I vår bransje møter vi ofte kunder som har en formening eller en magefølelse de danner beslutningsgrunnlaget sitt på, og ikke fakta. Det skal vi hjelpe kundene våre med.
Kunden har ofte ikke sett inn i de kundedata de alt har, eller opparbeidet det datagrunnlaget de trenger for en best mulig treffsikker måloppnåelse. Det kan ha store konsekvenser om antagelsene ikke stemmer.
Vi driver ikke med gambling! Derfor har ROCS spesialisert seg på å se på hvilke data våre kunder trenger, hvordan opparbeide disse, analysere resultatene og fremlegge dette på en forståelig måte. Slik får våre kunder eierskap og forståelse for sine egne data. På denne måten kan vi kjøre kommunikasjon som er treffsikker og øker resultatet på bunnlinjen, kortsiktig så vel som langsiktig.
Innsiktsprosjekt
Magefølelse eller fakta. Vi vil derfor dele innsikt i hvordan vi gikk frem hos en kunde innenfor Telekombransjen. Selv om det i dette tilfelle dreier seg om Telekom, så kan fremgangsmåten og hvordan vi arbeidet overføres til samtlige bransjer. Vår kunde hadde et konkret ønske om å selge flere datapakker og lurer på hvordan deres forbrukere brukte sine inkluderte mobildata. De hadde en hypotese om at deres forbrukere oppførte seg på to distinkte måter med tanke på mobildata, dette basert på magefølelse. Oppgaven besto derfor i å sjekke om denne hypotesen stemte. For å gjøre dette måtte vi foreta en analyse av “Big Data” – en analyse av store datamengder for å forstå atferdsmønstret til forbrukerene. På denne måten kan man enklere se på hovedtendensene i atferdsmønstret.
Segmenter
Segmentering i kundeanalyse er viktig fordi det bidrar til å identifisere forskjellige grupper av kunder med lignende behov, preferanser og adferd. Dette gjør det mulig for bedrifter å skreddersy sine produkter, tjenester og markedsføringsstrategier for å bedre imøtekomme disse ulike kundegruppenes behov, noe som resulterer i økt kundetilfredshet, bedre målrettet markedsføring og forbedret lønnsomhet.
I dette prosjektet delte vi opp kundegruppen i demografi, hvilken type telefon den enkelte hadde, hvilket abonnement og hvor mye den enkelte kjøpte i nettbutikken.
Datagrunnlaget – hva ble målt
For å gjøre dette ble følgende datagrunnlag satt som mål: Datagrunnlaget består av 1 måneds bruksdata – altså 5 GB data – dette målt i minutter. Det ble bare benyttet netto volum av forbruksdata per dag i måneden, og per time per dag på hver enkelt kunde.
Dette ble videre vist i daglig og månedlig forbruksmønster. Da fikk hun oversikten over hvordan hver enkelt forbruker brukte sin data. Forskjellen mellom hverdag og helg, bruk pr dag utover i måneden, når de gikk tom for data, forskjell i bruksmønstret hos de som gikk tom for data og de som ikke gikk tom.
Dette ble lagt frem for kunden i PowerBI, som er et visualiseringsverktøy som enkelt viser grafer og analyser forståelig – selv for de uten dyp kompetanse i dataanalyse.
Resultat
Det fremkom at forbrukerne starter med forsiktig databruk, før det øker utover i måneden og avtar mot slutten. Det ble også tydelig at det er en markant forskjell mellom hverdag og helg, med et lavere forbruk i helgene. Vi kunne også se nærmere på alder og forbruket i de forskjellige aldersgruppene. Vi identifiserte attraktive kunder med stort dataforbruk og lite sensitive kunder med et jevnt forbruksmønster gjennom måneden. I tillegg fant vi ut at relativt mange går tom for data og responderer positivt på varsling om at de nå går tom. De vil da kjøpe mer data og dermed øke forbruket – de har da en høy konverteringsrate. Dette har en direkte innvirkning på bunnlinjen.
Ble du i tvil om dere beslutter de viktige avgjørelsene på riktig beslutningsgrunnlag, eller ser du et direkte behov for å se nærmere på deres datagrunnlag og trenger litt hjelp – så er det bare å ta kontakt med en av våre rådgivere. Vi forteller gjerne mer om hvordan vi har jobbet på denne type innsikts-prosjekter.
