Kunddata är guld – men vilken data bör ligga till grund för beslut?

I del 1 av denna serie pratar jag om vikten av att förflytta och fördela ansvaret för lönsamhet. I slutändan är min övertygelse att en stor del av detta jobb tas över av algoritmer och automatiserade processer för att vi kommer helt enkelt inte hinna med att med mankraft göra det jobb som är nödvändigt för att ta väldigt många små men viktiga beslut för att maximera lönsamhet i varje transaktion. Som ett led mot automation så måste dock analysunderlaget kvalitetssäkras och färdigställas. En stor del av det jobbet handlar om att lära känna sin kund och agera på närmast individuella beteenden eller åtminstone segmenterade beteenden. Då är bara frågan vad ska vi nyttja för data för att bygga segmenten?

Transaktionsdata eller mer beteendegenererad 360 data?

Transaktionsdata eller beteendedata, vad lämpar sig bäst för att segmentera kunder? Det finns många åsikter och diskussioner på ämnet där det argumenteras för eller emot transaktionsdata jämfört med andra typer av analyser såsom 360 betendekartläggning av hur kunder beter sig på siten, i digital marknadsföring och sociala medier. Jag hävdar inte att någon har rätt eller fel i den argumentationen men har dock en stark uppfattning om vilken ordning man bör tugga i sig elefanten för maximal och mest korrekt effekt. Dock helt beroende på, vilket ofta lämnas utanför diskussionen…, VAD ska man använda resultatet av kundsegmenteringen till? Min poäng är, det är inte lönt att prata för eller emot den ena eller andra sättet utan att samtidigt prata om vad man skall använda kundsegmenten till.

För att förbättra siten, kartlägga och optimera kundresor, öka konvertingsgrad, automated marketing mm så är det naturligtvis värdefullt att ha koll på kunders beteendemönster. När det gäller kundsegmentering i syfte att ge rätt kunder rätt erbjudande för att driva omsättning och lönsam försäljning (vilket bör ligga högt upp på de flestas önskelista) så är jag inte lika säker. Jag hävdar att man behöver få koll på sin transaktionsdata först för att med bra kvalitet se vilka köpmönster som driver lönsamhet och vilka som inte gör det. När den analysen är på plats och ligger till grund för digital marknadsföring, kampanjer, merchandizing, prisbild på tjänster eller tillgång till tjänster mm så kan den förfinas mha av andra mätningar såsom beteendekartläggning på site mm. Att vända på kakan och göra tvärtom kan dock skapa stora negativa konsekvenser ur ett lönsamhetsperspektiv – varför då kan man undra?

Låt oss blicka tillbaka på kundsegmentering och de modeller som legat till grund för kundklubbar, VIP erbjudanden, rabatter mm. Den vanligaste är RFM (Recency, Frequency, Monetary) med varianter, vissa använder LFV (LiFetime Value) modeller men jag är skeptisk på hur bra den modellen är ur ett säljstyrnings/marknadsföringsperspektiv. Tänker mer att den är lämpad för långsamt rörliga, långsiktiga kundrelationer med förutsägbara köpintervall vilket är ganska långt ifrån var e-handel/fashion är idag. RFM skapades innan postorder, distanshandeln och e-handeln uppfanns och har därmed använts av klassisk detaljhandel. Dilemmat är då att den är skapad och designad för de köp och säljbeteenden som fanns i fysiska butiker och därmed hävdar jag att behöver justeras eller ersättas med modeller som tar nya köp & säljbeteenden i beräkning. Framförallt är det den sista parametern “Monetary” vilken vanligtvis brukar vara omsättning per kund som behöver vridas på. Den är helt korrekt i traditionell handel då hög omsättning i väldigt stor grad var samma sak som hög lönsamhet. Detta baserat på att inköpare och pris-strateger gjort sitt jobb naturligtvis. I e-handeln och då framförallt fashion så träder dock andra parametrar in såsom operativa och logistiska kostnader som beroende på returgrad helt eller delvis slår ut den gamla sanningen att hög omsättning är detsamma som hög lönsamhet.

Analys av köp och returmönster påvisar att returer inklusive alla operativa och logistiska kostnader som uppstår påverkar lönsamhet på kunder till grad den att gamla modeller blir direkt felaktiga. Konsekvensen blir att kunder som konstant nyttjar rabatter, fria returer och möjligheten att flytta hem provrummet i praktiken driver negativ marginal – dvs kostar er pengar. I era omsättningsdrivna CRM verktyg eller mer beteendebaserade 360 verktyg så ser de bra ut. De både handlar mycket, klickar runt på siten och reagerar på er digitala marknadsföring och har ett högt engagemang. Ni skulle nog säga at de ”konverterar bra” problemet är bara att det är ingen lönsam konvertering…och bidrar helt enkelt inte till ert bolags vinstmarginal och det är där någonstans skon klämmer rejält. Konsekvensen av denna skoskav bidrar i fashion-branschen stort till låga eller inga marginaler…..

Så, vad ska vi då använda oss för metod för att segmentera våra kunder i syfte att driva omsättning & lönsamhet? – jo, just det lönsamhet eller mer specifikt ”korrekt lönsamhet” eller det mer kända engelska begreppet ”true profitability”. Förenklat så visar det begreppet er riktiga nettoförtjänst på konsumenten alla operativa och logistiska kostnader inräknat i de nya köp, retur och bytesmönster som uppstår i den nya handeln. Vi kan diskutera 360 analyser, kvalitativ kartläggning av kundresor mm men när det kommer till kritan så är det ”korrekt lönsamhet” som räknas för det är den som genererar värde i bolaget, betalar era löner och skapar förutsättning för välmående på kort och lång sikt. Därför måste vi få koll på den först och sen addera kvalitativa förbättringar som på ett kontrollerat sätt ger än mer positiva effekter på tillväxt och lönsamhet.

Summering

Med detta sagt så summerar jag kundsegmentering i e-handeln till tre ”take away´s”.

  1. Koppla alltid VAD ni ska använda segmenteringen till vilken metod som väljs.
  2. Kvalitetssäkra och ta vara på värdet av transaktionsdata först, hela köp, retur och bytesresan inkluderad.
  3. Addera mer kvalitativa delar steg för steg väl motiverat och direkt kopplat till vad det ska användas till.

Det tredje och sista inlägget i denna serie kommer visa hur mycket mer rätt ”true profitability” segmentering har och peka på effekten det kan ge.

/Markus Nordlund