Asiakaskokemus ja myynnin onnistuminen ovat perinteisessä kivijalkakaupassa osaavan henkilökunnan käsissä, mutta verkkokaupassa niissä pitäisi onnistua digitaalisesti. Tässä blogissa otamme katsauksen siihen, kuinka verkkokaupan myyntiä voidaan kasvattaa analytiikkaa ja koneoppimista hyödyntämällä.
Verrattuna perinteiseen kivijalassa toimivaan kauppaan, verkkokauppa lisää merkittävästi mahdollisuuksia hyödyntää tilastollisia menetelmiä asiakkaiden käyttäytymisen ymmärtämiseksi. Verkkokauppa voi kerätä dataa asiakaskäyttäytymisestä suuria määriä ja erittäin täsmällisesti. Tämä luo positiivisen ongelman: dataa on paljon ja monipuolisesti, Mutta kuinka sitä voidaan hyödyntää maksimaalisen liiketoimintavaikutuksen luomiseksi?
Analytiikan pohjana toimii data, jota yritys voi kerätä monella tapaa ja monista lähteistä. Koneoppimisessa käytettävä data riippuu tutkimuskysymyksestä, joka taas riippuu liiketoimintahaasteesta. Toisin sanoen, jos haluamme tuoda vastauksia koneoppimisella, ensin tulee määrittää, mikä on haaste tai ongelma liiketoiminnassa. Tämän jälkeen voidaan määrittää kysymykset, joihin vastausta haetaan. Vasta sen jälkeen voidaan ymmärtää, minkälaista dataa kysymyksiin vastaaminen vaatii.
Dataa voi saada yrityksen sisältä, tai se voi olla ulkoista ostettua dataa tai avointa dataa. Jos dataa ei ole kerätty, on analytiikan tekeminen vaikeaa. Lähtökohtaisesti, jos yrityksellä on mahdollisuus kerätä ja varastoida dataa osana normaaleja operatiivisia toimintoja, on kerääminen suositeltavaa riippumatta siitä, onko datan käyttökohde jo tiedossa.
Segmentointi on yleensä ensimmäinen koneoppimisen virstanpylväs, jolla luodaan perusta monelle muulle analytiikkamenetelmälle. Sen tarkoituksena on ryhmitellä asiakkaat esimerkiksi ostokäyttäytymisen tai asiakastietojen perusteella. Tällainen asiakaskategorioiden määrittely tehdään monesti ostokäyttäytymisen ja asiakkaan antamien profiilitietojen perusteella. Segmentoinnin datalähteenä voi toimia myös esimerkiksi internetin selailuhistoria tai asiakkaan kanssa käydyt puhelin- ja chatkeskustelut.
Olennaista on ymmärtää, mihin käyttötarkoitukseen segmentointia tehdään, ja hyödyntää tähän käyttötarkoitukseen soveltuvaa dataa. Segmentointi ei itsessään ole myynnin työkalu, mutta se luo pohjan asiakasanalytiikalle, myös myynnillisissä asiayhteyksissä. Esimerkiksi asiakkaiden poistuma ja ostoskorianalyysi voidaan mallintaa segmenttikohtaisesti.
Hahmottaaksemme analyyttisiä menetelmiä ja niiden hyötyjä myynnillisissä yhteyksissä, katsotaan niiden käyttöä kolmella myyntiin liittyvällä osa-alueella.
1. Lisämyynnin tuottaminen
2. Uusasiakashankinta
3. Poistuma ja win back -tilanteet
Lisämyynnillä tässä yhteydessä tarkoitetaan tilannetta, jossa toivomme asiakkaan ostavan enemmän itsellensä sopivia tuotteita ja palveluita. Hyödyllinen työkalu on ostoskorianalyysi, joka tutkii mitkä tuotteet ostetaan yleensä keskenään. Sen avulla pystymme löytämään yllättäviä yhteyksiä, jotka vastaavat kysymyksiin kuten: ”Jos tietyn segmentin asiakas haluaa ostaa tuotteen X, mitä muita tuotteita hän haluaa?”. Tällaista informaatiota voimme luonnollisesti hyödyntää tuotesijoittelussa verkkokaupassa.
Tehokas lisämyynnin edistäjä on myös suosittelukone. Yksinkertainen esimerkki suosittelukoneesta on edellä mainittu ostoskorianalyysi asiakassegmentittäin. Tähän on toki mahdollista tuoda mukaan monenlaista dataa, mm. asiakkaan verkkosivukäyttäytyminen. Jos pystymme tunnistamaan, että golfvarusteita aiemmin ostanut asiakas on selaillut myös tennisaiheista sisältöä, voimme suositella hänelle tennismailaa golfvarusteiden oston yhteydessä. Suosittelu voi tapahtua myös myyjän avulla, mikäli se on liiketoiminnan kannalta parempi ratkaisu. Tällöin algoritmi ensin toteaa ostopotentiaalin, jonka jälkeen myyjä ottaa asiakkaaseen yhteyttä.
A/B-testaus on tehokas keino edistämään asiakkaan ostoprosessia sekä uusasiakashankinnan työkaluna. A/B-testauksessa vertailemme kahta menetelmää, joista toinen voi olla nykyinen ja toinen on uusi menetelmä. Tarkoituksena on testata, kumpi menetelmä saa käyttäjiltä paremman vastaanoton. A/B-testausta kannattaa hyödyntää useilla liiketoiminnan alueilla markkinoinnista verkkokaupan käyttöliittymäsuunnitteluun. Voimme tutkia kumpi mainos tuo enemmän asiakkaita kauppaamme tai jopa asiakkaiksi asti. Voimme myös selvittää minkä kokoinen, värinen ja muotoinen ”osta”-painike konvertoi enemmän tehtyjä kauppoja.
