Kohti yksilöllisempää asiakaspalvelua Panu Moilanen Jyväskylän yliopisto 10. marraskuuta 2003 Paluu menneisyyteen 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 1
Mikä on siis muuttunut? Uudet teknologiat Asiakasinformaation hallinta Interaktiivinen viestintä Tehokas informaatiovirta arvoketjussa Markkinat Kiristyvä kilpailu Keskittyminen Uudet jakelukanavat Lisäpalvelut Yritys Asiakkaat Hinnoittelun transparenssi Lisääntyvä hintaherkkyys Vähenevä merkki- ja muu uskollisuus Odotukset palvelusta korkeammalla Vaatimukset Relevanttien kohderyhmien tunnistaminen Tarjooman personointi ja kustomointi Lisäpalveluiden mukauttaminen kohderyhmien mukaan Konsistentti, kaikki kanavat kattava asiakasinteraktion hallinta Perusratkaisu - Segmentointi 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 2
Segmentointiperusteita I 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 Segmentointiperusteita II Käyttäytymiseen perustuva segmentointi Tilanne tai tekijä, joka aiheuttaa tarpeen tiedostamisen Hyöty, jonka perusteella tuote valitaan Käyttäjästatus Käyttöfrekvenssi Uskollisuus Valmius ostaa tuote Asenne 3
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 AIO-luokittelu 4
Psykografiaa: Elämäntyyli Eurooppalaiset elämäntyyliluokat Asiakastiedot Perustiedot Tiedot, jotka tarvitaan asiakassuhteen hoitoon Potentiaalitiedot Potentiaalitietojen avulla pyritään saamaan kuva asiakkaiden tietyn ajankohdan kysynnän volyymista tuotteittain. Toimintatiedot Tiedot asiakkaaseen kohdistuneista toimista Reaktiotiedot Kuinka asiakas reagoi yrityksen tiettyihin toimiin 5
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. Palvelinloki 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 6
Palvelinlokin käyttö 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 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. 7
Tapahtumatietokantojen käyttö Yrityksillä on usein erittäin laajoja tapahtumatietokantoja, jotka sisältävät tietoja Asikkaan 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 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. Kollaboratiivinen suodattaminen Collaborative filtering 8
Profilointi 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. Eksplisiittinen profilointi 9
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. Kollaboratiivinen suodattaminen 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 10
Kollaboratiivinen suodattaminen 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 Kollaboratiivinen suodattaminen 11
Kollaboratiivinen suodattaminen Suositusjärjestelmien ongelmia Asiakkaiden luottamus järjestelmään Suosituksiin Siihen, että järjestelmää käytetään hyväksyttävään tarkoitukseen Uuden asiakkaan ongelma Uusien tuotteiden ongelma Harvan asioinnin ongelma Skaalautuvuus 12
Personointi ei toimi? (Jupiter Research: Beyond the Personalisation Myth, 2003) 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) 13