Kun big data käsite syntyi, tarkoitti se aluksi lähinnä hyvin suuria tietomääriä. Nyt sillä tarkoitetaan tietoa, jota syntyy hyvin suuria määriä nopeasti (Volume and Velocity), kuten sivulla olevan kuvan yhteenveto kertoo. Lisäksi big datalla tarkoitetaan tietoa, joka ei ole määrämuotoista (Variety). Tämä merkitsee sitä, että esimerkiksi internetissä syntyvää asiakastietoa on vaikea käsitellä suhteessa muuhun asiakastietoon. Miten eri asiakassegmentit käyttäytyvät sosiaalisessa mediassa tai kuinka eri asiakasryhmät käyttävät hakukoneita etsiessään kauppaan johtavaa tuotetietoa ovat asioita, jotka ovat myyjälle hyvin arvokkaita tietää, mutta vaikeita selvittää tiedon suuren määrän ja monimutkaisuuden takia. Big datassa ja sen käsittelyssä on aineksia tällaisten arvokkaiden asioiden selvittämiseen. Tarvitaan kuitenkin uusia keinoja ja työkaluja big datan hallitsemiseksi ja analysoimiseksi. Digitaalisen markkinoinnin näkökulmasta tämä tarkoittaa varsinkin valtavien webdatamäärien keräämistä ja prosessoimista asiakas- ja liiketoiminta-analytiikan tarpeisiin. Myös esimerkiksi sähköpostit, sähköisten palautelomakkeiden sisältö ja asiakaspalvelukeskusten tallentama tieto on osa uuden ajan sähköistä asiakastietoa. Kaikki tämä tieto on arvokasta, mutta samalla se on monimuotoista ja monimutkaista. Uusien menetelmiä avulla big datasta voidaan kuitenkin seuloa ulos oleellinen ja liittää se mukaan yrityksen muuhun asiakastietoon Lähde: how-much-data-is-created-every-minute/ 22

3 analysoitavaksi. Esimerkkejä ovat asiakaspalautteen tekstianalyysi, jossa etsitään eri tuotteisiin liittyviä hyviä ja huonoja kommentteja eri asiakassegmenteissä. Tai polkuanalyysi siitä, millaiset tapahtumat johtavat asiakassuhteen päättymiseen. Big data asettaa uusia vaatimuksia digitaaliselle markkinoinnille, mutta se on myös valtava mahdollisuus ymmärtää asiakkaita yhä paremmin ja yhä tarkemmalla tasolla. Tämä taas mahdollistaa henkilökohtaisemman kommunikaation asiakkaiden kanssa ja toisaalta vähentää turhaa kommunikaatiota. Yhä suurempi osa kuluttajista sallii suorien viestien lähettämisen, jos viestien sisältö on relevanttia heille. Esimerkiksi e-tailing group:n ja My- Buys, Inc:n 2012 suoritetussa yhteistutkimuksessa 55% tutkimukseen osallistuneista kuluttajista oli valmiita tarjoamaan tietoa omista preferensseistään, jos se auttaa yri tyksiä parantamaan heidän ostokokemuksiaan (3). Asiakkaalta voidaan siis kysyä hänen preferensseistään suoraan, mutta on myös toinen tapa. Asiakkaan preferenssejä voidaan päätellä hänen käyttäytymisensä perusteella. Se mitä asiakas ostaa, milloin hän ostaa ja minkä kanavan kautta ovat tärkeitä asioita. Mutta tärkeää on myös se, miten asiakas hakee tietoa tuotteista ja miten hän tuotteita ostaa. Esimerkiksi seuraako asiakas sosiaalista mediaa ja hakee tietoa sitä kautta. Vai käykö hän läpi kaupan tuotesivuja tietoa etsiessään ja päätyikö hän näille sivuille esimerkiksi hakukoneen kautta tai painamalla jollain sivulla olevaa banner-mainosta. Vaihtoehtoja on lukematon määrä ja eri polkujen tunteminen on yritykselle erittäin arvokasta last-click-attribution ei enää riitä, vaan koko ostoon johtanut polku monen kanavan kautta pitää tuntea. Tehokkaimpien polkujen tunteminen vaikuttaa digitaalisten markkinointikanavien valintaan, laskee kustannuksia ja nostaa markkinoinnin