Kun A/B -testaus yhdistetään tekstianalytiikkaan, voimme vertailla kahta eri myyntitaktiikkapuheluita ja viestejä analysoimalla tai tunnistaa kumpi metodi tuottaa positiivisempia tunnetiloja asiakkaille. Mikäli kunnianhimon taso on erittäin korkealla, voimme jopa tutkia, minkälainen verkkokauppadesign sopii parhaiten kullekin asiakassegmentille. Mahdollisesti impulsiivinen ostajapersoona on kiinnostunut hieman isommista tuotekuvista ja ”insinöörimäisempi” ostaja haluaa tuotteen tiedot helpommin luettavaksi.
Uusasiakashankintaan edistämiseksi on muitakin tapoja. Voimme koneoppimalla rakentaa potentiaalisia uusasiakasprofiileja, jotta myyntitoimenpiteitä voidaan kohdentaa paremmin. Asiakkaiden hankintaan missä tahansa yrityksessä vaikuttavat liiketoimintakentässä tapahtuvat muutokset. Koronavirus, kilpailevan yrityksen poistuminen markkinoilta tai verotusuudistukset voivat vaikuttaa asiakkaiden ostokäyttäytymiseen. Tällaisten tapahtumien analysointiin voidaan usein vaatia yrityksen ulkopuolista dataa, joko avointa dataa tai ostettua dataa. Makroympäristössä tapahtuvien ilmiöiden vaikutuksia liiketoimintaan voidaan simuloida, jolloin yritys voi paremmalla tarkkuudella tehdä strategisia päätöksiä.
Poistuma-analyysi pyrkii ennustamaan, ketkä asiakkaat lopettavat palveluiden tai tuotteiden ostamisen. Poistuman ennustaminen on erityisen tärkeää tilanteissa, joissa laskutuksen loppuminen tarkoittaa asiakkaan siirtymistä kilpailijalle, kuten kännykkäliittymien kohdalla. Vaihtoehtoisesti voidaan ennustaa, onko asiakkaan laskutus kasvamassa, laskemassa vai pysyykö se tulevaisuudessa nykytasolla. Tällöin myynnillisiä toimenpiteitä voidaan ohjata asiakkaisiin, joilla on tapahtumassa muutoksia laskutuksessa ja jotka kuuluvat tärkeisiin asiakassegmentteihin. Poistumaa potentiaalisesti ennustavia tekijöitä voi löytyä mm. asiakaspalvelun keskusteluista, asiakkaan aktiivisuudesta verkkokauppa-alustalla ja toisinaan myös ulkoisista datalähteistä.
Tekstianalytiikalla on suuri potentiaali win back -tilanteissa ja poistuman ennustamisessa. Asiakkaan kanssa puhelimitse ja kirjallisesti käydyt keskustelut sisältävät yleensä puheenaiheita, sanavalintoja, tunnetiloja ja muita indikaattoreita, joita voimme koneoppimisella mallintaa. Näillä mallinnuksilla voimme pidentää asiakkuuden elinkaarta, ja vähentää riskiä asiakkaan laskutuksen alenemiseen.
Koska kone ei ole subjektiivinen eikä sillä ole mielipiteitä, se pystyy analysoimaan suunnattomia määriä dataa täysin puolueettomasti. Tuloksena on löydöksiä, jotka ovat ihmiselle liian monimutkaisia huomata ja löydöksiä, joita ihminen ei kykene mielipiteidensä takia näkemään. Koneoppimisen edut myynnin kannalta voivat täten olla hyvinkin merkittäviä.
Tämä blogi antoi nopean kurkkauksen aiheeseen, mutta parhaita käytäntöjä ja analytiikkamenetelmiä on toki paljon enemmänkin. Esimerkiksi aikasarja-analyyseillä voidaan ennustaa sesonkikohtaisia vaihteluita. On myös hyvä muistaa, että koneoppimis- ja analytiikkaratkaisut ovat jatkuva prosessi, joka kestää koko asiakkaan ja verkkokaupan elinkaaren. Ennusteiden tarkkuutta voidaan aina hieman parantaa, ja asiakkaissa, tuotteissa ja liiketoimintaympäristössä tapahtuvat muutokset vaativat omien menetelmien itsearviointia. Kaikki data ja mallit vanhenevat ennen pitkää.
Myynnin edistäminen koneoppimisen keinoin on myös vahvasti sidoksissa asiakaskokemuksen kehittämiseen. Tämä siksi, että asiakasanalytiikan tavoite on antaa syvällisempi ymmärrys asiakkaan tarpeista, huolista ja mielenkiinnonkohteista sekä myynnin että muidenkin toimintojen tueksi. Myynnin lisääminen esitellyin keinoin parantaa täten monesti myös asiakasuskollisuutta ja jopa yrityksen imagoa. Nämä asiat ovat olleet perinteisessä kivijalkakaupassa osaavan henkilökunnan käsissä, mutta verkkokaupassa tämä joudutaan ainakin suurelta osin digitalisoimaan.