Οι παραδοσιακές τεχνικές ανάλυσης της πελατειακής βάσης εστιάζουν στην επεξεργασία ιστορικών δεδομένων πελατών, που αφορούν κυρίως σε δημογραφικά προφίλ και συναλλαγές με την επιχείρηση (αγορές, επικοινωνία). Στόχος της όλης διαδικασίας είναι η συστηματική τροφοδότηση της διοίκησης της εταιρείας, της διεύθυνσης marketing και άλλων τμημάτων της επιχείρησης με patterns σχετικά με την ομαδοποίηση των πελατών, τις προτιμήσεις και τις καταναλωτικές τους συνήθειες. Μια τέτοια προσέγγιση επιτρέπει καλύτερο σχεδιασμό και διαχείριση των πολιτικών επικοινωνίας της επιχείρησης και βελτίωση των αποτελεσμάτων τους.

Οι τυπικές εφαρμογές -ανάλογα και με τον τομέα στον οποίο δραστηριοποιείται η επιχείρηση- εστιάζουν συνήθως σε συγκεκριμένες διαστάσεις του πελάτη, όπως κερδοφορία, χρήση υπηρεσιών, πιστωτικός κίνδυνος και πιστότητα. Ενα αξιοσημείωτο κενό που παρατηρείται αφορά στην συστηματική μέτρηση, ανάλυση και παρακολούθηση του γενικού επιπέδου ικανοποίησης του πελάτη.

Μια ενδιαφέρουσα τάση

Το κενό αναφορικά με τον εμπλουτισμό των δεδομένων του πελάτη με συστηματικές μετρήσεις ικανοποίησης και γενικότερα με αναλυτικά δεδομένα επικοινωνίας αποτελεί αντικείμενο μιας “νεότερης” προσέγγισης στον χώρο του BI (business intelligence). Τα τελευταία χρόνια γίνεται προσπάθεια να σχεδιασθούν οι κατάλληλες υποδομές, που θα επιτρέψουν να δοθεί πραγματική αξία στα δεδομένα που αφορούν στην τακτική εκτέλεση των επιχειρησιακών διαδικασιών καθώς και σε κάθε μορφής αλληλεπίδραση του πελάτη με την επιχείρηση, απαντώντας έτσι στην ανάγκη αναλυτικής πληροφόρησης αναφορικά με τις “day to day” διαδικασίες.

Οι σύγχρονες υποδομές BI συγκεντρώνουν σε πραγματικό χρόνο τα δεδομένα αλληλεπίδρασης του πελάτη με την επιχείρηση σε κάθε σημείο επαφής που διαθέτει η τελευταία (customer touch points). Κατάλληλα components μεταφράζουν τη συνεχή αυτή ροή δεδομένων σε “μικρο-αποφάσεις” (micro decisions) σχετικά με την περαιτέρω επικοινωνία, την πολιτική προσφορών, τις διαδικασίες loyalty κά, συνθέτοντας γενικά μία προσαρμοσμένη, βέλτιστη λογική επικοινωνίας για κάθε συγκεκριμένο πελάτη.

Στο λιανεμπόριο, μάλιστα, η άφιξη την RFID τεχνολογίας επιταχύνει τη διαφαινόμενη αλλαγή, αφού δημιουργείται πλέον ένας νέος “κόσμος δεδομένων”, που -με την προϋπόθεση ότι αναλύεται και μοντελοποιείται συστηματικά σε συνδυασμό με τα δεδομένα πελάτη- επιτρέπει άμεση λήψη αποφάσεων, οι οποίες μεγιστοποιούν το αποτέλεσμα συγκεκριμένων επιχειρηματικών περιοχών.

Η επιχείρηση που θα υιοθετήσει την παραπάνω προσέγγιση θα είναι σε θέση να αναλύει και να κατανοεί κάθε μεμονωμένο πελάτη, segment πελατών ή και την ίδια την πελατειακή βάση στον άξονα του χρόνου με αξιοσημείωτη ευελιξία. Πέρα από την CRM προσέγγιση, μία διαφοροποιημένη προοπτική πάνω στα ίδια δεδομένα θα επιτρέπει αξιολόγηση απόδοσης των διαδικασιών που επηρεάζουν τη σχέση με τους πελάτες και εντοπισμό των κρίσιμων παραγόντων, το σημαντικότερο input για τον σχεδιασμό βέλτιστων στρατηγικών.