vaikuttavuutta. Big data ei ole erillinen osa yrityksen tiedonhallintaa. Jos esimerkiksi asiakkaiden käyttäytymistä sosiaalisessa mediassa tutkitaan erillisenä asiakastiedon osana, asiakaskuva ei täydenny vaan pirstoutuu. Niinpä big data on prosessoitava muotoon, jossa se on ymmärrettävää. Tämä vaatii rakenteiden tunnistamista monimuotoisesta datasta ja näiden rakenteiden integroimista yrityksen muuhun asiakastietoon. Jos big datasta esimerkiksi tunnistetaan polkuanalyysien avulla ne vaiheet, jotka johtavat asiakassuhteen päättymiseen, on arvokasta ymmärtää mitkä asiakasryhmät noudattavat mitäkin polkua. Näin toimenpiteet asiakassuhteen jatkamiseksi voidaan suunnitella asiakassegmenteittäin. Tämä taas lisää tehokkuutta. Voidaan jopa tehdä päätös olla puuttumatta tiettyjen asikassegmenttien polkuihin ja antaa niiden poistua asiakaskunnasta. Kun tällainen ilmiö tunnetaan hyvin suhteessa yrityksen asiakaskuntaan, uskalletaan tehdä päätöksiä, joita ei muuten todennäköisesti tehtäisi. Jotta big datasta seulottu asiakastieto saadaan tehokäyttöön, pitää se myös tallentaa samaan paikkaan muun asiakastiedon kanssa. Näin kaikki tarvitsijat pääsevät käsiksi kokonaiskuvaan asiakkaasta. Jos tieto on tallennettu moneen eri paikkaan, on sen yhdisteleminen hidas ja työtä vaativa tehtävä. Integroitu asiakastieto helposti analysoitavassa muodossa on yrityksen kannalta kaikkein paras tilanne. Vaikka big data, sen hallinta ja hyödyntäminen markkinoinnin tarpeisiin on suhteellisen uusia asia, esimerkkejä menestyksekkäistä toteutuksista löytyy. Digitaaliseen kaupankäyntiin ja markkinointiin liittyy Shop Directin menestystarina, jossa kaupankäynnin fokus siirrettiin heikosti kannattavasta offline-kaupankäynnistä online- 23

4 Lähde: kauppaan (4). Shop Direct on Britanniassa toimiva konserni, jonka alle kuuluvat mm. perinteikkäät Littlewoods ja Woolworths tavaratalobrändit. Littlewoods brändin alla Shop Direct toteutti optimoidun monikanavamarkkinointi-integraation internet-kaupan, katalogien ja puhelinmyynnin osalta. Kaikista kanavista kerätään tietoa asiakkaan käyttäytymisestä, tieto analysoidaan ja asiakaskommunikointi luodaan niin, että eri kanavien kautta tapahtuvaa kanssakäymistä optimoidaan myynnin ja asiakastyytyväisyyden maksimoimiseksi. Shop Direct pystyy seuraamaan reaaliajassa esimerkiksi hylättyjä ostoskoreja ja asiakkaan siirtymistä kanavasta toiseen. Tämä tapahtuu keräämällä internetkaupasta reaaliajassa asiakkaan käyttäytymisdataa, analysoimalla se ja syöttämällä muiden kanavien kuten puhelinmyyjien käyttöön. Asiakas tunnistetaan internetissä käyttäjätunnusten perusteella ja puhelinpalvelussa puhelinnumeron perusteella. Nämä tiedot yhdistetään muuhun asiakastietoon, jotta monikanavatunnistus mahdollistuu. Asiakkaan soittaessa puhelinpalveluun, asiakaspalvelija voi tehdä puhelimitse tarjouksia juuri ostoskoriin hylätyistä tuotteista. Asiakas kokee saavansa henkilökohtaista palvelua ja myyjä lisää myyntiään. Shop Directin kanssa samankaltainen tarina on JDWilliams, joka on Britanniassa toimiva erikoisiin vaatekokoihin keskittynyt verkkokauppa. Myös JD Williamsilla on useampi myyntikanava, joista tuleva asiakkaiden käyttäytymistieto pitää integroida markkinointitoimenpiteiden optimoimiseksi ja myynnin maksimoimiseksi (5). Toisenlainen esimerkki on Yhdysvalloissa toimiva kirjakauppa Barnes&Noble (6, 7 & 8). B&N halusi haastaa Amazonin erityisesti sähköisten kirjojen markkinoilla. Tämä vaati siirtymistä tuotepohjaisesta markkinoinnista asiakaskeskeiseen markkinointiin. B&N integroi eri kanavista kerätyn asiakastiedon, jotta monikanavanäkymän luominen ja optimointi olisi mahdollista. Kanavia olivat sekä sähköiset kanavat kuten internet-kauppa että Yhdysvalloissa sijaitsevat B&N kivijalkakirjakaupat. Kerätyn tiedon avulla B&N alkoi tehdä reaaliaikaista asiakassegmentointia sekä reagoida asiakkaan käyttäytymiseen sillä hetkellä, kun asiakas oli tekemässä ostotapahtumaa. Tämä tapahtuu esimerkiksi asiakkaan maksaessa kirjaostostaan kassalla. Asiakas tunnistetaan ensin asiakaskortin avulla. Tiedot syötetään reaaliajassa analysoitaviksi ja kun tietyt asiakassegmentteihin liittyvät kriteerit täyttyvät, tulostetaan asiakkaan kuittiin tarjous esimerkiksi kupista kahvia kirjakaupan kahvilassa. Näin asiakastyytyväisyyttä saadaan nostettua ja samalla oheistuotemyyntiä kasvatettua. 24

5 Yksi kokeneimmista big datan kaupallisista hyödyntäjistä on maailman suurin sähköinen huutokauppasivusto ebay (9). Myös ebayn omistama PayPal hyödyntää sähköisistä kanavista kerättyä dataa liiketoimintansa kehittämiseen. Suurille verkkokaupoille kuten ebaylle big datan hyödyntäminen on elinehto - ebayllä on yli tuotekategoriaa ja satoja miljoonia käyttäjiä. ebay hyödyntää reaaliaikaista big data analytiikkaa esimerkiksi kuvatunnistuksella. Tässä käyttötapauksessa asiakas ottaa kuvan esimerkiksi pitämästään puserosta, koska haluaa ostaa samanvärisen hameen. Kuvan otettuaan hän pystyy etsimään ebay kaupoista hameita ottamansa kuvan avulla. Taustalla tapahtuu kuvan tunnistus, sen värin vertaaminen ja automaattinen haku samanväristen hameiden osalta. Asiakas saa ruudulleen täsmälleen niitä tuotteita, joista hän halusi ostoksensa valita. Asiakkaan tarpeeseen vastataan nopeasti ja täsmällisesti, mikä parantaa kaupankäyntiä ja asiakastyytyväisyyttä. Big datan haltuunotto markkinoinnissa on tulevaisuudessa elinehto kaikille yrityksille. Se antaa myyjälle mahdollisuuden paitsi tehostaa markkinointia, niin myös tehdä asiakasviestinnästä henkilökohtaisempaa ja tuloksellisempaa. Asiakkaan näkökulmasta asiakaspalvelu paranee ja markkinointiviestit ovat tarkempia ja henkilökohtaisempia. Tutkimusten mukaan asiakkaat arvostavat tätä ja ovat valmiita kertomaan yrityksille itsestään jopa nykyistä enemmän, jos saavat vastineeksi oleellisempaa tietoa myyjiltä. Haltuunotto kannattaa aloittaa tunnistamalla yrityksessä jo olemassa olevan asiakastieto ja miten sitä käytetään markkinoinnissa. Jo nykyisen tilanteen kartoittaminen ja kehittäminen saattaa johtaa hyviin tuloksiin. Kun olemassaoleva asiakastieto on selkiytetty, big datan mahdollisuudet tunnistetaan ja hyödyt arvioidaan. Sen jälkeen tutkitaan miten big data kerätään, yhdistetään olemassaolevaan asiakasdataan ja hyödynnetään markkinoinnin päätöksenteossa jopa reaaliaikaisesti. Tämä ei ole suinkaan helppo tehtävä, mutta tuottaa lopulta hyviä tuloksia yhä tiukemmin kilpailluilla markkinoilla. Lähteet 1. ( innovation/big_data_the_next_frontier_for_innovation) 2. ( &PageID=5553&resId= &ref=Webin) 3. ( More-Trusting-Sharing-Information-With-Retailers-Than htm) 4. ( 5. ( Internet-insight/) 6. ( 7. ( 8. ( ) 9. ( Marko Yli-Pietilä, Key Account Director, Teradata Finland 25