Analysera kunddata: 4 olika metoder

Att analysera kunddata är avgörande för att kunna ta rätt beslut. När kunddata samlas in är det viktigt att vara väl medveten om hur analysen av denna ska genomföras. Data om leads kan även vara en form av kunddata även om leads ännu inte har blivit kunder. Detta är ju något som kan påverka hur och vilken information ni väljer att samla in. Det finns flera olika metoder för analys av kunddata och detta kan beskrivas som något av en vetenskap. Fast det kan vara väl värt att investera i hjälp med att forma en kunddatabas samt att förstå den information som finns i den. Korrekt analys av kunders beteende kan definitivt leda till mycket ökad försäljning!

1)  Faktabaserad kundanalys vs magkänsla

Det är fortfarande ganska vanligt med företagsledningar som låter magkänslan styra, även vid viktiga beslut. Det är klart att man med tiden kommer att få en känsla för sina kunder och produkter, särskilt om man arbetar med metoder för regelbunden kontakt vid direktförsäljning i butik eller via nätet.

När man grundar sina beslut för verksamheten på analys av kunddata ger det träffsäkrare beslutsunderlag, exempelvis:

• Hur många köp en kund gör per år
• Vad kunden köper
• Vilka livhändelser kunden är med om (födelsedagar, flytt, barn…)
• Hur lång tid kunden spenderar i webbutiken
• Hur många produkter kunden köper per köptillfälle

Det går att göra en mycket lång lista med fakta för att sedan kunna genomföra en faktabaserad kundanalys.

Målet med att analysera kunddata är att få fler kunder att köpa oftare såväl som för större summor vid varje tillfälle. Dessutom kan ett viktigt mål vara att få kunder att stanna längre i butiken /fysisk butik eller online) eftersom detta kan leda till fler köp för större summor.

Begreppet CLV, Customer Lifetime Value, betyder en kunds livstidsintäkt. Detta värde får man fram med hjälp av flertalet dataparametrar vilka flertalet kan vara lagrade i kunddatabasen. För att få fram detta värde är en metod att utgå från kundens årsintäkt vilket är samma sak som antal köp under året multiplicerat med snittbeloppet för varje köp.

Därutöver kan man också ta fram hur många månader/ år en genomsnittskund handlar av företaget. Med denna information kan du få fram Customer Lifetime Value vilket alltså är ett faktabaserat värde man kan analysera och dra slutsatser av.

2)  Prediktiv analys av kunddata

En vanlig metod för kundanalys är den som kallas för prediktiv det vill säga att man försöker förutspå kundens kommande köp. Om man får förståelse för hur kundbeteendet samt vad man förväntar sig att de kommer att handla av företaget inom en utvald kommande period underlättar det för att tillgodose kundernas behov vilket främjar ökad försäljning.

Med den här typen av analys av kunddata kan man förstå vad kunder vill ha och när de kan tänkas köpa det de vill ha. Utifrån denna information detta kan man anpassa sina marknadsinsatser och t ex göra personlig direktmarknadsföring via e-post, SMS och/ eller telemarketing samt även produktförslag på hemsidan.

Exempel på prediktiv analys

Med en stor och strukturerad kunddatabas med information om kundernas köp samt deras civila status så kan man räkna ut vad kunderna kommer att köpa härnäst. Har en kund t ex köpt en hemförsäkring av ett försäkringsföretag kan det vara lämpligt att följa upp med information om säkerhetsutrustning för hemmet samt andra närliggande försäkringar.

Med prediktiv kundanalys kan man vara beredd på vilka kunder som kan tänkas stå inför den här typen av beslut. Det är ju något som kommer att påverka vad de köper. I kunddatabasen finns även information som kan ge ledtrådar om vad det blir för bostad eller bilmodell.

Med prediktiv analys utvärderas data utifrån:

• Köphistorik
• Individuella behov

Det handlar alltså inte om att lägga fokus på ålder, kön och inkomst så som man annars gör med traditionell analys av kunddata.

Med bättre förståelse för hur en individ kan tänkas bete sig i enlighet med det som sker i personens livs så är det möjligt att förstå vilka tjänster och produkter som kan komma att vara av intresse under kommande veckor, månader och år.

Med prediktiv analys av kunddatabas går det också att se hur mycket en viss kundkategori kan tänkas konsumera framöver. Exempelvis ökar i regel konsumtionen när en familj växer eller i samband med flytt och med denna insikten kan ett företag rikta sina marknadsinsatser till denna målgrupp vid rätt tidpunkt.

Under andra perioder i livet så konsumerar vi mindre. Med korrekt prediktiv kundanalys kan man förstå dina kunder där de är just nu i sina liv. Det är minst lika viktigt att förstå när kunder kommer att konsumera mer som när de kommer att dra ner på sina köp. Som företagsledare kan man anpassa strategin och få ut mesta möjliga av marknadsföringsinsatserna.  

3)  Analysera kundbortfall: churn-analys

Churn, eller på svenska förlorade kunder, är något man i största möjliga mån (oftast) vill undvika.  Det är ju allmänt känt att det krävs mycket mindre i energi och resurser att behålla existerande kunder än att få nya.

För att räkna ut churn-värdet för verksamhet så divideras antalet kunder som slutat handla inom en viss period med det antal aktiva kunder du hade i början av samma period. Tillsammans med prediktiv kundanalys kan churnanalysen vara till stor hjälp.

Om man ser hur churn-värdet förändras över en viss tidsperiod eller för olika typer av produkter eller tjänster kan man fatta goda beslut för hur man ska fokusera din telemarketing och marknadsföring.

Det finns också en metod som kallas för prediktiv churnanalys. Det går att förutspå churn-värdet genom att räkna på kunders aktivitet och deras beteende tidigare. Därmed kan man få fram en siffra som förutspår den churn per kund som du kommer att ha framöver.

Om man har indikationer utifrån kunddatan på att en kund är på väg att upphöra vara kund inom en snar framtid kan man sätta in de insatser som behövs för att förhindra detta. Då kan riktade insatser göras beroende på hur företags affärs- och marknadsmodell ser ut.  

4)  Förutspående kundanalys

Analys av kunddata som talar om vad som kommer att hända kan ju låta som trolleri. Och det är förstås viktigt att förstå att den här typen av kundanalys alltid löper risken att vara felaktig. Det finns en lösning som kallas för Conformal Prediction som kan vara en hjälp för att sänka risken för feltolkning av kunddata.

Conformal Prediction är en form av matematiskt ramverk där man räknar med formler som kan garanteras vara korrekta. Den här metoden kan användas tillsammans med olika typer av prediktiva kundanalyser och är ett bra verktyg för att förhindra för många felaktiga antaganden av den information som finns i kunddatabasen.

Behöver ditt företag segmenterade leads eller adresslistor för att nå nya möjliga kunder för marknadsföringskampanjer eller säljaktiviteter inom rätt kundsegment?
Kontakta oss idag så berättar vi mer!