Data voor meer rendement uit klantreis optimalisatie

Customer experience

Een customer journey optimaliseer je sneller en beter door slim gebruik van data. In dit artikel: Hoe laat je data voor je werken bij het verbeteren van de klantreis? En hoe begin je als je geen Google of Amazon heet?

Customer experience = the new differentiator, data = the new oil

In veel markten wordt het product steeds meer een commodity, en moeten bedrijven zich vooral onderscheiden op de beleving die ze klanten bieden. Dus starten veel bedrijven met verbeterprogramma’s met sleutelwoorden: klantreis en klantbeleving. Opvallend is dat die programma’s in de meeste gevallen grotendeels zijn gebaseerd op onderbuikgevoel in plaats van harde data over klantgedrag en -beleving. En dat is gek, want er zijn veel onderzoeken die laten zien dat sneller groeiende bedrijven hun beslissingen vaker op data baseren. Waar gaat het mis?

We zien twee uitdagingen waar veel organisaties mee worstelen bij het effectief benutten van (klant)data:

Het gestructureerd vastleggen en ontsluiten van data. Lees bijvoorbeeld ons artikel over de requirements omtrent datavastlegging en -toegankelijkheid op weg naar een 360-graden klantbeeld.
Het hanteren van een duidelijke aanpak om op basis van data gericht te verbeteren.

In dit artikel gaan we in op de tweede uitdaging. Met welke aanpak laat je data wél voor je werken bij het verbeteren van klantbeleving en hoe omzeil je veel voorkomende valkuilen?

Figuur: De voordelen van Data driven customer journey optimalisatie

‍‍Data analyse voor bepalen meest kansrijke verbeterrichtingen

Je wilt de klantreis verbeteren, dus maar direct aan de slag met ideeën of met een aantal klanten in gesprek? Klinkt logisch. Toch kun je hier flink wat tijd verspillen aan zaken die weinig zullen bijdragen aan échte verbetering. Data analyse geeft hier richting door inzicht te bieden in de belangrijkste impactfactoren voor de doelstellingen van de organisatie. Denk aan: Waar haken de meeste klanten af? Welke klantprofielen vertonen het ongewenste gedrag? Welk contactkanaal presteert slechter dan andere? Met deze data inzichten kom je in de design fase gerichter tot ideeën en winnen ook eventuele verdiepende klantinterviews sterk aan kracht. Je weet dan immers welke klanten je moet spreken over welke onderwerpen.‍

Analyseer op 3 niveaus; touchpoint, service level, context

‍De analyses die je kunt uitvoeren zijn natuurlijk afhankelijk van de data-maturiteit van de organisatie. Om analysetechnieken als process mining in te kunnen zetten, is het bijvoorbeeld noodzakelijk data uit verschillende bronsystemen te kunnen koppelen. Dankzij deze koppeling kan tot op klantniveau inzichtelijk worden gemaakt welke touchpoints klanten daadwerkelijk doorlopen, in welke volgorde en in welk tijdsbestek. Naast de bottle necks in het proces die zichtbaar worden, blijkt vrijwel altijd dat veel klanten een andere klantreis doorlopen dan de organisatie denkt.

Maar ook andere, meer pragmatische analyses kunnen tot scherpe inzichten leiden. Ongeacht de gebruikte techniek, richt de analyse zich over het algemeen op drie niveaus:

‍Niveau 1 - touchpoint: wat is de impact van het (niet) ervaren van een touchpoint?

‍Allereerst richt de analyse zich op de vraag welke touchpoints (bijv. een mail of telefoongesprek) de meeste impact hebben op de doelen van de organisatie. Hierbij kijken we of het (niet) doorlopen van een touchpoint de beleving en het gedrag van klanten significant beïnvloedt. Wat doet het (niet) ontvangen van een after-service call voor klanttevredenheid en churn? Of het downloaden van een productinformatiebrochure voor conversie en cost to serve (doordat mogelijk minder klanten dezelfde informatie telefonisch gaan uitvragen)?

‍Niveau 2 - service elementen: wat is de impact van het type service dat we binnen een touchpoint bieden?

‍Een touchpoint kan op verschillende manieren worden ingevuld. Neem bijvoorbeeld het touchpoint ‘klant belt met een vraag over X’. Enkele relevante service elementen hierbij: reactiesnelheid, duur van contact, first time fix, expertise medewerker (algemene helpdesk vs. specialist), etc. Analyse op dit niveau maakt per service element inzichtelijk hoe groot de impact hiervan is op de bedrijfsdoelstellingen en waar de belangrijkste verbeterkansen liggen.

‍Niveau 3 - contextuele factoren: welke impact heeft de context van de klant tijdens het contact?

