Asiakasymmärrystä yksinkertaisesta myyntidatasta
Monet myyntiä ja asiakastietoja yhdistävät analyysit saattavat kuulostaa monimutkaisilta toteuttaa.
Olet varmasti kuullut asiakkuuden arvon (CLV) laskennasta ja sen komponenteista? Entä ovatko myyntiin perustuvat asiakasdesiilit, RFM-mallinnus tai kohortit tuttuja käsitteitä?
Kaikki nämä analyysit ovat keskeisiä tapoja kasvattaa asiakasymmärrystä myynnin näkökulmasta mitattuna.
Hyvänä uutisena voin kertoa, että kaikki edellä mainitut analyysit perustuvat yksinkertaiseen dataan, joka on helposti kaikkien verkkokauppojen käytettävissä.
Miten yksinkertaisesta datasta on kyse?
Lähdetään liikkeelle yksinkertaisimmasta mahdollisesta ”tietomallista”, jolla kaikki tämän kirjoituksen analyysit onnistuvat. Kyseessä on niin yksinkertainen malli, että se mahtuu oikeastaan yhteen Exceliin ja pariin sarakkeeseen:
Kuva 1: Kirjoituksen analyysien raakadata.
That’s it! Tämän monimutkaisempaa dataa ei tarvita ja todennäköisesti saat Excelin ladattua omasta järjestelmästäsi helposti.
Jos asiakkaan tunniste ei ole saatavilla, voit käyttää sen tilalla asiakkaan tilaukselle syöttämää sähköpostia, joka yksilöi asiakkaan jo riittävän hyvin. Asiakkaan sähköpostia käyttäessä, voit hyödyntää analyyseja myöhemmin mainonnan kohdentamiseen.
Jos asiakkaan sähköpostiosoitteen käsittely tuntuu tietoturvan kannalta pahalta, niin esimerkiksi täältä löydät vinkkejä tietoturvan parantamiseen ja siihen, kuinka teet datasta anonyymia Excelissä.
Nyt kannattaa siis järjestää itsellesi tämä yksinkertainen Excel kuntoon, niin sen jälkeen päästään itse asiaan!
Asiakasymmärryksen keskeiset analyysit
Seuraavaksi esittelen, miten helposti pääset näkemään oman kauppasi:
– CLV, churn rate, lifespan ja ostotiheysmittarit
– Myyntiin perustuvien asiakasdesiilien visualisaatiot
– Asiakaskannan RFM-mallinnuksia
– Ostokuukausiin perustuvia uusien asiakkaiden arvon kehityksiä
Käytännössä suurin osa seuraavista analyyseista onnistuu myös Excelissä täysin ilmaiseksi, mutta Excelin käyttö alkoi tuntua jo vähän vanhanaikaiselta ja tylsältä, niin miksipä ei suoraan Chat GPT:n kanssa mukavasti keskustellen.
Myyntiin perustuvat asiakasdesiilit
Desiilien avulla saat nopeasti käsityksen, miten suuri osuus kokonaismyynnistäsi kulkee arvokkaimpien desiilien kautta. Jos analyysi paljastaa merkittäviä eroja desiilien välillä, voit esimerkiksi kohdentaa mainontaa arvokkaimmille desiileille ja varmistaa, että mainontasi näkyy ns. kultamuna-asiakkaille varmasti, jotka tekevät suurimman osan liikevaihdostasi.
Kuva 2: Esimerkki desiilien visualisaatiosta
Kuvasta näkyy, että 20% kaupan asiakkaista tekee 65% koko kaupan myynnistä. Mainonnan kohdentaminen tälle joukolle on varmasti kannattavaa ja kustannustehokasta, joten kannattaa varmistaa, että ainakin nämä asiakkaat näkevät mainoksiasi.
Desiilejä voi hyödyntää myös monella muulla tavalla asiakasymmärryksen kasvatukseen. Voit esimerkiksi yhdistää niitä CLV-laskelmiin ja sen komponentteihin. Sitä kautta päästään jo syvemmälle ostokäyttäytymisen maailmaan ja ymmärrät arvokkaimpien desiilien ja huonompien desiilien välisiä eroja ostokäyttäytymisen mittareilla mitattuna paremmin.
