Massiivinen asiakasdata toimenpiteiksi – 3 havainnollistavaa esimerkkiä

2 elokuun, 2021
Tommi Tallgren

Valtava asiakasdata käytännön toimenpiteiksi. Tähän keskitymme tämän blogikirjoituksen kolmessa yrityskeissiesimerkissä. Kerron muun muassa ratkaisun siihen, miten yritys joka vastaanottaa kymmeniä tuhansia asiakaspuheluita kuukaudessa, pystyy korjaamaan puheluihin liittyvät keskeisimmät ongelmat. Kerron, kuinka voit saada selville 100 000 chat-keskustelun kysytyimmät aiheet automattisesti ja reaaliaikaisesti. Ja lisäksi, kuinka tekoäly pystyy auttamaan yritystäsi näkemään avointen asiakaspalautteiden keskeisimmät ongelmat. Vieläpä niin, että pystyt korjaamaan ne ja saavuttamaan tuloksia tekoälyn tuottamien havaintojen perusteella.

Jos yritykselläsi on haasteita asiakasdatan kokonaisvaltaisemman ymmärtämisen suhteen, jatka lukemista. Tässä blogikirjoituksessa jaan kolme tapausesimerkkiä, jotka havainnollistavat, miten organisaatiosi päivittäisiä toimia ja yleisesti liiketoimintaa voidaan kehittää tekoälyn ja koneoppimisen avulla.

Havaintoja asiakasdatasta tekoälyn ja koneoppimisen avulla

Aluksi lyhyesti teknologiasta, joka on pääroolissa kun pyritään tuottamaan asiakasymmärrystä massiivisesta avoimesta teksti- tai äänipohjaisesta asiakasviestinnästä.

Uniikin palvelumme teknologia mahdollistaa sen, ettei tekoälyä ohjaa vain esiopetetut mallit, jotka rajoittaisivat reaaliaikaisten havaintojen ymmärtämistä. Aiwo on onnistunut luomaan ratkaisun, joka analysoi asiakasviestinnässä esiintyvät pääaiheet ja tarjoaa palautteesta toimenpiteitä vaativat asiat liiketoimintasi kehittämiseen. Asiakasviestinnästä muodostuva "raaka" asiakasdata voi sisältää kymmeniä tuhansia tai jopa miljoonia viestejä tai keskusteluita.

Aiwon uusin teknologia poistaa kielimuurit ja tukee monikielistä dataa, mahdollistaen havainnot juuri haluamallasi kielellä. Aiwon tekoälypohjainen laadullinen analyysi tarjoaa teematasoisen ymmärryksen lisäksi myös tunnepohjaisen eli sentimentit näyttävän analyysin, jonka avulla yrityksesi pystyy löytämään mikä asiakkaitasi häiritsee ja mikä tekee heidät iloisiksi.

Kaikki tämä on mahdollista saavuttaa ilman manuaalista koodausta tai  vaativaa integrointi työtä. Ainoa, jonka Aiwo tarvitsee on data!

Toisin sanoen tekoälyn ja koneoppimisen avulla voidaan poistaa datamääriä rajoittavat tekijät. Aiwo CX -palvelu pystyy:

  • vastaanottamaan esimerkiksi 10 000 puhelua viikossa ja löytämään puheluista pääsyyt, miksi asiakkaat soittavat yritykseen,
  • lukemaan jokaisen asiakastukeen tulevan sähköpostiviestin (esim. 10 eri kielellä) ja kertomaan viesteistä kipupisteet, jotka vaativat toimenpiteitä,
  • lukemaan jokaisen chat -keskustelun (vaikka satoja tuhansia kuussa) ja saada selville reaaliajassa, mitä asiakkaat yritykseltäsi ensisijaisesti kysyvät,
  • tarkastelemaan jokaista avointa palautetta tai NPS:n avointa tekstivastauskenttää sekä löytämään esimerkiksi 8 tai alle NPS-luvun saaneista palautteista alueet, jotka vaativat kehittämistä. Tällä tavoin voit parantaa NPS-lukuasi pohjautuen datalla ohjattuihin toimenpiteisiin!

Syvennytään seuraavaksi kolmeen tosielämän yritystapaukseen, jotka tarjoavat mainiot esimerkit siitä, miten Aiwo CX -palvelua voi hyödyntää käytännössä.

Esimerkki 1: Löydä ja poista häiriökysyntä asiakasdatasta

Aiwo häiriökysyntä puhelin asiakasdata

Esimerkki 1: Esimerkkejä sähköyhtiön puhelinkeskuksen tiedoista ja Aiwon avulla saavutetuista havainnoista ja hyödyistä.

