מהו חיזוי אנליטי (Predictive Analytics) ואיך הוא מתקשר לסקרי לקוחות?
ארגונים רבים משקיעים הרבה מאוד משאבים כדי להבין את הלקוחות שלהם טוב יותר ולהיות מסוגלים לספק להם חווית לקוח טובה, יוצאת דופן ומותאמת אישית.
אך אם בעבר חברות רבות היו מסתפקות בשיטות ה״מסורתיות״ (כמו סקרי שביעות רצון) לצורך ניתוח נתונים , הרי שכיום בזכות ההתפתחות הטכנולוגית, ניתן להשתמש בכלי ניתוח מתקדמים יותר במטרה להבין את הלקוח טוב יותר (מבלי שהוא יספר בעצמו על כך). מה שעוזר לנו לצפות את הפעולות העתידיות שלו ברשת ומחוצה לה- בין אם באמצעות מידע על ההעדפות הצרכניות שלו, האינטראקציה המתמשכת שלו עם המותג, או העסקאות שהוא ביצע ברשת.
חברות רבות מבססות את הבנת הלקוח על סקרים שונים. השימוש בסקרים אכן מאוד חשוב, ובעיקר לצרכי מחקר. אך כשהכל משתנה במהירות וחברות רוצות להפוך להיות יותר פרואקטיביות, יש חשיבות גדולה ליכולת להבין את הלקוח בזמן אמת ומבלי להתבסס על המילים שלו, אלא על ההתנהגות.
אז מה ניתן לעשות מלבד סקרים? פה באה לעזרתנו ההתפתחות הטכנולוגית
היא מאפשרת לנתח שפה אנושית, להבין אותה ואף להפוך אותה לטקסט. טכנולוגיה זו מאפשרת לארגונים לנתח את המידע שמגיע מכל האינטראקציות שיש לארגון עם הלקוחות שלו, ולהבין מתוך כך את הסנטימנט של הלקוח, רמת שביעות הרצון שלו, הנטייה שלו וההתנהגות הצפויה שלו, גם בלי שאותו לקוח ידווח על כך.
תחום זה מכונה חיזוי אנליטי – predictive customer analytics. הוא מתבסס על שימוש בסוגים שונים של נתונים, טכניקות שונות מעולמות האינטליגנציה המלאכותית ומודלים של Machine Learning שמאפשרים ניתוח מהיר של כמות נתונים ואינטראקציות רבות מאוד, במטרה לייצר תובנות מדויקות יותר בנוגע להעדפות הצרכניות העתידיות של הלקוח.
חיזוי אנליטי (Predictive Analytics) VS סקרי לקוחות
חיזוי אנליטי מורכב מכמה שלבים עיקריים. תחילה נאספים נתוני הלקוחות מערוצי המידע השונים. לאחר מכן, אותם נתונים עוברים עיבוד ואינטגרציה ומאוחסנים בפלטפורמה אחידה (עוד על כך במאמר בנושא CDP). כלים המשמשים לצורך חיזוי אנליטי מכילים מספר אלגוריתמים של Machine Learning המאפשרים לעקוב אחר התנהגות ותגובות הלקוחות, כמו גם אחר רמת שביעות רצון ולזהות אירועים ספציפיים לאורך מסע הלקוח המצריכים תגובה מיידית.
בעוד שבסקר שביעות רצון, לקוח מתבקש לענות על שאלות באופן יזום ובנקודת זמן מסוימת מהעבר, כלים המיועדים לצורך Predictive Analytics מאפשרים לנו לעקוב באופן שוטף אחר הלקוח לאורך כל המסע שלו, ברשת ומחוצה לה. כך, נוכל לאתר את השינויים בהתנהגות הלקוח, בציפיות שלו, וברגש שהלקוח מרגיש כלפי המותג. בדרך זו ניתן למדוד טוב יותר את חוויית הלקוח האמיתית, לייצר חוויה רלוונטית בהתאמה אישית בזמן אמת ואף לבסס החלטות אסטרטגיות טובות יותר.
המגבלות העיקריות של סקרי לקוחות
- הגבלה כמותית– לרוב, סקרי שביעות רצון דוגמים כמות קטנה של לקוחות. מעבר לכך, אחוז העונים על הסקר בד"כ נמוך, כך שהעונים על הסקר הם בד"כ אותם לקוחות מאוד מרוצים או מאוד לא מרוצים, ולכן התוצאה הסופית של הסקר לא בהכרח מהווה מדגם מייצג.