Asiakaskannan CLV ja sen komponentit
CLV on aika yksinkertainen tapa mallintaa koko asiakaskantasi ostokäyttäytymisen perusteella laskettu asiakkuuden keskimääräinen arvo. Tämä voi olla monelle kaupalle tärkeä KPI-mittari, joka auttaa sinua ymmärtämään onnistuuko kauppasi kasvattamaan asiakkuuksien arvoa ja miten paljon uusista asiakkuuksista kannattaisi maksaa.
Jos haluat laskea asiakaskannan arvon itse, sitä pitäisi lähteä mallintamaan näin:
- CLV = keskimääräinen_elinkaaren_pituus * ostotiheys * keskiostos
CLV:n komponenttien laskenta manuaalisesti voi käydä raskaaksi, eikä lukua tule seurattua. Onneksi sekin onnistuu tekoälyn avulla saman yksinkertaisen tietomallin perusteella ns. nappia painamalla.
Ohessa esimerkki datasta luotua mittaristoa CLV laskennasta tekoälyn tuottamana.
”Koulutettu analyytikko” osaa vallan mainiosti laskea elinkaaren arvon ja sen komponentit sekä esittää elinkaaren arvon kehitystä myös trendinä.
Kuva 3: CLV laskennan tuloksia tekoälyn avustuksella
Ohessa vielä toinen kuva, miltä samat mittarit näyttävät eri desiilien näkökulmasta katsottuna.
Kuva 4: Desiilien CLV ja CLV laskennan komponentit
CLV-laskelma perustuu lifespan mittarin perusteella yli vuoden vanhaan dataan. Voiko niin vanhan datan perusteella ohjata liiketoiminnan päätöksiä onkin ihan relevantti kysymys? Esimerkiksi kuinka paljon asiakashankintaan kannattaa käyttää rahaa tämän kvartaalin aikana?
Moni hinnoitteluun, kilpailutilanteeseen ja asiakkaiden maksukykyyn liittyvä asia voi heilauttaa tätä mittaria paljon nopeammin, jolloin kvartaalin tulos voikin mennä pieleen.
Tähänkin ongelmaan löytyy tästä samasta yksinkertaisesta datasta ja tietomallista ratkaisu.
Ensimmäisestä ostopäivästä laskettu lyhyen aikajänteen lisämyynti
Tietomallista voidaan helposti päätellä jokaisen asiakkaan ensimmäisen ostoksen päivä ja sen jälkeen jokaiselle seuraavalle ostokselle voidaan helposti laskea, kuinka monta päivää ensimmäisestä ostoksesta on kulunut.
Näiden pienien lisäysten avulla voidaankin jo visualisoida, miten paljon 90 päivän sisällä syntyneet asiakkuudet tekevät keskimäärin missäkin kuukaudessa myyntiä.
Tämä onkin jo paljon käyttökelpoisempi mittari, jolla voidaan arvioida asiakashankinnan takaisinmaksuaikaa vaikka 90 päivän sisällä kustannuksesta. Tämän mittarin avulla saatat saada myös paljon nopeammin ja herkemmin käsitystä siihen, miten toimenpiteesi purevat CLV-mittarin kasvatukseen.
Ohessa näkyy esimerkkikuva, miltä data koulutetun tekoälyn tuottaman näyttää. Tämäkin kuva on luotu suoraan siitä alkuperäisestä ja yksinkertaisesta raakadatasta.
Kuva 5: Miten paljon uudet asiakkaat tekevät keskimäärin myyntiä 90 päivän aikana
Tämän perusteella tiedetään, että uudet asiakkaat tekevät yli 400€ myyntiä ensimmäisen 90 päivän aikana ja trendi kehittyy hyvään suuntaan. Tässä on hitaammin liikkuvan CLV-mittarin rinnalle hyvä herkemmin reagoiva KPI-mittari, jonka avulla pystyt seuraamaan, miten toimenpiteet vaikuttavat asiakkuuden alkupään arvon kehitykseen.
