Skip to content

Asiakaskokemus kehittyy tekstianalytiikan avulla

Asiakaspalautteen keruu on yksi käytetyimmistä asiakaskokemuksen kehittämisen työkaluista. Mutta miten saatua palautetta voidaan analysoida tehokkaammin? Yksi työkalu on tekstianalytiikka, jota hyödynsimme oman asiakaspalautteemme analysoinnissa.

Asiakaskokemuksen kehittäminen on menestymisen edellytys yhtä lailla B2B ja B2C -yrityksissä. Yksi käytetyimmistä asiakaskokemuksen kehittämisen työkaluista on asiakaskuuntelu. Asiakaskuuntelun prosesseista saadut suorat asiakaspalautteet mahdollistavat asiakasdatan hyödyntämisen organisaation eri osissa, kuten asiakkuuksien hoidossa, markkinoinnissa, myynnissä ja liiketoiminnan kehityksessä.

Asiakaspalautteen analysointiin on tarjolla useita palveluita ja työkaluja. Niiden raportointimallit eivät useimmiten kykene avoimen palautteen syvälliseen analysointiin. Tekstianalyysiä tuotetaan hyvin yksinkertaisten sanapilvien avulla.

Miten asiakaskyselyjä toteutetaan ja miten hyvin toteutettu asiakaskuuntelun tekstianalytiikka auttaa asiakaskokemuksen kehittämisessä?

Asiakaskyselyjen avulla seurataan asiakaskokemuksen mittareita ja tunnistetaan trendejä

Asiakaskyselyjä toteutetaan sekä automatisoidusti online-kyselyin että perinteisemmin haastattelemalla asiakkaita. Molemmissa hyödynnetään useimmiten sekä rajattuja, että avoimia kysymyksiä.

  1. Rajatuissa kysymyksissä on rajattu määrä mahdollisia vastausvaihtoehtoja, esim. ”anna vastaus asteikolla 1-10” tai monivalintakysymykset, esim. ”valitse vastauksesi seuraavista vaihtoehdoista:”.
  2. Avoimiin kysymyksiin vastataan vapailla tekstikentillä, joissa ”vastausvaihtoehtoja” on ääretön määrä, esim. ”kuvaile yritystä X”.

Rajatut kysymykset tarjoavat asiakaskuuntelusta dataa, joka on helposti analysoitavassa muodossa. Tällaista dataa hyödynnetään pitkän aikavälin mittareiden seurantaan ja niiden muutokset kertovat asiakkuuden suunnasta sekä mahdollistavat jossain määrin asiakaskohtaisen vertailun. Mittareita voidaan hyödyntää monin tavoin, esimerkiksi kannustinjärjestelmän osana. Kvantitatiiviseen dataan perustuvat muuttujat eivät kuitenkaan pääse kovin syvälle itse asiakaskokemuksen ymmärtämisessä.

Perinteiset asiakaskyselyille räätälöidyt työkalut ja raportointipalvelut eivät useimmiten käsittele asiakasdataa ja avoimia palautteita tilastollisesti tai tekstianalytiikan keinoin. Avoimien tekstikenttien asiakaspalaute, joka mahdollisesti tarjoaisi signaaleja, trendejä ja syvällisintä tietoa asiakaskokemuksesta, jää normaalisti hyödyntämättä tilastollisin menetelmin.

Tilastolliset menetelmät asiakasdatan käsittelyssä

Tunnistimme yllä mainitut ongelmat avoimen asiakaspalautedatan analysoinnissa omassa asiakasdatassamme. Halusimme selvittää, kuinka voisimme hyödyntää asiakaskyselyistä kerättyä vapaata tekstiä paremmin.