Ensimmäinen tapausesimerkki liittyy asiakaspalvelun puhelinkeskukseen, jonka haasteena on muodostaa kokonaisymmärrys yritykseen saapuvista puheluista. Manuaalinen puheluiden kuunteleminen ja sen jälkeen analysoiminen on mahdotonta, jos yritys vastaanottaa tuhansia puheluita päivittäin. Manuaalinen koodaus puheluiden aiheista on aikaavievää työtä, jonka pohjalta ei ole tehokasta reagoida uusiin asiakaspuheluista esiin nouseviin kysymyksiin.

Yksi puheluihin vastaava asiakaspalvelutyöntekijä tuskin pystyy tunnistamaan esiin nousevaa häiriökysyntää, koska sitä esiintyy hänen kohdallaan vain muutamassa puhelussa päivän aikana. Jos sama ongelma taas nousee esiin hänen kymmenellä tai sadalla muulla kollegallaan, saattaa ongelma olla jo hyvinkin kriittinen.

Siksi yritykselle on erittäin hyödyllistä saada reaaliaikaisia tietoja kaikista puheluista, eikä vain häiriökysynnän poistamiseksi vaan myös palvelukustannusten alentamiseksi. Tässä vaiheessa pyydän sinua pohtimaan, mitä yhden puhelun hinta maksaa organisaatiollesi?

Kun yrityksesi pystyy palautteen pohjalta tarjoamaan asiakkaiden toiveiden mukaisia tuotteita ja palveluita, ovat asiakkaasi myös huomattavasti tyytyväisempiä!

Lue lisää häiriökysynnästä: Häiriökysynnän johtavan asiantuntijan Hermanni Hyytiälän mukaan häiriökysyntää syntyy, koska palveluorganisaatioissa mittaamme tuottamisen tehokkuutta ja organisoidumme teollisen tuotantolähtöisen logiikan mukaisesti

Tässä tapausesimerkissä suuri sähköyhtiö hyödyntää tekoälyyn ja koneoppiseen pohjautuvaa analytiikkaa löytääkseen ja poistaakseen häiriökysynnän asiakaspalveluun saapuvasta puhelindatasta. He huomaavat Aiwon avulla tuotetuista havainnoista, että asiakaspuheluissa on piilossa oleva mutta kasvava ongelma, joka liittyy laskuihin liittyviin muutoksiin. Asiakkaat soittavat asiakaspalveluun, sillä he haluavat ymmärtää näitä muutoksia paremmin.

Miten Aiwo CX tuottaa analyysin ja löytää ongelman asiakaskokemukseen liittyen:

  • Puhelindata yhdistetään API:n avulla Aiwon käyttöliittymään
  • Aiwo CX muuntaa puheluiden puheen tekstiksi yhteistyökumppanimme Inscriptan ratkaisun avulla
  • Aiwo CX:n laadullinen analyysi näyttää asiakaspalautteesta esiin nousevat keskeiset negatiiviset ongelmat ja hiljaiset signaalit. Tässä vaiheessa on reagoitava nopeasti, ennen kuin ongelmat muuttuvat kriittisemmiksi! 
  • Aiwo CX tuo puheludatasta esille asiakkaiden omaan kerrontaan pohjautuvat keskeisimmät haasteet, isoimmat muutokset ja trendit. Aiwon käyttöliittymä mahdollistaa reaaliaikaisen näkymän näihin kaikkiin sekä lähettää niistä automaattisesti viikoittaisia raportteja yrityksellesi.

Yle Uutiset kirjoitti tapauksesta ja Aiwosta uutisen.
Lue artikkeli täältä:
"Tekoäly nuuskii asiakaspalautetta ja kertoo siitä johtajille – paljasti sähköyhtiölle, että asiakkaat eivät ymmärrä laskujaan"

Esimerkki 2: Avoimet NPS -palautteet asiakasdatana

Aiwo NPS asiakasdata tapausesimerkki

Esimerkki 2: Toimenpiteisiin johtavia havaintoja NPS -palautteesta.

NPS ja muut numeeriset palautteenantotyökalut voivat olla harhaanjohtavia. Blogikirjoitukseni toinen tapausesimerkki osoittaa, kuinka asiakkaat antoivat matalat NPS-pisteet mutta eivät ko. palveluun liittyen, josta palautetta kysyttiin, vaan siihen ettei yrityksen muihin palveluihin ollut mahdollista antaa palautetta palautelomakkeen muodossa. Tämä paljastui NPS -lomakkeiden avoimen palautteen osioista, joista Aiwo CX tuotti laadullisen analyysin.

