Veri ve metin analitiğinin müşteriyi elde tutmayı geliştirmesinin 5 yolu

Verilerle desteklenen müşteriyi elde tutma stratejileri, nihayetinde ekibinizin müşterilere nasıl yaklaşacağını etkiler - kâr sağladığı kanıtlanmıştır. Aslında, "tüm iş kararlarında müşteri verileri analitiğini kapsamlı bir şekilde kullanan üst düzey ekipler, yapmayan şirketlere göre %126'lık bir kâr artışı görüyor" (McKinsey, 2014).

Bu haber değil. Bain tarafından ankete katılan 334 yöneticinin üçte ikisinden fazlası şirketlerinin veri ve analitiklere yatırım yaptığını söyledi. Ve beklentiler yüksek. %40'ı "önemli ölçüde olumlu" getiriler görmeyi beklerken, diğer bir %8'lik de "dönüşümsel" sonuçları tahmin ediyor (Bain & Co, 2017).

Forrester'a göre amaç orada olsa da, "üst düzey liderlerin yalnızca %15'i iş kararlarını bilgilendirmek için müşteri verilerini tutarlı bir şekilde kullanıyor" ("Müşteri Olgunluğunu Kıyaslama için B2B Pazarlamacılar Kılavuzu", Forrester, 2017). Yani şirketler veri ihtiyacının farkındalar, ancak uygulamak için bir tür sihir olmasını mı bekliyorlar?

“Müşteri sadakatini etkilemek […] sihir gerektirmez, veri gerektirir – genellikle zaten sahip olduğunuz ancak tam olarak kullanmadığınız veriler. Sektörden bağımsız olarak, günümüzde çoğu kuruluş veri yığınları üretmektedir. Aslında, birçok müşteri bana o kadar çok veriye sahip olduklarını söylüyor ki en büyük sorunlarının sahip oldukları tüm verileri nasıl yönetecekleri olduğunu söylüyor” diyor Cisco başkan yardımcısı ve genel müdürü Mike Flannagan.

Veri ve Metin Analizinin Müşteriyi Elde Tutmayı Geliştirmenin 5 Yolu

1. Bir veri yol haritası geliştirin ve ona bağlı kalın

Yukarıda bahsedilen Bain & Co araştırmasındaki yöneticilerin %30'u şirketlerine veri ve analitiği yerleştirmek için net bir stratejiye sahip olmadıklarını söyledi. McKinsey'in bulguları, analitiği bir siloda veya yalnızca BT'nin bir parçası olarak kullanmak yerine büyümenin stratejik bir itici gücü olarak görmek anlamına gelen bütünleştirici bir yaklaşım benimsemenin nihayetinde istenen sonuca ulaşılmasına yol açtığını göstermektedir (McKinsey, 2014).

Başarılı şirketler iki şeyi farklı yapar: Birincisi, sahip oldukları verileri kullanırlar. İkincisi, verilerin kendilerine ne söylediğini anladıktan sonra organizasyonel değişiklikleri uygularlar. Böylece, verilere sahipsiniz - bunları gerçekten kullandığınızdan ve hızlı bir şekilde gerçekleşmesi için işletmede gereken değişiklikleri uyguladığınızdan emin olun.

İyi bir yaklaşım, bir veri yol haritası geliştirmek ve ona bağlı kalmaktır. Kuruluş içinde atacağınız adımlar şunlar olabilir:

1. Kurumsal KPI'ların otomatik, ölçeklenebilir ve tekrarlanabilir olduğundan emin olun.
2. Önemli paydaşları toplayın ve çözmek istediğiniz ilk 3 iş sorununu tanımlayın.
3. Sorunları veri ve sistem sorunları olarak sınıflandırın (genellikle sorunun “veri” ile değil, insanların onu nasıl kullandığı veya yönettiği ile ilgili olduğunu göreceksiniz).
4. Planınızın teknik fizibilitesini değerlendirmekle birlikte görevlerin önceliklendirilmesi gerekir.
5. Yolda kalmak için her 3 ayda bir ilerlemeyi yeniden değerlendirin.
6. İnsan faktörü – davranış değişikliğini sağlamak

Diğer bir önemli faktör, müşteri analitiğine uygulamalı bir yaklaşım benimseyen üst düzey yöneticileri işe almaktır. Sadece analitiğin önemini anlamaları gerekmiyor, aynı zamanda analiz etme becerilerine de sahip olmaları gerekiyor, bu yüzden işe alırken bunu bir kıyaslama noktası olarak kullanın.

Şirketlerin %70'i veri stratejilerine sahip olsa da, birçoğu yalnızca bir faktör nedeniyle ihtiyaç duyulanı sağlayamayacak: insanlar. En gelişmiş araçlara ve mükemmel veri bilimcilerine sahip olabilirsiniz; ancak, nihayetinde harekete geçmek için dahili olarak ihtiyaç duyulan doğru davranış değişiklikleri olmadan tüm çabalar başarısız olur (Bain & Co 2017).