Ποιότητα και πληρότητα των δεδομένων

Τα παραπάνω αποτελούν απλώς την τεχνολογική υποδομή, δεν εξασφαλίζουν ανταγωνιστικά πλεονεκτήματα. Πολύ σύντομα μάλιστα, θα φτάσουμε στο σημείο που όλες οι εταιρείες θα έχουν -σε κάποιον βαθμό- πρόσβαση σε τέτοιου τύπου τεχνολογίες, αναλύσεις και προσεγγίσεις. Εξάλλου, η στρατηγική των μεγάλων προμηθευτών αναλυτικών εργαλείων (analytical tools) είναι να απλοποιήσουν τη χρήση τους και να τα προωθούν ως αγαθά (commodities) προς “ευρεία κατανάλωση”. Πρόκειται, δηλαδή, για επανάληψη του σεναρίου που είδαμε να εφαρμόζεται στα ERP και CRM συστήματα, η υλοποίηση των οποίων προσέφερε κάποτε πλεονεκτήματα σε σχέση με τον ανταγωνισμό, ενώ πλέον σήμερα χαρακτηρίζονται ως τυπικές εγκαταστάσεις που συναντούμε σχεδόν σε κάθε μηχανογράφηση.

Τα στοιχεία που πραγματικά μπορούν να οδηγήσουν σε ανταγωνιστικά πλεονεκτήματα μέσω της συγκεκριμένης τεχνολογικής υποδομής αναφέρονται στην ποιότητα και την πληρότητα των δεδομένων. Η ποιότητα των δεδομένων αφορά στην συστηματική παροχή αξιόπιστης, συνεπούς και ολοκληρωμένης πληροφορίας που περιγράφει κάθε σημαντική δραστηριότητα της επιχείρησης. Από την άλλη, η πληρότητα των δεδομένων αφορά στην διάθεση (καταγραφή, συλλογή και αποθήκευση) δεδομένων που περιγράφουν “νέες” πλευρές των πελατών, των αναγκών τους και των σχετικών επιχειρησιακών διαδικασιών. Χαρακτηριστικό παράδειγμα για την κατηγορία αυτή αποτελεί η μέτρηση, ανάλυση και μοντελοποίηση δεδομένων ικανοποίησης πελάτη, ως μέρος της συνολικής πελατειακής βάσης (μία καινούργια διάσταση του πελάτη, κατ’ αναλογία της κερδοφορίας, του κινδύνου κλπ).

Κατά συνέπεια, αποτελεί μονόδρομο για τις εταιρείες που προσδιορίζονται ως “πελατοκεντρικές” η μετάβαση σε υποδομές που επιτρέπουν τον εμπλουτισμό των δεδομένων τους με νέες προοπτικές των πελατών τους και των εμπλεκόμενων διαδικασιών. Συστήματα σχετικά με τη διαχείριση παραπόνων (complaint management) και γενικευμένες εφαρμογές καταγραφής απόψεων πελατών (feedback management systems) θα βρεθούν σύντομα στο επίκεντρο της αγοράς.

Περί ικανοποίησης του πελάτη ο λόγος

Η ανάγκη για καταγραφή και μελέτη της ικανοποίησης του πελάτη δεν είναι νέα. Μέχρι σήμερα, όμως, η μόνη απάντηση στην ανάγκη αυτή παρέχεται από τυπικές έρευνες αγοράς. Οι έρευνες αυτές παρέχουν σημαντική πληροφορία και αποτελούν τυπικό εργαλείο για την διαδικασία λήψης αποφάσεων, αδυνατούν όμως να καλύψουν την βαθύτερη ανάγκη της σύγχρονης πελατοκεντρικής επιχείρησης. Πιο συγκεκριμένα:

