Asiakasdata insightin lähteenä - Mikko Koski, Director of Advanced Analytics

2. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ANALYTIIKKA AVUKSI ASIAKKUUDEN ERI VAIHEISSA TUNNISTETTUTUNTEMATON MENETETTYAKTIIVINENUUSI PASSIIVINEN LOJALITEETIN JA ARVON KASVATTAMINEN ASIAKASPOISTUMAN HALLINTA POTENTIAALINEN TUNNISTAMINEN, TUNNETTUUDEN KASVATTAMINEN, MIELENKIINNON HERÄTTÄMINEN, LIIDIEN HANKINTA, VALIDOINTI JA KÄSITTELY ARVON KASVATTAMINEN: YLÖSMYYNTI JA RISTIINMYYNTI LOJALITEETIN JA SUOSITTELUN KASVATTAMINEN ASIAKASKÄYTTÄYTYMISEEN PERUSTUVA REAGOINTI, OPPIMINEN, OPTIMOINTI JA ENNUSTAMINEN PASSIIVISTEN AKTIVOINTI JA ASIAKASPOISTUMAN EHKÄISY UUSASIAKASHANKINTA ASIAKKUUDEN ELINKAARI

5. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ANALYYSIN TULOKSET PERSONOINNIN POHJANA Tunnistetaan erilaiset kävijäryhmät ja heidän kiinnostuksenkohteensa Analyysi Tarjotaan eri asiakasryhmille erilaista mainontaa ja erilaisia sisältöjä verkkosivuilla. Mitkä säännöt parantavat konversiota? Mitä uusia sääntöjä datasta löytyy? B B Sisällön personointi Mittaus ja optimointi

7. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ASIAKASKANNAN LÄPIKÄYNNILLÄ YLEISYMMÄRRYS KANNASTA Minkälaisia asiakkaita yrityksellä on? Mitkä ovat pahimmat kipukohdat asiakaskannassamme? 60% 40% Sukupuolijakauma 45% 45% asiakkaista omistaa kanta- asiakaskortin 20% 20% asiakkaista rekisteröitynyt nettisivuilla 10% 10% asiakkaista tilaa uutiskirjettä Myynti alueittain Ostofrekvenssi Brändi 1 Brändi 2 xxx Brändi 3 Brändi 4 xxx xxx xxx Keskiostos Brändi 1 Brändi 2 xx € Brändi 3 Brändi 4 xx € xx € xx € Syntymävuosi Ikäjakauma

8. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi SEGMENTOINTI LUO POHJAN HOITOMALLIEN LUOMISELLE Klusterinarvo Klusterin koko Arvokkaat Säännölliset Eri asiakasryhmien merkitys yritykselle ARVOKKAAT Korkea arvo per asiakas Korkea arvo koko klusterille  Rakennetaan hoitomalli asiakastyytyväisyyden varmistamiseksi – asiakaspito keskeisessä roolissa. SÄÄNNÖLLISET Yksittäisen asiakkaan arvo on pieni matalan tuotekäytön vuoksi  Kasvatetaan asiakkuuden arvoa ristiinmyynnillä. PASSIIVISET JA PASSIVOITUVAT Keskisuuri tai pieni asiakkaan arvo Suuri määrä menetettyä potentiaalia. Ei aktiivisuutta viimeaikoina  Suunnitellaan uudelleenaktivointistrategia, jolla asiakkaiden kiinnostus palveluihin saadaan heräämään.

9. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi KESKIOSTOS KASVAA OSTOSKORIANALYYSIN JÄLKEEN TUOTE A TUOTE B Jos asiakkaalla on jo tuote A, Tuotteen B ostotodennäköisyys kasvaa 30%. Asiakas-ID Ostoskori 201554 Tuote A, Tuote B 735382 Tuote F 586621 Tuote F 796042 Tuote B, Tuote D, Tuote E 611249 Tuote A, Tuote C, Tuote G 369378 Tuote F 409540 Tuote F 747668 Tuote A, Tuote B, Tuote C 507920 Tuote C 900003 Tuote F 994983 Tuote A, Tuote C, Tuote G 171392 Tuote A, Tuote B, Tuote C 487952 Tuote G, Tuote B, Tuote E 963675 Tuote A, Tuote C 178249 Tuote C 222427 Tuote C, Tuote D 569650 Tuote A, Tuote B, Tuote C 849366 Tuote C, Tuote D TUOTE C TUOTE D TUOTE E TUOTE G TUOTE ITUOTE F TUOTE H Kun asiakkaalla on mitkä tahansa kaksi Tuotteista F,G ja H, Tuotteen I ostotodennäköisyys kasvaa 60% Tuotteen C ostajat ovat kiinnostuneita myös Tuotteista D ja E. Vaikka Tuotteen D ostotodennäköisyys on hieman korkeampi, saadaan parempi lisätuotto tarjoamalla hieman kalliimpaa Tuotetta E. Datana asiakkaan myyntireskontra

11. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ANALYYSI PALJASTI: ASIAKASPOISTUMAN MERKITYS LIIKETOIMINNALLE SUURI Vuonna 2014 17 150 asiakkuutta loppui. Tämä tarkoittaa noin € 2 800 000 menetystä vuotuisissa asiakastuotoissa. Resurssit ovat rajalliset ja asiakkaiden kontaktoiminen kallista. Kuinka poistumaa voisi pienentää?

12. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi LÄHDÖN SYIDEN SELVITTÄMINEN JA POISTUMAN ARVO Pelastettavien asiakkaiden arvo määrittää toimenpiteisiin käytettävät resurssit. • Miten paljon asiakkaita poistuu? • Kenet voitaisiin pelastaa? • Kenet haluttaisiin pelastaa? • Mikä on pelastettavissa olevien asiakkaiden arvo? POISTUVAT Pelastettavissa olevat asiakkaat

13. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ENNUSTEMALLI TUNNISTAA SUURIMMASSA POISTUMARISKISSÄ OLEVAT ASIAKKAAT ASIAKAS-ID POISTUMIS- TODENNÄKÖISYYS 201554 87,9 % 735382 87,7 % 586621 84,5 % 796042 83,8 % 611249 83,0 % 369378 80,0 % 409540 79,6 % 747668 76,4 % 507920 75,2 % 900003 71,3 % 994983 70,2 % 171392 67,1 % 487952 66,1 % 963675 64,9 % Malli ennustaa asiakkaiden poistumatodennäköisyydet Jatkotoimenpiteitä varten valitaan suurimmassa poistumisriskissä olevat henkilöt SuuriKeskisuuriMatala

14. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi ENNUSTEMALLIA ANALYSOIMALLA SAADAAN TIETOA POISTUMAAN VAIKUTTAVISTA TEKIJÖISTÄ Mallin avulla selvitimme, että asiakkaan poistumatodennäköisyyteen vaikuttaa erityisesti: • Edellisen kontaktin jälkeen kulunut pitkä aika – merkittävin poistumaan vaikuttava tekijä. • Haja-asutusalueella asuminen – kaupungeissa pienempi poistumariski. • Sukupuoli - Miesten poistumariski on naisten riskiä suurempi. • Tuoteryhmä A:n käyttö - asiakkaat ovat keskimääräistä lojaalimpia. • Suuri palveluiden lukumäärä – mitä useamman palvelun käyttäjä asiakas on, sitä pienempi poistumariski on. • Asiakkuuden ikä – pitkä asiakkuus laskee poistumariskiä, mutta vain hieman. MUUTTUJA VAIKUTUS POISTUMA- TODENNÄKÖISYYTEEN Aika edellisestä kontaktista (kk) + 21 % Asuinpaikka (haja-asutusalue, kyllä/ei) + 15 % Sukupuoli (mies, kyllä/ei) + 6 % Tuoteryhmä A:n käyttö (kyllä/ei) - 16 % Tuotteiden lukumäärän kasvu - 30 % Asiakkuuden ikä - 5 % Poistumariski pienenee Poistumariski kasvaa

16. Copyright © Dagmar Oy#MVV_Finland @Dagmar_fi • Asiakasdataa kertyy moniin eri lähteisiin. • Dataa analysoimalla muodostetaan näkemystä. • Näkemys on edellytyksenä asiakkuuksien johtamiselle. ANALYYSI ASIAKKUUS- STRATEGIATOIMENPITEET