Çalışanlar, veri analitiğini kullanmayı taahhüt etmeyebilir, dahili ekipler birbirleriyle iletişim kuramayabilir veya benimsenen veri çözümleri kullanıcı dostu olmayabilir. Davranış değişikliği, sonuçların sürekli izlenmesi ve “tek ekip yaklaşımı”, bir kuruluş içinde gelişmiş analitiğin ayakta kalabilmesini ve başarılı olabilmesini sağlamak için gereklidir (Bain & Co, 2017). Burada sürpriz yok, davranış değişikliği herhangi bir performans iyileştirme planının en zor parçası ve neden %38'e varan değişim çabalarının başarısız olduğu (Bain & Co, 2016).

2. Yalnızca yüksek kaliteli potansiyel müşterilere odaklanın

Birincil hedef müşterilerinize benzerlerse, müşterilerin müşteriyi kaybetme olasılığı daha düşüktür. Hem müşterileriniz hem de potansiyel müşterilerin bir listesi hakkındaki verilere erişiminiz varsa, bu, yalnızca daha az başarısız olanlara odaklanmak için harika bir fırsattır.

Nasıl? Müşterilerinizin özelliklerini ve özelliklerini potansiyel müşterilerinizinkilerle karşılaştıran algoritmalar uygulayarak. Mevcut müşterilerinizle benzer özelliklere (FTE boyutu, yıllık harcama, iş unvanı, sektör türü) sahip olanlar, muhtemelen ürününüzü isteme, değerli bulma ve bu nedenle de kalma olasılığı en yüksek olanlardır. Segmentasyonunuz artık çok önemli hale geliyor. Her müşteri segmenti, bir sonraki müşterilerinizi kolayca belirlemenize yardımcı olan farklı özellikler sunar.

Örneğin, HubSpot gibi araçlar, özellikleri ve kalıpları kolayca görebileceğiniz bu tür bilgileri entegre bir şekilde sağlar.

3. Tahmine dayalı modeller oluşturmak için makine öğrenimi yöntemlerini kullanın

Şirketler, farklı metrikler arasındaki ilişkilere bakmak için kullanılan tahmine dayalı analitik dahil olmak üzere farklı analitik türlerini kullanarak verileri analiz eder.

Sağlam müşteri tutma stratejileri oluşturmak için, müşterilerin neyi sevip neyi sevmediğini öğrenmek için geçmiş verilere bakarak gelecek hakkında tahminlerde bulunmak için tahmine dayalı analitiği kullanabiliriz.

Çoğu zaman, hepsini aynı anda yönetmeniz ve analiz etmeniz gereken değişkenlerin sayısı sizi bunaltabilir. Elinizde çok yetenekli bir veri analistiniz olsa da, optimal tahmine dayalı modeli bulmak için büyük miktarda veriyi manuel olarak ve hızlı bir şekilde elemek zaman alıcı ve yoğun emek gerektirir.

En iyi tahmine dayalı elde tutma modellerini oluşturmak için, müşterilerin neden vazgeçtiğinin veya markanıza neden sadık olduğunun altında yatan nedenleri hızlı ve doğru bir şekilde ortaya çıkarmak için makine öğreniminin gücüne güvenin.

Makine öğrenimi, elde tutma gibi önemli sonuçları optimize etmeye yardımcı olan değişkenler arasındaki bağlantıları bulmak için matematik, istatistik ve olasılık kullanır. Bu modeller daha sonra tahminlerde bulunmak için yeni müşteri verilerine uygulanır.

Makine öğrenimi algoritmaları yinelemelidir ve sürekli olarak öğrenir. Ne kadar çok veri alırlarsa o kadar iyi olurlar. İnsan performansıyla karşılaştırıldığında, günümüzün işleme yeteneği sayesinde hızlı bir şekilde içgörü sağlayabilirler.

Örneğin, müşterinizin geçmişteki satın alma veya göz atma geçmişine dayalı olarak hangi yukarı satış veya çapraz satış ürünlerinin en alakalı olacağını belirlemek için analitiği kullanabilirsiniz.

Çoğu zaman şirketler, üst düzey analitik (veri bilimi) becerilerine sahip çalışanlara sahip değildir. Üçüncü taraf sağlayıcılar, veri entegrasyonunu ve analizini otomatikleştiren bir çözüm sağlayabilir.

4. Metin analitiği ile veriye dayalı içgörüler elde edin

Derin, veriye dayalı içgörüler elde etmek için açık uçlu anket sorularınıza verdiğiniz serbest metin yanıtlarını analiz etmeyi unutmayın. Eğer yapmazsan, onları özleyebilirsin!

Bunu metin analizi çözümleri ile yapabilirsiniz. Duyarlılık analizini kullanan bir metin analizi aracıyla, müşterilerin sıkıntılı noktalarını tespit etmek kolaydır.

