Paluu menneisyyteen Kohti yksilöllisempää asiakaspalvelua Panu Moilanen Jyväskylän yliopisto 16. marraskuuta 2005 Yksilöllinen asiakaspalvelu ei ole uusi ajatus Vuosisatoja asiakkaana palveltiin nimenomaan yksilöä: räätäli teki mittatilauspuvun, suutari mittatilauskengät. Teollinen vallankumous ja tuotteiden massatuotanto alkoivat rapauttaa yksilön palvelun perinnettä. 1900-luvun puolivälin jälkeen yksilön palvelu katosi lähes kokonaan esim. vähittäiskaupan yksikkökokojen suurenemisen myötä. Yksilöllisen asiakaspalvelun lähes täydellisen katoamisen merkittävin syy oli sen kalleus suhteessa massojen palvelemiseen. Nykyinen informaatioteknologia mahdollistaa kuitenkin jossain määrin sekä yksilöllisen asiakaspalvelun että palveluiden ja tuotteiden massatuotannon yhdistämisen. Massaräätälöinti Mikä on siis muuttunut? Perusratkaisu - Segmentointi Uudet teknologiat Asiakasinformaation hallinta Interaktiivinen viestintä Tehokas informaatiovirta arvoketjussa Markkinat Asiakkaat Kiristyvä kilpailu Yritys Hinnoittelun transparenssi Keskittyminen Lisääntyvä hintaherkkyys Uudet jakelukanavat Vähenevä merkki- ja muu uskollisuus Lisäpalvelut Odotukset palvelusta korkeammalla Vaatimukset Relevanttien kohderyhmien tunnistaminen Tarjooman personointi ja kustomointi Lisäpalveluiden mukauttaminen kohderyhmien mukaan Konsistentti, kaikki kanavat kattava asiakasinteraktion hallinta Segmentoinnilla tarkoitetaan laajojen ja heterogeenisten kokonaismarkkinoiden jakamista pienempiin ja homogeenisimpiin osamarkkinoihin. Segmentit Nichet Paikallissegmentit Yksilöt Segmentointi perustuu asiakkaiden preferensseihin Homogeeniset preferenssit Täysin heterogeeniset (diffused) preferenssit Klusteroituneet preferenssit Segmentointiperusteita I Segmentointiperusteita II Maantieteellinen segmentointi Maat, alueet, maakunnat, kaupungit, asuinalueet Demografinen segmentointi Ikä, perheen koko, perheen elämänvaihe, sukupuoli, tulotaso, ammatti, koulutustaso, uskonto, rotu, sukupolvi, kansallisuus, sosiaaliluokka Suosituin segmentointiperusteiden ryhmä Psykografinen segmentointi Perustuu elämäntyyliin, persoonallisuuteen ja arvoihin Käyttäytymiseen perustuva segmentointi Tilanne tai tekijä, joka aiheuttaa tarpeen tiedostamisen Hyöty, jonka perusteella tuote valitaan Käyttäjästatus Käyttöfrekvenssi Uskollisuus Valmius ostaa tuote Asenne 1
Geodemografia - MOSAIC Suomi on jaettu 250 x 250 m ruutuihin (hajaasutusalueilla 1 x 1 km ruutuihin). Kunkin ruudun asukkaat on analysoitu tilastollisia tietoja hyödyntäen Analysoitu satoja muuttumia, joista 60 voidaan käyttää luokitteluperusteena. MOSAIC-luokkia on 30 kpl. Psykografiaa: Elämäntyyli Psykografiaa: Elämäntyyli AIO-luokittelu Eurooppalaiset elämäntyyliluokat Asiakastiedot Perustiedot Tiedot, jotka tarvitaan asiakassuhteen hoitoon Potentiaalitiedot Potentiaalitietojen avulla pyritään saamaan kuva asiakkaidentietynajankohdankysynnän volyymista tuotteittain. Toimintatiedot Tiedot asiakkaaseen kohdistuneista toimista Reaktiotiedot Kuinka asiakas reagoi yrityksen tiettyihin toimiin Asiakastiedon kerääminen verkkoympäristössä Tietoa voidaan kerätä monessa pisteessä Palvelimella (servers-side) Asiakkaalta (client-side) Välityspalvelimelta (proxy) Yrityksen tietokannoista Tehokkaimmin asiakkaan profilointi onnistuu, kun tietoa voidaan kerätä mahdollisimman monessa pisteessä ja yhdistää kerätyt tiedot toisiinsa. 2