Kasvatetaan asiakasymmärrystä vielä vähän lisää tällä yksinkertaisella tempulla. Pyydetään tekoälyä suorittamaan sama analyysi, mutta tällä kertaa 180 päivän aikajänteellä asiakkuuden alusta.
Kuva 6: Paljonko uudet asiakkaat tuottavat myyntiä 180 ensimmäisen päivän aikana?
Tästä käyrästä nähdään, että myynti ei kasva juurikaan verrattuna 90 päivän käyrään ja siitä voidaan taas päätellä, että asiakkuuden arvo kehittyy paljon 90 päivän aikana, mutta 90 – 180 päivän aikana ei synny enää juurikaan lisää arvoa.
Jos oma datasi näyttää jotain samanlaista, niin se voi olla erittäin hyödyllistä tietoa markkinoinnin automaatioon ja yleisöihin.
Heitetään vielä vähän lisää ”löylyä kiukaalle” ja pyydetään tekoälyä yhdistelemään desiilejä ja näitä arvon kehitystä mittaavia analyysejä.
Kuva 7: Tekoäly alkaa päästä vauhtiin ja tuottaa nopeasti lisää asiakasymmärrystä
Yhdellä täydentävällä kysymyksellä saatiin taas paljon lisää ymmärrystä! Kultamuna-asiakkaiden arvo kasvaa jo ensimmäisen 180 päivän aikana huimaa vauhtia, joten sellaisten hankintaan kannattaa investoida paljon enemmän markkinoinnin budjettia.
Parhaita desiilejä voidaan analysoida vielä pintaa syvemmältä tutkimalla dataa esimerkiksi tuoteryhmien, postinumeroiden ja muiden rikastettujen dimensioiden kautta. Sieltä se kaava kannattavien asiakkaiden hankintaan löytyy.
Kaikki edellä mainittu on lopulta vain käyriä ja analyyseja, eikä dataa ole varsinaisesti käytetty asiakkaiden suuntaan mitenkään. Data on auttanut kuitenkin jo ymmärtämään asiakkuuksia kaupallisesta näkökulmasta.
Yksi hyvin konkreettinen tapa kytkeä asiakasdata ja asiakasymmärrys markkinointiin on ns. RFM-mallinnus.
Tässä vaiheessa varmasti tiedätkin, että myös RFM-mallinnus voidaan tuottaa tästä yksinkertaisesta raakadatasta ja tekoäly auttaa myös siinä.
RFM-mallinnus kytkee asiakkaiden ostokäyttäytymisen markkinointiin
RFM on lyhenne sanoista:
- Recency = Miten äskettäin asiakas on tehnyt ostokset?
- Frequency = Miten monta kertaa / tai miten tiheään tahtiin asiakas tekee ostoksia?
- Monetary = Miten suuren summan asiakas on käyttänyt yhteensä rahaa ostoksiinsa?
Mallinnuksen avulla jokaiselle asiakkaalle lasketaan tilausdatan perusteella arvo jokaiselle edellä mainitulle tekijälle.
Jos pisteytys lasketaan esimerkiksi yhdestä neljään per tekijä, niin silloin mallinnus jakaa asiakkaat aika karkeasti 4X4X4 ruudukkoon. Tästäkin syntyy jo niin paljon kombinaatioita, että se voi olla oikein sopiva tarkkuus monelle kaupalle.
Näin mallinnettuna asiakaskohtainen pisteytys voisi näyttää tältä:
Juuri äskettäin (Recency = 4) mutta vain kerran elinkaaren aikana ( Frequncy = 1 ) pienen keskiostoksen (Monetary = 1 ) ostanut asiakas saisi omaksi arvokseen: 411
Kauan aikaa sitten viimeisen ostoksen ( Recency = 1 ) mutta tehnyt aikaisemmin aika paljon ostoksia ( Frequency = 3 ) ja on ostanut yhteensä aika paljon ( Monetary = 3 ) asiakas saisi omaksi arvokseen: 133
Kun aikaa kuluu ja dataan tulee lisää rivejä, myös asiakkaat lajitellaan automaattisesti omiin ostokäyttäytymiseen perustuviin lokeroihinsa kuutiossa. Jokaisen asiakkaan lokero siis päivittyy oman käyttäytymisensä mukaiseen suuntaan kuutiossa.