Ve çok fazla veri toplarsanız, gerçekten kullandığınızdan emin olun. Bir araştırma, kıdemli liderlerin yalnızca %15'inin müşteri verilerini iş kararlarını bilgilendirmek için tutarlı bir şekilde kullandığını buldu (Harvard Business Review).

Thematic'te, makine öğrenimi ve doğal dil işlemeyi kullanarak anketlerdeki serbest metin geri bildirimini analiz etmeyi otomatikleştiren ve özünde işletmelerin müşteri verilerinden içgörü elde etme şeklini basitleştiren bir AI algoritması geliştirdik.

5. Doğru müşterileri elde tutmaya odaklanmak için segmentlere ayırın

İnsanları farklı gruplara ayırmak için veri analitiğini kullanmak, her bir segmentin markanız ve ürününüzle nasıl etkileşime girdiğini belirleyebileceğiniz anlamına gelir. Bu, daha sonra her bir alt gruba bakmanıza ve içgörüler çıkarmanıza, ardından en çok aranan müşterilerinizin elde tutulmasını artırmak için farklı iletişim ve hizmet stratejileri benimsemenize olanak tanır.

Müşteri demografisi, yaşam tarzı, her kategori ve müşteri türü tarafından satın alınan ürünler, satın alma sıklığı ve satın alma değeri gibi verileri analiz edin. Bu şekilde, en çok geliri hangi tür müşterilerin sağladığını keşfedeceksiniz. Bazıları gelir sağlamak için çok pahalıya mal olur, bu nedenle çabalarınızı buna odaklamak isteyip istemediğinizi bileceksiniz.

Bu tür müşteriler arasındaki farkı anlamak, özellikle yeni başlıyorsanız, bazı durumlarda bir iş kurabilir veya bozabilir. Müşteri değerini bilmek, kritik kararlar alabilmek için çok önemlidir. Geçmiş değere, yaşam boyu değere, gelecek yılın değerine veya segmente göre ortalama müşteri değerine göre segmentlere ayırabilirsiniz. Doğru segmentasyonu kullanarak, yüksek oranda hedeflenmiş ürün önerisi teklifleri oluşturacaksınız. Farklı kanallar için (mağaza içi, çevrimiçi, mobil) ilgili indirimler sunmak için müşterilerinizi segmentlere ayırın. Biraz karıştırın, her müşteri aynı teklifi almak zorunda değil.

Segmentasyonu kullanmanın bir başka yararlı yolu da promosyon kodlarınızın zaman duyarlılığını ve mevsimselliğini izlemektir. Satış verilerini izleyerek, bu kodların daha sık sabah mı yoksa öğleden sonra mı yoksa bir satış iletişiminden hemen sonra mı kullanıldığını görebilirsiniz. Bir demografinin neye tepki verdiğini ne kadar çok bilirseniz, doğru eylemleri gerçekleştirmeye o kadar fazla odaklanabilirsiniz.

Analiz için En İyi 3 İpucu

İlgili önerilerde bulunabilmek için birden fazla veri noktası toplayın.

Pragmatik olun ve yalnızca tek bir veri parçasından varsayımlarda bulunmaktan kaçının. California'da yaşayan birinin kışlık bot satın alması, benzer ürün önerileriyle bombardımana tutulmak istediği anlamına gelmez. Belki onları Chicago'da yaşayan kız kardeşleri için almışlardır!

Mümkün olan her yerde sosyal kanıttan yararlanın.

Müşterileriniz belirli ürünlere yanıt vermiyorsa, belki de tek ihtiyaçları, onlara benzer diğerlerinin onları kullandığını ve onlardan memnun olduklarını küçük bir hatırlatmadır. Anketlerden ve sosyal medya yorumlarından olumlu referansları pazarlama iletişiminize ve web sitenize çekin.

Unutmayın: önemli olan, bilgilendirici verileri hızlı bir şekilde somut eyleme dönüştürme yeteneğidir.

Bu bir gerçek: daha iyi veri daha iyi sonuçlar demektir. Şu anda iyi verileriniz yoksa, daha iyi verilere giden yolu test edebilirsiniz. Yalnızca dahili veri koleksiyonunuzu geliştirerek, genellikle daha iyi verilere ulaşabilirsiniz. Diğer durumlarda, daha iyi veriler satın almanız gerekebilir. İyi veriler statik değildir, sürekli bir gözlemleme, hareket etme ve öğrenme sürecidir.

Son olarak, büyük işletmelerin sahip olduğu geniş veri hacminin zorluğu da bir fırsattır. Kurumsal silolarda yapılandırılmış ve yapılandırılmamış geçmiş verileri bir araya getirmek ve bunları devam eden müşteri etkileşimi hakkındaki önemli verilerle birleştirmek, müşteri deneyimini gerçek zamanlı olarak etkilemek için çekici bir fırsat sağlar.

Bu yazı ilk olarak burada yayınlandı.