Digitalisering er på relativt kort tid blitt den aller viktigste form for fornyelse av virksomheter og det har de siste årene vært en revolusjon og nærmest et paradigmeskifte i synet på IT

Fred Anda,  CEO/ Managing Partner at NextBridge Advisory AS

Revolusjonen er ikke knyttet til at de fleste virksomheter endelig har fått opp en webside eller at enkelte prosesser er blitt automatisert, derimot:

1. hvordan IT har medført nye produkter og forretningsmodeller
2. hvordan IT brukes til å automatisere og erstatte manuelle prosesser på stadig flere områder
3. hvordan IT brukes til å automatisere og personalisere informasjonen som brukes ut i ulike kundekanaler

(fra «Leading Digital«)

Det første punktet har fått mye oppmerksomhet de siste årene, ikke minst gjennom helt nye heldigitale virksomheter som på kort tid har tatt store markedsandeler.

Punkt to er på mange måter det IT har hatt som hovedmål i alle år, men nye teknologiske løsninger og etter hvert stadig mer maskinlæring og AI medføre nå en akselerasjon som raskt vil endre arbeidsmarkedet radikalt.

Men det tredje punktet er for mange vel så viktig, det handler om å skape gode kundeopplevelser som er essensielt for enhver virksomhet. Og til dette kreves data, og til dels andre typer data enn det virksomheten har god kontroll på i dag.

Segmentering

De fleste virksomheter har en viss form for segmentering i dag. Det er gjerne predefinerte segmenter definert ut fra «arketyper» eller «personas». Disse brukes i all hovedsak i forbindelse med utsendelse av kampanjer. De er ofte statiske og kundene blir segmentere ut fra stabile og tradisjonelle karakteristika. Det er utvilsomt bedre enn ingen form for segmentering, men i et konkurranseutsatt marked er det viktig å kjenne sine kunder bedre enn sine konkurrenter. Og til det kreves en mer sofistikert løsning.

I all hovedsak er det tre områder som kan forbedres når det gjelder segmentering:

• Dynamiske segmenter. Segmenter som i visse sammenhenger er riktige, er i andre sammenhenger totalt irrelevante. Segmentene må gjenspeile budskapet og settes opp på nytt hver gang. Regelverket bak et segment bør også være dynamisk og gjerne basert på maskinlæring.
• Dynamisk segmentering. Det at en kunde tilhørte segment A i går betyr ikke at hun gjør det i dag. Ofte er det nokså ustabile kundedata knyttet til spesifikke hendelser som er mest relevante, og skifte av segment er blant de viktigste trigger-eventene. (For eks . fra barnløs til forelder …)
• Dynamiske variable. Hvilke kundedata som er relevante for segmentering vil også variere, og ofte er det kundedata man ikke så god kontroll på som er de mest relevante. For eks. personlige preferanser knyttet til innkjøp, ferier, fritidsaktiviteter etc.

Bruk av segmenter

! Det nytter ikke med sofistikerte segmenter hvis man ikke har en like sofistikert bruk av segmentene. Preskriptiv analyse er streng tatt den eneste direkte verdiskapende formen for analyse.

Segmenter er nyttige i flere sammenhenger.

• Tradisjonelt brukes segmentering til kampanjer. Enkelt sagt er en kampanje et predefinert budskap i en eller flere kanaler i en angitt tidsperiode. Segmenter vil være med på både å plukke ut målgruppa (vanligst) og å skreddersy selve budskapet (mindre vanlig). Skreddersydde budskap beveger oss inn på området personalisering.
• Personalisering er enhver form for kundetilpasning (basert på kundens data/segment) i grensesnittet mot kunde. Grensesnittet her er ikke forbeholdt hverken kampanjer eller kun digitale løsninger, det er også noe man gjør i for eks. et kundesenter. Et segment kan knyttes til alle aspekter ved kundeinteraksjonen; språk, tone-of-voice, produktforslag, farger og fonter (i en digital løsning) og mye annet. Personalisering handler om å kjenne kunden og agere i henhold til dette, dette er nyttig også i mer overordnet og strategisk sammenheng.
• I strategisk sammenheng hjelper segmentene virksomheten til å forstå hvordan deres kundegrupper er sammensatt og hva er opptatt av. Det vil derfor være nyttig input i den strategiske prosessen rundt produkt og tjenesteportefølje, overordnet markedsbudskap og spesifikke satsingsområder. Segmentering bør også adresseres i en Bi-strategi.

Den preskriptive analysen krever bruk av kontrollgrupper og ikke minst effektmålinger som dynamisk styrer utforming av budskapet.

Kundedata

En helt grunnleggende forutsetning for segmentering og personalisering er riktige kundedata og analyser på disse. Tradisjonelt har man kun brukt enkle demografiske kundedata til segmentering, typisk alder, kjønn, bosted og utdannelse. Men dette er sjeldent de mest signifikante parametrene. Hva som er mest signifikant er selvsagt bransjeavhengig, men mer dynamiske variable knyttet til adferd og preferanser er vanligvis adskillig viktigere.