- תגובה ריאקטיבית– סקרי לקוחות אמנם מסייעים לנו לזהות בעיות נפוצות בקרב הלקוחות, אך בניגוד לשימוש בכלים לחיזוי אנליטי, התובנות שהם מביאים מגיעות בדיעבד. מה שמונע מאיתנו לייצר תגובה בזמן אמת.
- קושי בהבנת גורמי השורש של סנטימנט הלקוח– בניגוד לחיזוי אנליטי המאפשר לנו לעקוב בזמן אמת אחר ההתנהגות הצרכנית של הלקוח ולנתח כל פעולה שהוא מבצע, סקרי לקוחות לא בהכרח מספקים לנו תשובות כנות ומפורטות מצד הלקוחות. כך שלא תמיד ניתן להצביע על גורמים ספציפיים המצריכים שינוי וחשיבה מחדש.
היתרונות של שימוש בחיזוי אנליטי ואיך זה משפיע על חוויית הלקוח
- שימור לקוחות ומניעת נטישה בקרב לקוחות- בין שלל יתרונותיו, חיזוי אנליטי מאפשר לארגונים להתמודד עם סוגיית שימור הלקוחות באופן יעיל ואפקטיבי ולאתר בזמן אמת לקוחות שניצבים על סף עזיבה. ברגע שמתקבלת אינדיקציה לגבי לקוח מסוים, ניתן לפנות אליו באופן יזום ולפעול למען שיפור החוויה שלו והישארותו כלקוח. כמו כן, כלים אלו מאפשרים לחברה לזהות מגמות והתנהגויות מסוימות בקרב הלקוחות ולבסס אסטרטגיות שיווק ושירות מותאמות יותר בהתבסס על אותן מגמות.
- לראות קדימה, מעבר לצרכים המיידיים של הלקוח- הצרכים של הלקוח מאוד דינמיים ומשתנים במשך הזמן. כך שמה שמתאים לו היום, לא בהכרח יהיה רלוונטי עבורו בעתיד הרחוק ולהפך. כך לדוגמא - רווק בשנות העשרים לחייו לא יזדקק כרגע לביטוח בריאות המכסה תלויים, אך סביר להניח שהדבר יהיה רלוונטי לגביו ברגע שהוא יתחתן ויהיו לו ילדים. חיזוי אנליטי מאפשר לארגונים להסתכל מעבר לצרכים המיידים של הלקוח ולחזות את הצרכים שלו בטווח הארוך. כך שיהיו שם בדיוק בנקודה שבה יצטרך אותם.
- מעורבות בזמן אמת– הכלים הטכנולוגיים הקיימים היום מסוגלים לעבד ולנתח נתונים בזמן אמת. יכולת זו מאפשרת לאתר אינטראקציות שליליות עם הלקוח בזמן אמת. כך ניתן לפעול באופן מידי על מנת לשפר את הרגש שהלקוח מרגיש כלפי המותג בסיטואציה ספציפית (כמו למשל, במהלך שיחה עם נציג שירות). חיזוי אנליטי מאפשר לנו לבסס תמונה מקיפה של קהל הלקוחות שלנו ולפעול באופן פרואקטיבי ומידי, במטרה למנוע בעיות וקשיים פוטנציאליים ולייצר חווית לקוח בהתאמה אישית.
מאיפה מתחילים?
- נתוני לקוחות מטוייבים ומאוחדים – על מנת שניתן יהיה להפעיל מודלי ניתוח חכמים, יש צורך להביא למאגר מרכזי את כלל נתוני הלקוחות, אשר יכלול את כל האינטראקציות מכל הערוצים שיש ללקוחות מול החברה. לאחר איסוף הנתונים, יש צורך לייצר פרופיל לקוח מרכזי, אחוד ומטוייב.
- מאגר גדול של נתונים – ככל שקיימים יותר נתונים, כך תוצאות הניתוח יהיו טובות יותר. יחד עם זאת, ברגע שארגון יודע שיש בידו לאסוף כמות גדולה של נתונים, עם הזמן, ניתן להתחיל עם סט נתונים מצומצם על הלקוח, ולהרחיבו עם הזמן.
לסיכום, אין ספק כי לסקרי לקוחות יש מקום של כבוד בכל תוכנית ארגונית לשיפור חווית הלקוח והשירות, ובעיקר לצרכי מחקר.
יחד עם זאת, כדאי לחשוב איך לשפר את התובנות ולהפוך אותן לאמינות יותר, מידיות יותר שיעזרו להוביל מהלכי שיפור פרואקטיביים מול הלקוחות בזמן אמת.
מוזמנים להשאיר פרטים כדי שיחד נוכל להעניק ללקוחות שלכם חווית לקוח יוצאת דופן.
לקריאה נוספת באנגלית על Predictive analytics
