Kaikki haluavat dataa, jonka avulla voi parantaa asiakaskokemusta. Mutta mitä oikeasti vaaditaan, että saat esimerkiksi verkkosivustoltasi laadukasta dataa, jonka avulla yrityksen toiminta muuttuu dataohjautuvaksi ja asiakaskeskeiseksi?
Ensin huonot uutiset: laadukas data ei synny ilman työtä pelkän ATK:n ja tekoälyn avulla.
Sitten hyvät uutiset: tämä työ ei ole rakettitiedettä, vaikka se vaatii monenlaisen osaajan työpanosta.
Harvalla yrityksellä on niin paljon dataa, että huonosta datasta saataisiin louhittua jotain mullistavaa. Sen sijaan monella yrityksellä on tarpeeksi dataa, jotta sen laatuun kannattaa panostaa ja nauttia sitten tuloksista.
Opin tämän asiakastyössä. Asiakas halusi, että osa sivuston sisältöpaikoista olisi käyttäjälle personoituja, koska sisällön osuvuudella oli suora linkitys asiakkaan liiketoiminnallisiin tavoitteisiin.
Laadukas data ei synny ilman työtä pelkän ATK:n ja tekoälyn avulla.
Hypoteesi oli, että koska sivustoa oli mitattu jo kymmenen vuotta, datasta saataisiin tarpeeksi irti, jotta suosittelu pystyisi perustumaan collaborative filtering -metodiin.
Sivuston data annettiin datatieteilijän tutkittavaksi suurin toivein. Tulokseen jouduttiin kuitenkin pettymään, koska datatieteilijän analyysissa data osoittautui liian kohinaiseksi – eikä siitä voitu tunnistaa käyttäjien samankaltaisuuksia.
Koska sivustolla oli mitattu vain perusasioita eli sivulatauksia ja siirtymiä sivulta toiselle, ei datasta saatu kymmenen vuoden historiasta huolimatta käytännössä mitään irti. Ei, vaikka käytettävissä oli taitava datatieteilijä sekä rahallisia ja ajallisia resursseja.
Miten datan laatuun voi vaikuttaa?
Edellisessä tapauksessa apua saatiin lyhyellä tähtäimellä sisältöjen hyvästä metadatasta. Sisältöjen suosittelu rakennettiin sisältöjen samankaltaisuuksiin pohjautuvaksi, mikä jo yksinään lisäsi käyttäjien kiinnostusta sisältöihin. Lisäksi tehtiin toimenpidesuunnitelma käyttäjien samankaltaisuuksien tunnistamisen parantamiseksi.
Sivusto oli jo suunniteltu selkeät tavoitteet mielessä, eli sivustolla oli luontaisia reittejä, joiden varrelle voitiin kytkeä mittaamista. Lisäksi sisältöjen metadataan oli panostettu, eli sisällöissä oli runsaasti tietokoneen ymmärtämää semantiikkaa (kontekstia). Sivuston operointiin oli myös allokoitu tarpeeksi asiantuntemusta ja käsipareja, eli sisältöjä kuratoitiin aktiivisesti erilaisen teemojen alle (lisää kontekstia).
Sivustolta kertyvä data voi olla asiakasymmärryksesi hopealuoti, mutta ei ilman dataan liittyvää työtä.
Käytännössä sivustolle lisättiin koodia, joka nappasi analytiikkaan mukaan yksittäisen tapahtuman, esimerkiksi klikkauksen, ja sen yhteydessä paljon kontekstitietoa. Kontekstia tässä tapauksessa olivat esimerkiksi sisältösuosittelun otsikko (teema) ja tyyppi (esim. "suosituimmat" vs. "uusimmat") sekä suositeltujen sisältöjen sisältämä metadata. Muuta sisältöön liittymätöntä kontekstia olivat esimerkiksi tapahtuman hetki (kuten päivämäärä ja ajankohta) tai päätelaite.
Näin syntyvä datamassa on todennäköisesti laadultaan hyvää. Kontekstien tunnistaminen ja niiden käyttö kohdentamisessa tulee sitä tärkeämmäksi, mitä vahvemmaksi kuluttajien ymmärrys tietosuojasta kasvaa. Kontekstien avulla et ole enää riippuvainen käyttäjän halusta kirjautua palveluusi, vaan voit tunnistaa hänen mieltymyksiä ilmankin.
Lyhyesti: sivustolta kertyvä data voi olla asiakasymmärryksesi hopealuoti, mutta ei ilman dataan liittyvää työtä.
Tee näin – 7 kohdan toimintasuunnitelma asiakaskokemuksen parantamiseksi datan avulla
1. Mieti palvelusi KPI:t (Key Perfomance Indicator)
KPI:en avulla tiedät, miten muunnat asiakasymmärryksen helposti ymmärrettäviksi numeroiksi. Katso myös kohta 6.
2. Suunnittele KPI-mittariston perusteella palveluusi selkeät tavoitteelliset asiakaspolut
Jos sivustosi täynnä epäloogisia umpikujia tai siellä ei ole tapoja kerätä liideja tai paikkoja, joissa voit tarjota NBO:n, sinulla ei ole myöskään reittejä, joiden varrelle kytkeä analytiikkaa.
3. Suunnittele palvelusi sivut tai näkymät modulaarisiksi
Ilman modulaarista ajattelua et voi mitata pienempiä yksikköjä kuin sivuja etkä voi kerätä sen hienosyisempää dataa myöhempää analyysia varten.
4. Rikasta sisältösi metadatalla
Jos tietokone ei ymmärrä sisältösi semantiikkaa, et saa mitatessa napattua talteen asiakastarpeen kontekstia. Yhdistämällä metadataa webbianalytiikasta saatavaan dataan kuten kellonaikaan, vuoden aikaan, päätelaitteeseen jne. saat entistä napattua kontekstin entistä tarkemmin.
5. Implementoi mittaaminen moduulitasolle
Määrittele yhdessä kehittäjän avulla palvelussa oleviin moduuleihin ns. custom eventtejä, jotka tallentavat tapahtuman, esimerkiksi klikkauksen, mukana edellä mainittua kontekstitietoa. Ilman kontekstitietoa on hankalaa tehdä johtopäätöksiä siitä, miksi käyttäjä toimi kuten toimi.
6. Tee esimerkiksi Google Data Studioon dashboard, joka auttaa sinua operoimaan palveluasi asiakasdatan perusteella ja raportoimaan pomoille
Kerätty data on hyödyllistä ainoastaan silloin, kun siitä saadaan kuratoitua ymmärrettäviä näkymiä. Esimerkiksi Google Analytics ei tähän pysty, mikäli mittaat useampaa muuttujaa. Lukujen, piirakoiden ja käppyröiden avulla teet lisäksi vaikutuksen pomoihin ja voit neuvotella itsellesi paremman kehitysbudjetin (ja palkan).
7. Kehitä digitaalisiin palveluihisi dataan perustuvaa personoinnin kyvykkyyttä
Nyt kun sinulla on dataa missä algoritmit voivat peuhata, voit lisätä sivustollesi personointia. Voit käyttää siihen vaikkapa Frosmoa tai tehdä sen datatieteilijöiden avulla.
8. BONUS: Nauti tuloksista
