Del artiklen
Berig dit netværk med denne nyhed.
19 mar 2018
De fleste har prøvet at kigge på et produkt på nettet for straks at blive anbefalet at købe en relateret vare. "Andre der købte denne maling købte også denne pensel," lyder anbefalingen i malerbutikkens webshop. Bag anbefalingen gemmer sig nogle algoritmer, der finder mønstre på tværs af kundernes købsadfærd på nettet. Algoritmen deler kunderne op i forskellige segmenter ud fra antagelsen om, at hvis tilstrækkeligt mange personer, køber, ser eller lytter til de samme ting, så er der en vis sandsynlighed for, at de også vil gøre det i fremtiden. Det er blandt andet derfor, Netflix anbefaler dig at se serien Breaking Bad efter, at du har set Narcos. For det er der mange andre, der gør. Men i denne ligning mangler der noget grundlæggende viden om, hvem kunden er. Og det har mange danske detailvirksomheder ikke været gode nok til at udnytte ifølge Jacob Laustsen, chef for forretningsudvikling i Bisnode.
Et eksempel på problemstillingen kan findes i flere tøjbutikker, men er generelt for hele detailbranchen ifølge Jacob Laustsen. Når en kunde køber en trøje i butikkens webshop, vil algoritmerne eksempelvis foreslå et par bukser, som andre kunder også har købt sammen med trøjen. Men systemet overser måske nogle helt andre behov, fordi den ikke har en helstøbt profil af vedkommende. Det er der dog en løsning på, forklarer Jacob Laustsen. Ved at kombinere data fra forskellige kilder, kan butikken eksempelvis finde ud af, at kunden er en kvinde i starten af 30'erne, der netop er flyttet til et nybyggerkvarter. Statistisk set er der på den baggrund en høj chance for, at hun har små børn. Og da det netop er blevet vinter, vil de sandsynligvis have behov for en flyverdragt. Når kvinden således går ind i butikkens webshop eller fysiske butik næste gang, vil hun blive mødt med et tilbud på en flyverdragt – før hun køber den hos konkurrenten.
Demografiske data kan eksempelvis sige noget omkring en persons indkomst, alder, køn, børn og så videre. "Disse aggregerede data kan bruges til at regne en karaktertype ud med en vis sandsynlighed," siger Jacob Laustsen og påpeger, at fordi data er baseret på statistik frem for konkret viden om den enkelte kunde, så er det også med til at beskytte deres privatliv. "Der er næsten altid mulighed for at optimere salget ved at bringe eksterne data og interne variabler i spil. Det er bare ikke altid, at butikkerne er klar over det," afslutter Jacob Laustsen.
Artiklen har været bragt i Fremtidens Detail, Berlingske Media
Den oftest oversete fase er at nedskrive formålet med strategien og defi nere de enkelte KPI'er. Det handler om at spørge sig selv, hvad formålet er med at samle data ind om kunderne og defi nere nogle mål, fx 20 pct. mersalg.
Lav en plan for hvilke data, du skal have fat på, og hvor du skaffer dem - fx i kundeklubben eller fra de folk, der møder op i de fysiske butikker. Man kan også købe aggregerede data ind eksternt. Data skal bidrage til at opfylde de overordnede mål.
Inddel forbrugerne i forskellige segmenter baseret på de data, du har om dem. Hvor dyre produkter køber de, hvor stor er husstanden, er det en børnefamilie? Spiller de tennis, er det interessant at vide, om de gør det på det lokale anlæg eller har egen tennisbane i baghaven. Segmentet afgør, hvor meget de vil betale for en tennisketcher. "Det er en viden, som mange virksomheder ikke har i dag, fordi de ikke bruger eksterne datalag," siger Jacob Laustsen, Bisnode.
Hvor, hvornår og hvordan vil du tale til de forskellige kundesegmenter? Både kommunikationsform, budskab og platform bør afhænge af det kundesegment, man henvender sig til.
En god strategi bliver løbende revideret, fordi man analyserer på indsatsen og fi nder ud af hvad, der virker. En hypotese kan være, at en kunde også er interesseret i børnetøj. Men reagerer hun ikke på anbefalingerne, skal virksomheden kunne måle det og stoppe indsatsen.