‍Vaak hebben ook factoren buiten de organisatie invloed op de beleving en het gedrag van klanten. Denk aan het weer, seizoen, tijdstip van de dag, leeftijd, gezinssituatie van de klant, etc. Dat zijn vaak factoren waar je geen of weinig invloed op hebt, maar waar je mogelijk wel op kan anticiperen. Denk aan het inzicht dat een service call vroeg in de avond beter wordt gewaardeerd dan een telefoontje tijdens kantoortijden.

Figuur: Data driven customer journey analyse op drie niveaus

4 tips bij data analyse voor customer experience

Tijdens de hierboven beschreven analyses liggen verschillende valkuilen op de loer, waar we in de praktijk veel organisaties mee zien worstelen. Lees hier hoe je ze ontwijkt:

‍1. Een uur hypotheses formuleren scheelt een dag analysewerk

‍Als je het datateam vraagt om ‘alle relevante data voor het verbeteren van de klantreis’, is het datateam langer (van hun kostbare tijd) bezig om een vaak onvolledige dataset te verzamelen. Ook de analist is niet geholpen met de opdracht ‘maak even wat slimme analyses’ en heeft dus richting nodig. Om de juiste data te verzamelen in de organisatie en focus aan te brengen in je analyse is het belangrijk vooraf met een multidisciplinair team (met kennis van de klantreis) scherpe hypotheses te formuleren. De tijd die je daarin investeert, verdien je dubbel en dwars terug.

‍2. Kijk verder dan het gemiddelde en analyseer onderscheid tussen segmenten

‍Bij een verzekeraar zagen we dat voor een specifiek touchpoint selfservice bediening 88% goedkoper was dan de bediening per telefoon. Echter was het verloop van klanten die voor selfservice kozen 2x hoger. Conclusie: …niet te snel conclusies trekken. Allereerst is het zaak de absolute verschillen te achterhalen. Het maakt nogal uit of het om een churn van 1 vs. 2 klanten gaat of 10.000 vs. 20.000 klanten. Ten tweede kan een verdiepende analyse (bijv. op klantsegmenten) het inzicht nuanceren en bijdragen aan een slimmer besluit. In plaats van ‘welk kanaal moeten we dicht zetten?’ gaat het gesprek dan misschien wel over ‘hoe kunnen we (jongere) digital savvy klanten naar het selfservice kanaal sturen en andere klanten sneller naar telefoon?’.

‍3. Ga op zoek naar gedragsvoorspellers en speel hier proactief op in

‍Facebook kan vrij nauwkeurig voorspellen wanneer een liefdesrelatie stukloopt, omdat mensen in de maanden ervoor ineens een stuk actiever worden. De kunst is om een ‘early warning’ mechanisme te bouwen dat het klantgedrag voorspelt dat relevant is voor jouw klantrelatie. Zo zien we in analyses vaak dat klanten die al een tijd geen contact hebben gehad met je bedrijf, eerder bij je weg gaan. Door proactief (eventueel geautomatiseerd) in te spelen op dergelijke signalen bedien je klanten vóór in plaats van óp hun wenken.

‍4. Bouw een strategische feedbackloop om prestaties stapsgewijs verder te verbeteren

‍Naar het build-measure-learn principe, bekend uit de lean startup methode, is het zaak om de prestaties van verbeterinitiatieven te blijven monitoren en verder te optimaliseren. Bouw hiervoor een strategische feedbackloop op basis van je belangrijkste parameters voor succes. De prestaties worden volgens een vaste frequentie gerapporteerd aan de teams waarvoor deze relevant zijn. Update de te volgen parameters o.b.v. nieuwe kennis die wordt opgedaan in bijvoorbeeld aanvullende onderzoeken. Zo wordt stapsgewijs gebouwd aan een lerende organisatie.

Aan de slag! (er kan meer dan je denkt)

Denk je nu nog steeds: “Ja maar… wij houden bijna geen data vast, wij zijn daar nog niet aan toe.”? Goed nieuws: Je hoeft namelijk geen Google of Amazon te heten om data-gedreven te verbeteren. Het credo luidt: begin klein door te kijken welke data wél beschikbaar zijn en welke inzichten en verbeteracties je hier al uit kunt halen. Zo konden we bij een verzekeraar op basis van het aantal foutmeldingen per invoerveld in een aanvraagstraat al een probleem verhelpen dat bij 108% van de klanten voor kwam (bij sommige klanten kwam de fout meermaals terug). Resultaat: Irritatie bij klanten omlaag, conversie omhoog.

Benieuwd hoe je data voor jouw vraagstuk kan laten werken? Neem gerust eens contact met ons op om te sparren over jouw vraagstuk.