noun_Email_707352 Breadcrumb arrow noun_917542_cc noun_Globe_1168332 Map point Play Untitled Retweet

Blogi: Viisi askelta markkinoinnin dataharhaisuudesta datakeskeisyyteen

Markkinoinnin päättäjistä 40-60% kokee organisaationsa yhdeksi suurimmista haasteista puutteet asiakasdatan hyödyntämiseen liittyvässä osaamisessa.

06 marraskuuta 2019

Elämme arjessa, jossa markkinointi, asiakashankinta ja asiakkaiden sitouttaminen muuttuvat yhä datakeskeisemmäksi ja teknologiavetoisemmaksi.

Markkinoinnin päättäjistä 40-60% (perustuen useamman viime aikoina läpikäymäni tutkimuksen tuloksiin) kokee organisaationsa yhdeksi suurimmista haasteista puutteet asiakasdatan hyödyntämiseen liittyvässä osaamisessa. Haaste on hyvin laaja-alainen. Kysymys ei ole enää pelkästään perinteisestä asiakasdatan johtamisesta ja hallinnasta, vaan myös sen automatisoinnista ja vapauttamisesta älykkäämpää markkinointia ja markkinointiautomaatiota palvelevaksi.

Olen osallistunut tänä vuonna kahteen hyvin mielenkiintoiseen paneelikeskusteluun, joissa törmäytettiin ajatuksia ja näkemyksiä asiakasdatan - olipa kyseessä sitten profiili-, transaktio- tai vuorovaikutusdata - hyödyntämisestä markkinoinnissa. Tiivistetysti kysymys on siitä, mitkä asiat meidän on syytä pitää mielessä dataa hyödynnettäessä varsinkin, kun perustamme nykyään huomattavan suuren osan liiketoimintakriittisistä päätöksistä sekä markkinoinnin käyttötapauksista ja toimenpiteistä sen varaan. Luonnollisesti myös vahvasti viime aikoina esiin nousseet suunnitelmat ja haaveet mm. ennakoivan (prediktiivisen) markkinoinnin hyödyntämisestä ovat nostaneet datan laatuun, hyödynnettävyyden parantamiseen ja hyödyntämiseen liittyvät pohdinnat pintaan.

1. Data edustaa historiaa

Data kertoo meille, mitä tapahtui. Pohjimmiltaan se siis edustaa historiaa. Vaikka ennakoivan markkinointianalytiikan esityksistä saattaa toisinaan jäädä eri vaikutelma, data ei loppupeleissä kerro, mitä tulee tapahtumaan. Me hyödynnämme asiakashistoriatietoja ja muuta historiallista dataa koneoppimismallin opettamisessa ja testaamisessa. Kaikki tämä tähtää siihen, että voimme tehdä mahdollisimman tarkkoja ja luotettavia ennusteita siitä, mitä tulevaisuudessa tulee tapahtumaan esimerkiksi tulosten tai trendien näkökulmasta, jotta osaamme esimerkiksi kohdentaa mahdollisimman oikeita toimenpiteitä oikeisiin asiakastileihin asiakaspoistuman minimoimiseksi. Toisinaan esimerkiksi toimintaympäristö ja asiakastottumukset (joidenkin mielestä myös valitettavasti) muuttuvat jatkuvasti ja aina historia ei kovin luotettavasti ennusta tulevaisuutta.

2. Data on aina epätäydellistä

Datan epätäydellisyys toimii toisinaan ”fantastisena” tekosyynä sille, miksei kannata tehdä mitään. Sen hyväksyminen, ettei meillä ole koskaan kaikkea tarvittavaa tai hyödyllistä dataa käytettävissämme, on kuitenkin tosiasioiden tunnustamista ja hyvin vapauttava tunne.

Meillä voi olla esimerkiksi verkkokaupan myyntiluvut saatavilla ja hyödynnettävissä kahdeksan edellisen kvartaalin eli kahden vuoden osalta. Näemme siis verkkokaupan myynnin kehityksen kvartaaleittain. Tämä on yksittäisenä, eristettynä tapauksena ns. täydellinen datajoukko. Kuitenkin harvojen asioiden tarkastelu eristettynä on järkevää. Päätöksentekotilanteessa (mihin panostamme ensi vuoden osalta) nimittäin huomaamme varsin pian, ettei tämä ole välttämättä ainoa datajoukko, jonka varaan haluamme perustaa päätöksemme ja toimenpiteemme. Me haluamme mahdollisesti myös ymmärtää, mikä on ollut vaikkapa tietyn maan tai asiakassegmentin ostovoiman kehityksen, tarjouskampanjoiden, kilpailutilanteen muutoksen tai verkkokaupassa tehtyjen konversiotoimenpiteiden mahdollinen vaikutus myyntilukuihin tarkastelujakson aikana. Osa tästä datasta on helposti saatavilla, osa ei. Me toimimme datalla, jota meillä on – ei datalla, jonka haluaisimme meillä olevan kerättynä ja hyödynnettävässä muodossa.