Et godt eksempel er churnanalyser. Det er ofte ekstremt viktig at denne hensyntas i segmenteringen og utforming i budskap (og ikke kun brukes som en uavhengig analyse for oppfølging av en gruppe kunder)

Det er flere viktige aspekter når man skal ta i bruk kundedata i sofistikert segmentering

• Prosessen å automatiseres. Dynamisk segmentering vil blir fort uoverkommelig komplisert hvis det involverer manuelle steg.
• Kundedata må ha høy datakvalitet. Henger litt sammen med punktet over. Når prosessen automatiseres kan ikke dårlig datakvalitet «gjemmes vekk».
• De ønskede kundedata må være tilgjengelige. En selvfølgelighet, men som oftest dette punktet som er mest krevende. Vi ønsker ofte kundedata som ikke nødvendigvis ligger så lett tilgjengelig.
• Kundedata må være ferske (nok). For en del av kundedata er dette helt essensielt. For eks. at kunde der og da er pålogget i en digital kanal. Dette vil kreve (tilnærmet) sanntidsdata.
• Analytiske kundedata må være preprosessert får å tilfredsstille responstiden. Alternativet er kostbart og som oftest unødvendig

For å få dette til kreves det gjerne et samspill mellom tradisjonelle BI-løsninger, big data-analyseløsninger, CRM, sanntidsløsninger og web/mobil-løsninger.

Kundeanalyser

Kundeanalyser er essensielt for forstå sammenheng mellom data og hva som er signifikant. De enkleste analysene er koblinger mellom produkter og demografi, men kravene til mer sofistikerte løsninger blir stadig viktigere, og spesielt to analyseområder tror jeg vil utvikle seg mye fremover:

• Kundeverdianalyser (CustomerLifetimeValue). Forståelse for hvilke kunder som gir mest verdi og som derfor bør vektlegges blir stadig viktigere. Se bloggen «Livstidsverdi og levetidsanalyse» for å få litt innsikt hvordan denne kan beregnes.
• Sentimentanalyser. Kunder er i stadig mindre grad lojale og små ting kan vippe de i en annen retning. Forståelse for hva som endrer kundens holdninger og påvirker kjøpadferden blir stadig viktigere. En enkel negativ twittermelding fra en innflytelsesrik person kan ha enorme konsekvenser.

Utfordringer

Økt personalisering medføre også noen utfordringer.

• Det er ikke alle kunder som er like begeistret på tanken om at du vet «alt» om dem, og vi vil sannsynligvis se en økt restriksjon på hva man er villig til å dele uten incitamenter.
• Faren med automatiserte løsninger er datadetermenismen som medfører sementering av profiler og hvilken informasjon kunden får. Det vil for det første ikke passe alle, mange ønsker å fremstå annerledes og velge utradisjonelt. For andre vil det sementere holdninger og preferanser og begrense den enkeltes «verdensbilde», dette er noe man allerede opplever i for eks. mediabransjen hvor man abbonerer på bare bestemte typer nyheter.
• Det kommer også stadig strengere regelverk rundt dette. Ny personvernlov kommer i 2018 og denne vil nok påvirke virksomhetenes bruk av kundedata mer enn mange er klar over.

Les også «Big Data – personvernprinispper under press» fra datatilsynet som fokuserer på mange utfordringer rundt personvern og big data.

Fremtiden er dynamisk.

I fremtiden marked vil produkter bli stadig likere, innovative løsninger stadig bli raskere kopiert, prismodellene vil blir stadig mer åpne og derfor likere. Det å kontinuerlig forstå en stadig mer dynamisk kundemasse vil være essensielt for å vinne. Derfor vil datadrevet digitalisering bli stadig viktigere og noe de fleste virksomheter må få plass før eller senere. Ikke la det bli senere.

Jeg vil til slutt anbefale nok en artikkel fra datatilsynet;  «Det store datakappløpet» som også viser litt hvordan avansert segmentering allerede er i bruk i dag og hvilke utfordringer dette gir.

Hilsen Fred

Om Fred Anda:

Fred Anda er managing partner i NextBridge Advisory. Han var tidligere leder for rådgivningsenheten i Business Information Management-avdelingen i Capgemini, hvor han bla hadde ansvar for tjenesteområdet Information Strategy. Han har over 20 års erfaring innen IT-bransjen, og er ekspert på løsninger innen business intelligence, business analytics, informasjonsarkitektur, datamodellering, Master Data Management, Information Governance og informasjonshåndtering. Tidligere har Fred jobbet med store og komplekse integrasjons – og datavarehusprosjekter, med særlig vekt på arkitektur.