Kuva 8: Esimerkkejä RFM-mallinnuksen kautta tuotetuista segmenteistä
Kouluttamani Chat-GPT osaa luokitella koko asiakaskantasi tähän kuutioon ja se teki myös nämä visualisaatiot tähän kirjoitukseen. Yllä oleviin kuutioihin merkittyjä segmenttejä voisi helposti hyödyntää markkinoinnissa:
- Vasemman reunan kuutio ( kultamuna-asiakkaat, jotka ostavat tiheään ja juuri äskettäin ) omanlaista palkitsevaa viestintää ja mainontaa.
- Oikean reunan kuutio (juuri äskettäin ostaneet uudet asiakkaat) kokonaan uusille asiakkaille suunniteltua viestintää ja mainontaa.
RFM-mallinnus on siis automaattinen tapa lokeroida asiakkaat kuutioon ja löytää sitten kuutiosta asiakkuuden elinkaarien perusteella sopivat joukot mainontaa varten.
Ainakin näin yksinkertainen mallinnus, jota tässä on kuvattu, onnistuu helposti tämän saman koulutetun analyytikon avulla ja voisit esimerkiksi helposti pyytää tekoälyltä, että:
”Laadi Excel, jossa on customer_id kenttä asiakkaista, joiden RFM segmentti on 411 tai 412”
Sen jälkeen voit ladata listan omalle koneellesi ja kytkeä sen osaksi markkinointia. Tässä toki edellytyksenä, että customer_id kenttä sisältää mainosalustojen hyväksymän hashatun asiakastunnuksen.
Toinen edellytys on myös, että latasit tekoälyn käsiteltäväksi vain sellaiset asiakkaat, joille sinulla on markkinointilupa.
Tässä vaiheessa datan reaaliaikaisuus ja datan yhdistäminen markkinointialustoihin alkaa käymään jo vähän työlääksi. Tässä vaiheessa on hyvä pysähtyä miettimään tätä kysymystä:
Näkyikö datassa riittävän isoja ja mielenkiintoisia havaintoja CDP- ja markkinoinnin automaation investointeihin ja kehittämiseen?
Suosittelen lämpimästi kokeilemaan omalla datalla. Jos asia kiinnostaa, niin ota yhteyttä LinkedInin kautta, niin kerron lisää, miten pääset kokeilemaan kouluttamaani tekoälyä. Kokeilun kustannus Chat GPT plus tai Teams lisenssin kustannus eli saat todella arvokasta asiakasymmärrystä lähes ilmaiseksi.
Analyytikon kouluttama tekoäly
Jos pelästyit, että taas tätä Chat GPT ”intoilua”, niin kannattaa lukea vielä vähän matkaa eteenpäin.
Olen laittanut omaa asiakkuusanalytiikan ammattitaitoani peliin ja yrittänyt kouluttaa Chat GPT:stä B2C verkkokauppojen käyttöön sopivan asiakasymmärryksen analyytiikon. Se mallintaa ohjeistuksieni perusteella alkuperäisen yksinkertaisen tietomallin sellaiseen kuntoon, että siitä voi tehdä helposti jo liiketoiminnan kannalta aika merkittäviä visualisaatioita ja analyyseja.
En voi kuitenkaan antaa täyttä takuuta, että ”oppilaani” suoriutuu aina tehtävästä mallikkaasti. Itse ainakin koen, että sille opetetut analyysit onnistuvat mallikkaasti. Jos vastaukset on mielestäsi ihan outoja, niin toivottavasti saan yhteisön hengessä palautetta ja yritetään parantaa tilannetta seuraavaan versioon entisestään.
Jos sinulla ei ole saatavilla omaa asiakasdataa, mutta olet kiinnostunut kokeilemaan, miltä analysointi tekoälyn kanssa tuntuu ja näkemään analyyseja livenä, niin sekin onnistuu.
Ota vaan LinkedIn kautta minuun rohkeasti yhteyttä ja voin jakaa pari vinkkiä, miten pääset testailemaan ilman omaakin dataa. Profiilini löytyy täältä: https://www.linkedin.com/in/juhaos/