3. Asiakasdata on objektiivista, mutta sen kerääminen ja tulkinta subjektiivista

Data luo illuusion objektiivisuudesta. Kun asiakastyytyväisyystutkimus antaa NPS-kokonaisarvosanaksi vaikkapa 10, on ajan hukkaa kyseenalaistaa sitä, että kokonaisarvosana onkin itse asiassa jotakin ihan muuta. Tähän kokonaisarvosanaan liittyy luonnollisesti tiettyjä ns. isoja kysymyksiä: Mitä dataa kerättiin? Kuinka ja milloin se kerättiin? Ketä tähän tutkittiin ja haastateltiin? Tapamme tulkita dataa on yleensä hyvin subjektiivistä. Taannoinen Harvard Business Review -julkaisun artikkeli kutsui tätä ”datafundamentalismiksi”. Tähän liittyy näkemys siitä, että korrelaatio on yhtä kuin kausaatio (syyn ja seurauksen suhde) sekä massiiviset datamassat ja ennakoiva analytiikka edustavat aina objektiivista totuutta. Kun data-aineistoa on paljon, minkä tahansa kahden asian välille voi syntyä tilastollinen vastaavuus eli asiat näyttävät liittyvän toisiinsa, vaikkei näin olisikaan.

4. Markkinointidatan tarkkuus ja relevanssi rapatuvat ajan myötä

Erityisesti markkinoinnissa datalla on vääjäämättä parasta ennen -päivä. Ajatellaan vaikkapa Propensity to Buy -malleja, kun koneoppimisen kautta luotuja malleja käytetään ennustamaan toiminnan tuloksia eli tässä tapauksessa sitä, mikä markkinointitoimenpide tuottaa todennäköisimmin halutun tuloksen. Eli ajantasalla oleva asiakasdata vaikuttaa kuitenkin vääjäämättä mallin laatuun ja saavutettaviin tuloksiin. Esimerkiksi kuluttaja-asiakkaalle voi tapahtua paljon melko lyhyessäkin aikaikkunassa: hän voi mennä naimisiin, muuttaa, saada perheenlisäystä, ryhtyä vegaaniksi tms. Täästä syystä asiakasdatan jatkuva kerääminen, rikastuttaminen ja päivittäminen ovat kriittisessä roolissa. Jokainen vuorovaikutustilanne asiakkaan kanssa fyysisissä ja digitaalisissa kanavissa tarjoaa mahdollisuuden tähän. Lisäksi on syytä pitää mielessä, ettei läheskään kaikki asiakasdata ole aidosti arvokasta. Tämän määrittelyn suhteen on hyvä olla kriittinen jo keräämisvaiheessa.

5. Markkinoijien ei tarvitse hankkia matematiikan taitoja hyödyntääkseen älykästä, dataohjautuvaa markkinointia

Viime vuonna Demandbasen ja Wakefield Researchin tekemässä tutkimuksessa 80% B2B-markkinoijista arvioi tekoälyn mullistavan markkinoinnin vuoteen 2020 mennessä. Ainoastaan 26% tunsi organisaationsa olevan ”mukavuusalueellaan”, mitä tulee tekoälyä hyödyntävien markkinoinnin teknologioiden ja sovellusten hyödyntämiseen. Markkinointiosastojen ei kuitenkaan tarvitse alkaa kouluttaa koko henkilöstöään edistyneen matematiikan, tilastotieteen ja algoritmien maailmaan hyödyntääkseen koneoppimista ja sen tarjoamia mahdollisuuksia markkinoinnissa ja asiakasvuorovaikutuksessa. Johtavat markkinoinnin automaatio- ja orkestrointialustat integroivat tekoälyn saumattomasti mm. tiedon visualisointiin, segmentointiin ja personointiin.

Näiden modernien työkalujen hyödyntäminen vaatii kuitenkin lähes poikkeuksetta melkoisen toimintatapamuutoksen. Monet markkinoijat rajoittavat tällä hetkellä datan hyödyntämisen kampanjoiden tehokkuuden peruutuspeiliarviointiin. Tämä yhdistettynä vanhakantaisiin datanhallintaprosesseihin jättää usein vähän aikaa vahvemmin eteenpäin katsoviin analyyseihin ja proaktiivisten toimenpiteiden suunnitteluun. Markkinointiteknologia, joka aidosti virtaviivaistaa liiketoiminnallisen suorituskyvyn ja tehokkuuden mittaamisen eri kanavissa ja kosketuspisteissä tarjoaa parhaimmillaan mahdollisuuden lähes reaaliaikaisen analyysiin, mikä puolestaan mahdollistaa juurikin proaktiivisemman ja ennakoivan tavan vastata asiakastarpeisiin.

Itsestäänselvyyksiä? Ehkä, mutta miksi nämä itsestäänselvyydet niin usein unohtuvat arjen suunnittelussa ja tekemisessä.

------

Marko Saarinen is a principal consultant and head of marketing science at Tieto's Customer Experience Management. As a customer insight and data-driven marketing professional, Marko has studied and influenced the effects of data utilization and emerging phenomena and technologies on business, sales, marketing, and customer experience optimization.

Blogi on julkaistu alun perin IAB Finlandin sivustolla.

 

Haluatko tietää lisää?

Marko Saarinen

Head of Salesforce and Marketing Science

Jaa Facebookissa Jaa Twitterissä Jaa LinkedInissä