Halusimme ymmärtää tilastollisin keinoin asiakkaidemme näkemyksiä ja kokemuksia Digiasta. Tarkoituksena oli myös saavuttaa tekstianalytiikkaratkaisu, joka on hyödynnettävissä useissa käyttötapauksissa, kaikilla toimialoilla. Päädyimme hyödyntämään seuraavia menetelmiä hankkeessamme:

  • Usein esiintyvät sanat sanaluokittain
  • N-grammit eli usein esiintyvät peräkkäiset sanat, kuten ”minä olen”
  • Sentimentti-analyysi, eli onko teksti positiivissävytteinen vai negatiivissävytteinen
  • Edellä mainittujen menetelmien analysointi yhdessä rajattujen kysymysten vastausten kanssa

Miten analyysi toteutettiin?

Muutimme ensin analysoitavien tekstien sanat niiden perusmuotoihin, jonka jälkeen erottelimme teksteistä verbit, adjektiivit ja substantiivit. Erottelimme ja tilastoimme myös n-grammit. Suoritimme sentimenttianalyysin Microsoft Azuren analytiikkatyökaluilla.

Projektin aikana kävimme läpi käytettävissä olevia menetelmiä, tuloksia ja niiden käyttötarkoituksia yhdessä asiakaskuuntelusta vastaavien kollegoidemme kanssa. Poikkitieteellisen yhteistyön avulla löysimme sopivimmat ratkaisut, joita hyödyntämällä asiakasdataa on voitu hyödyntää selkeästi entistä tehokkaammin.

Tehdyn analyysin vuoksi olemme mallintaneet asiakkaidemme näkemyksiä mm. asiakastyytyväisyyden ja asiakkuuksien koon ja odotusten mukaan. Kykenemme hahmottamaan huomattavasti tarkemmin, mitkä asiat vaikuttavat asiakkaidemme positiivisiin ja negatiivisiin mielipiteisiin, sekä löytämään syy- ja seuraussuhteita asioiden välillä. Tämän vuoksi pystymme tarjoamaan kohdennetumpaa palvelua eri asiakassegmentteihin, sekä personoimaan myynti-, markkinointi- ja projektinhallintaprosesseja ilmeneviin tarpeisiin.

Miten onnistuimme?

Digian markkinointiyksikön Customer Engagement Manager, Noora Jefimoff toteaa tekstianalytiikkahankkeesta seuraavasti:

”Olemme keränneet vertailukelpoista asiakaspalautedataa jo useamman vuoden ajan. Riittävän useasti toistetun kyselyn seurauksena käytössämme oli palautemassaa, josta halusimme testata, saammeko datasta enemmän irti kuin palautekierroksen jälkeinen analyysi meille aiemmin oli antanut. Halusimme pureutua dataan syvemmälle ja tunnistaa, nousiko palautteissa erilaisia asioita esiin eri vuosina. Halusimme tunnistaa myös, toistuvatko erilaiset termit ja nousevatko termit tai sanonnat eri yhteyksissä eri tavoin. Halusimme lisäksi todentaa liiketoiminnan kehitykseen liittyvät signaalit asiakaspalautteista. Työ on tuottanut erittäin mielenkiintoisia tuloksia ja hyödynnämme tietoa organisaation eri tasoilla jatkuvasti.”

Suoritetun hankkeen tavoitteina oli lisäarvon tuottaminen kehittynein tekstianalytiikan keinoin. Tarkoitus oli luoda olemassa olevien asiakaspalautedataa käsittelevien työkalujen rinnalle analytiikkaratkaisu, joka on monistettavissa useisiin käyttötarkoituksiin toimialasta riippumatta.

Näemme, että tekemämme ratkaisu on arvokas lisä olemassa oleviin prosesseihin ja tulemme myös jatkossa kehittämään sitä eteenpäin. Tekstianalytiikkapalveluiden ja asiakastarpeiden ymmärryksen tarve ei ole mihinkään poistumassa tulevaisuudessa, pikemminkin päinvastoin. Siksi on tärkeää, että Digialla on sekä omassa käytössään, että tarjonnassaan näihin tarpeisiin kohdistettuja palveluja.

 

Tilaa blogikirjoitukset sähköpostiisi