Palvelinloki Palvelinlokin käyttö WWW-palvelimen lokitiedosto on yleisesti käytetty tietolähde asiakkaan käyttäytymistä analysoitaessa. Kun selain lähettää palvelimelle HTTPpalvelupyynnön, ja palvelin vastaa, lokiin tallennetaan ainakin Pyytäjän IP-osoite Pyynnön aikaleima (päiväys ja kellonaika) Siirretyn tiedoston nimi Mahdollisia muita selain- ja palvelinkohtaisia tietoja Periaatteessa palvelinlokista saadaan selville ainakin Mistä asiakas on ollut kiinnostunut Miltä maantieteelliseltä alueelta asiakas on lähtöisin Milloin asiakkaat käyttävät palvelua Ongelmia kuitenkin on IP-osoite ei välttämättä ole uniikki ja staattinen Painallusvirta-analyysi Analysoidaan peräkkäisiä palvelupyyntöjä, jolloin voidaan seurata asiakkaan etenemistä sivustossa Tiedon kerääminen asiakkaan koneessa Tapahtumatietokantojen käyttö Etäagentit Esim. javaskriptejä ja sovelmia, jotka keräävät asiakkaan tietokoneesta ja käyttöympäristöstä tietoa. Mukautetut selaimet Jotkin yritykset toimittavat asiakkaille selaimia, joiden lähdekoodia on muutettu siten, että selain toimittaa yritykselle tietoa asiakkaan käyttäytymistä. Yrityksillä on usein erittäin laajoja tapahtumatietokantoja, jotka sisältävät tietoja Asiakkaan perusominaisuuksista Tarjontahistoriasta Ostohistoriasta Yrityksen tapahtumatietokannan tietoja voidaan käyttää asiakkaan tulevan käyttäytymisen ja tarpeiden ennakointiin Olemassa olevien sääntöjen perusteella Suorittaen ristiinajoja suhteessa muiden asiakkaiden vastaaviin tietoihin Suosittelujärjestelmät Profilointi Suositusjärjestelmät ohjaavat tuotteita asiakkaalle ja tarjoavat asiakkaalle informaatiota tuotteesta päätöksenteon helpottamiseksi. 1. Manuaalisiin päättelysääntöihin perustuvat Manual decision rules 2. Sisältöpohjainen suodattaminen Content-based filtering 3. Collaborative filtering Suositusjärjestelmän toiminta perustuu asiakkaasta luotavan profiiliin Profilointi voidaan jakaa kolmeen luokkaan Eksplisiittinen profilointi Käyttäjä kertoo itsestään ja antaa järjestelmälle palautetta esimerkiksi hankkimistaan tuotteista. Implisiittinen profilointi Järjestelmä kerää automaattisesti tietoa asiakkaan käyttäytymisestä Katsotut sivut, sivuilla vietetty aika, klikkausten määrä, vieritys, näppäimistön käyttö Peritty tieto Profiloinnissa hyödynnetään yrityksellä asiakkaasta jo olevaa tietoa, esim. asiakastietokantaa. 3
Eksplisiittinen profilointi Sisältöpohjainen suodattaminen Rinnakkaistermi kognitiivinen suodattaminen Tuoteobjektit valitaan vertaamalla objektien sisällön kuvausta käyttäjäprofiiliin Objektien sisältö täytyy analysoida ja kuvailla esim. metadatalla Joissain tapauksissa tuoteobjekti voidaan analysoida koneellisesti näin on tilanne esim. uutisten kyseessä ollen. Suositusjärjestelmä on suhteellisen kankea, yllättävät suositukset eivät ole mahdollisia. Sosiaalinen informaation suodatus Perustuu samaan ajatukseen kuin ystävien ja tuttujen mielipiteiden kuunteleminen reaalimaailmassa Automatisoi word-of-mouth suositusten tekemisen. Järjestelmä säilyttää käyttäjien arvioita tuotteista ja palauttaa asiakkaan profiilin avulla niiden tuotteiden tiedot, jotka olemassa olevan historian perusteella parhaiten näyttäisivät soveltuvan käyttäjän profiiliin Prosessi (Shardanand, 1994) Ajan kuluessa rakennetaan käyttäjäprofiileja Profiilia verrataan muista käyttäjistä luotuihin profiileihin, joille annetaan painoarvo profiileiden samankaltaisuuden mukaan. Otetaan ryhmä eniten toisiaan muistuttavia profiileja ja käytetään niitä rakennettaessa suosituksia käyttäjille. Välitetään informaatio käyttäjälle oikeassa muodossa. Eksplisiittinen profilointi yleisesti käytössä. Amazon.com, CDNow.com, MovieFinder.com ja Launch.com Ei juurikaan käytössä korkean riskin alueella 4
Suositusjärjestelmien ongelmia Personointi ei toimi? (Jupiter Research: Beyond the Personalisation Myth, 2003) Asiakkaiden luottamus järjestelmään Suosituksiin Siihen, että järjestelmää käytetään hyväksyttävään tarkoitukseen Uuden asiakkaan ongelma Uusien tuotteiden ongelma Harvan asioinnin ongelma Skaalautuvuus Personointiin liittyy ongelmia Monet asiakkaat skeptisiä, eivätkä halua antaa tietojaan, koska pelkäävät niiden väärinkäyttöä Asiakkaan näkökulmasta helppokäyttöisyys personointia tärkeämpää Personointi suhteessa saavutettaviin hyötyihin yllättävän kallista (jopa nelinkertainen kustannus) 5