Analüütiline CRM toob lahenduse andmekaosele

Kliendikeskse lähenemise tuhinas võib aga ununeda, et peale kliendiinfo kogumise on vajalik kliendi andmeid seostada teiste andmeallikatega ja hinnata müügitegevuste mõju ettevõtte eesmärkide täitmisele.

Probleem väljendub tihti selles, et pärast CRMi juurutuse lõppu hakatakse tellima juurde uusi ja uusi aruandeid.

Samas võib juhtuda, et suur aruannete hulk ei taga rahuolu juhtimisinfoga. Seda eelkõige sellepärast, et aruanded näitavad fakte ehk vastavad küsimusele "mis juhtus?" (näiteks, kui suur oli käive, kogus või arvete hulk), kuid ei anna kasutajale võimalust andmeid omavahel seostada.

Miks käive oli täpselt selline, nagu see oli? Kas klientide hulk kahanes? Kas kontaktide hulk kahanes? Kas toodete kättesaadavusega oli probleem?

Kliendisuhete juhtimise tarkvara jagatakse oma iseloomult kahte gruppi. Operatiivseks CRMiks nimetatakse tarkvara, mille fookus on äriprotsessidel. Analüütiliseks CRMiks aga tarkvara, mille fookus on andmetöötlusel, juhtimisinfo toomisel ning andmete analüüsil.

Operatiivse CRMi abil võime koguda hulga andmeid, kuid kui me neid andmeid ei töötle ega muuda informatsiooniks, mis on omakorda aluseks juhtimisotsuste langetamisel, ei omanda väärtust ka kõik kogutud andmed. Analüütilise kliendisuhete juhtimise tarkvara eesmärk on muuta kuivad kliendiandmed sisuliseks informatsiooniks kliendi käitumise ja soovide mõistmisel ning kliendiga seotud tegevuste tulemuslikkuse hindamine.

Näiteks, kui on teada, mitu kohtumist müügimehed tegid, siis on võimalik ennustada tehtavate pakkumiste arvu, sellest omakorda saab pakkumiste võitmise määra kaudu ennustada võimaliku käivet.

Konkreetseid mõõdikuid on raske loetleda, kuna need varieeruvad ärivaldkonniti. Mõõdikute otstarbekuse hindamisel on igal ettevõttel vaja otsustada, kas peale mahte iseloomustavate mõõdikute on olemas ka efektiivsust ning kvaliteeti peegeldavad mõõdikud.

Siinkohal tuleb rõhutada, et mõõtma ei peaks ettevõttes mitte ainult tegevuste väljundeid (neid on lihtne mõõta!), vaid eelkõige peaks mõõtma tegevuste mõju ja tulemuslikkust lähtuvalt püstitatud eesmärkidest.

Mõnikord arvatakse, et andmetöötlus on väga aeganõudev, selle meetodid raskesti arusaadavad ning neil on vähe seost igapäevaste äriprotsessidega. Praktikas on siiski kinnitust leidnud, et 80% analüüsimeetoditest on lihtsad, olgu need siis andmete grupeerimine, lisandväärtustamine, üldistamine või summeerimine.

Lihtne on ettevõttes igale kliendi ostutehingule n-ö juurde kleepida tunnus, mis näitab, mitu kuud oli selle ostutehingu puhul möödas kliendi esimesest ostust. Selle lisavälja olemasolul saab ettevõte väga ülevaatliku analüüsi, kui palju müügimahust on seotud eelmiste aastate klientidega ja kui palju uute klientidega. See annab võimaluse hinnata kliendihaldurite töö tulemuslikkust.

Samuti, teades klientide ostukäitumist aegreana, saame leida kliendid, kelle ostukäitumine erineb üldisest käitumisest ja see annab võimaluse lisamüügiks. Või analüüsida seda, kui palju on võimalik kliendile esimesel korral teha soodustust, et tema hilisemad ostud kataks algselt tehtud soodustusi.

20% meetoditest võib liigitada statistilisteks andmetöötluse meetoditeks ning nende puhul on sageli vaja kaasata spetsialist, kes soovitaks, milliseid meetodeid kasutada. Üldjuhul kasutatakse statistilisi meetodeid kas mingi kindla nähtuse kirjeldamiseks või mõne arvsuuruse ennustamiseks.

Näiteks võib arvutile ette anda kassatšekkide andmebaasi ning lasta analüüsida, millised jooned iseloomustavad kliente, kes on ostnud jogurtit.

Arvuti vastus võib kõlada umbes selliselt: "Jogurtit ostavad X% osas naised vanuses 20-35 aastat, kes käivad poes enamasti õhtuti ja nädalavahetustel ning kelle ostukorvis on peale jogurti veel lihatooted ja soolased suupisted."

Analüütilise CRMi juurutamise edukus sõltub andmete kvaliteedist.

Sageli on ettevõttes tavapärane olukord, et pole leida ühtegi inimest, kes oskaks öelda, millised andmed tekivad, kuidas need tekivad ja mis on andmete omavahelised seosed.

Samuti on probleemiks, et vajalike andmeid pole üldse kogutud. Seega: et luua analüüsisüsteem, mis looks ettevõttele lisandväärtust, on vajalik peale tarkvaralise lahenduse muretsemise vastata ka mõnele küsimusele. Kes hakkab analüüsisüsteemi hooldama? Kes vastutab andmete olemasolu eest? Kas ettevõtte otsustusprotsess väärtustab kvaliteetselt töödeldud andmeid?

Rahvusvahelised uuringud näitavad, et vaev analüüsisüsteemi loomisel tasub ennast ära, sest saadud tulemuste abil on võimalik tõsta ettevõtte käivet kontsentreerudes tulusamatele klientidele.

Samuti vähendada kulusid, elimineerides kahjumlikumad olukorrad ja kliendid, ning kiirendada teenindusega seotud tegevusi.