  • Η ανάγκη του σύγχρονου οργανισμού αφορά σε μία συνεχή ροή δεδομένων βαθμού ικανοποίησης του πελάτη. Η ροή αυτή εμπλουτίζει συστηματικά τα κεντρικά πληροφοριακά συστήματα του οργανισμού (marketing datamart, data warehouse) παρέχοντας έτσι εξαιρετικές δυνατότητες ανάλυσης και συσχέτισης των δεδομένων: σύγκριση μέσων τιμών ικανοποίησης ανά segment στον άξονα του χρόνου, ανά κατάστημα και προϊόν, σε σχέση με την εμπειρία του προσωπικού ή την εποχικότητα της περιόδου εξυπηρέτησης. Είναι προφανές ότι οι “παραδοσιακές” τεχνικές απαντούν σε ένα ασήμαντο ποσοστό των αναγκών αυτών.
  • Η δυνατότητα σχεδιασμού ειδικών αναφορών, διασταύρωσης των δεδομένων, ανάπτυξης πολιτικών δράσης και online συστημάτων απόκρισης ενισχύουν ακόμη περισσότερο τον ρόλο ενός τέτοιου συστήματος στο πλαίσιο της σύγχρονης ανταγωνιστικής επιχείρησης. Η εμπλουτισμένη πληροφορία μπορεί να ενσωματωθεί στα υπάρχοντα MIS συστήματα, σε κατάλληλα dashboards ή executive reporting.
  • Η δυνατότητα αξιοποίησης των νέων τεχνολογιών με χαμηλό κόστος, όπως το internet σαν εναλλακτικό κανάλι για την καταχώριση δεδομένων ικανοποίησης.
  • Η δυνατότητα συνδυασμού των διαδικασιών αυτών με πολιτικές loyalty μπορεί να αποτελέσει ένα ισχυρό πρόγραμμα για την ενίσχυση της επικοινωνίας του πελάτη με την επιχείρηση. Ο πελάτης έχει κίνητρα χρήσης της σχετικής υποδομής (αυθόρμητη αποστολή αξιολόγησης προϊόντων και υπηρεσιών), τα οποία προβάλλονται μέσα από τη γενικότερη πολιτική πιστότητας. Μπορεί να αποτελέσει, δε, αποτελεσματική λύση για τη συλλογή δεδομένων ταυτοποίησης του πελάτη (θέμα με ιδιαίτερο ενδιαφέρον σε επιχειρήσεις λιανεμπορίου).

Τα σενάρια χρήσης είναι πολυάριθμα και εντυπωσιακά: alerting σε περίπτωση διακυμάνσεων συσχετισμένων δεικτών, μοντελοποίηση των δεικτών ικανοποίησης πελάτη και συσχέτιση με τη γενικότερη πορεία της επιχείρησης, συσχέτιση με τον δείκτη ικανοποίησης προσωπικού, συσχέτιση με ποσοστά διαφυγής πελατών, κερδοφορία και καθορισμός μακροπρόθεσμων στόχων.
Κεντρικό ρόλο στα παραπάνω έχει και η πληροφοριακή υποδομή που επιτρέπει την καταγραφή και διαχείριση παραπόνων. Αν και ο βασικός ρόλος ενός τέτοιου συστήματος είναι η απορρόφηση και άμεση επίλυση των παραπόνων, η συμμετοχή στην συγκέντρωση δεδομένων ικανοποίησης πελατών είναι σπουδαία.

Αντί επιλόγου

Συνοψίζοντας, η γνώση που παράγεται αναλύοντας τον πλούτο πληροφορίας σχετικά με τους πελάτες και την κάθε είδους επικοινωνία με την επιχείρηση μπορεί να επιφέρει εντυπωσιακή βελτίωση σε διαδικασίες σχετικές με loyalty, campaign management και μεσο-μακροπρόθεσμα στους οικονομικούς δείκτες απόδοσης της επιχείρησης. Η προοπτική της αποτύπωσης της ολοκληρωμένης εικόνας των πελατών με άξονα το συστηματικό feedback αυτών, αποτελεί την ιδανική επένδυση προς μία γενικευμένη πλατφόρμα business intelligence και υποστήριξης αποφάσεων.

Info:
Ο κ. Γεράσιμος Μαρκέτος είναι διευθυντής λύσεων BI της datamine – decision support systems (www.datamine.gr). Κάτοχος MSc in Information Systems Engineering (UMIST) και υποψήφιος διδάκτορας του Παν/μίου Πειραιώς, διαθέτει πολυετή εμπειρία στον σχεδιασμό εξειδικευμένων λύσεων data warehousing και data mining, καθώς και ανάλυσης δεδομένων πελατών (customer intelligence). Ο κ. Γιώργος Κρασαδάκης είναι ο ιδρυτής και διευθυντής της εταιρείας datamine. Κάτοχος MSc in Computational Statistics (university of Bath), διαθέτει πολυετή εμπειρία στο σχεδιασμό εξειδικευμένων πληροφοριακών συστημάτων διαχείρισης και μοντελοποίησης πελατών, καθώς και στην ανάλυση δεδομένων με εφαρμογές CRM (customer intelligence).