Kun yrityksesi vastaanottaa tuhansia NPS-palautteita sisältäen avoimet tekstikentät, on liian aikaavievää ja jopa puolueellista yrittää manuaalisesti löytää ongelmat NPS-lukujen takaa. Aiwon automaattinen teema-analyysi esittää selkeästi vastaukset numeeristen tulosten aiheuttamiin "miksi-kysymyksiin" analysoimalla avoimet palautteet. Samalla palvelu nostaa esiin valtavasta datamäärästä toimenpiteitä vaativia havaintoja, joita yrityksesi voi hyödyntää liiketoiminnan kehittämiseen. Tämä kaikki, ilman manuaalista, aikaavievää työtä.

Lue laajemmin NPS:stä ja siihen liittyvistä ongelmista blogistamme: 5 tapaa, jolla tekoäly mullistaa NPS kyselyiden analysoinnin

Miten Aiwo CX tuottaa analyysin avoimista NPS-palautteista:

  • Kaikki NPS -kyselydata ja -palaute siirretään Aiwon käsiteltäväksi API:n avulla.
  • Aiwo CX tuottaa palautteesta reaaliaikainen analyysin.
  • Aiwon käyttöliittymältä voit nähdä välittömästi kaikki palautteesta esiin nousevat teemat sekä sen, kuinka NPS-luku kehittyy teemojen pohjalta tehtyjen toimenpiteiden seurauksena.
  • Aiwon tuottamat teemat näyttävät palautteesta nousevat toimenpiteitä vaativat ongelmat sekä juurisyyt matalampien NPS-lukujen takaa.

Asiakkaamme suusta:

Brändiuudistukseen liittyvän verkkosivu-uudistuksemme myötä saimme asiakkailtamme palautetta uusien verkkosivujemme kautta. Luulimme aluksi, että kaikki palaute kohdistuu uusiin verkkosivuihin, mutta Aiwon avulla pystyimme havainnoimaan, että verkkosivuillemme tulee myös paljon sellaista palautetta, joka kohdistuu muihin asiointikanaviimme. Aiwon tuottamien teemojen ja luokittelun avulla voimme samanaikaisesti nähdä, mikä nettisivuilla toimii sekä ymmärtää asiakkaan ääntä siitä, mihin palveluun tai asiointikanavaan annettu palaute varsinaisesti kohdistuu. - Elina Rasa, asiakaskokemuspäällikkö, Fennia

Lue lisää vakuutusyhtiöasiakkaamme kokemuksista täältä: Aiwon avulla Fennia löytää asiakaspalautteen juurisyyt NPS –lukujen ja avoimen palautteen takaa

Esimerkki 3: Avoimen palautteen analyysi kuusinumeroiseksi tuotoksi

Aiwo asiakasdata toimenpiteiksi MTV

Esimerkki 3: Paranna tuottoasi asiakaspalautteista esiin nousevien havaintojen avulla.

Aiemmin useat B2B -yritykset "piilottivat" avoimet palautelomakkeet digitaalisista kanavista, yksinkertaisesti sen vuoksi, että oli aivan mahdotonta lukea kaikki palautteet ja reagoida niihin. Kuitenkin tuloksen ja asiakastyytyväisyyden kehittämisen viisaus on nimenomaan avoimissa palautteissa. Asiakkaat kirjoittavat kokemuksistaan kehittämisen kohteisiin liittyen asioista, joista et todennäköisesti ole osannut kysyä tai edes tiennyt niiden olemassa olosta. Samanaikaisesti avoimet palautteet antavat syvempää tietoa NPS-luvuista, joita asiakkaat ovat antaneet.

Kolmannessa tapausesimerkissä kerron asiakkaastamme MTV:stä  joka hyödyntää Aiwo CX:n analysoimaa ymmärrystä heidän valtavasta asiakaspalautedatastaan asiakaskokemuksen kehittämiseen. MTV on tehnyt Aiwon havaintojen pohjalta A/B -testausta ja sitä kautta välittömiä toimenpiteitä, joiden ansiosta he pystyivät näkemään CX -tuloksessa merkittävän muutoksen positiiviseen. Ja mikä parasta, kasvun liikevaihdossa ja tuloksessa!

Miten Aiwo CX tuo asiakasymmärryksen esiin:  

  • Kaikki verkkosivujen asiakaspalaute siirretään Aiwoon API:n avulla
  • Aiwo CX tekee reaaliaikaisen analyysin palautteesta 
  • MTV pystyy tekemään jatkuvia toimenpiteitä CX-tulokseen merkittävimmin vaikuttavien teemojen perusteella, jotka Aiwo on käyttöliittymälleen muodostanut. 

MTV:n palvelumuotoilun johtaja Jan Rosnell kertoi Aiwon avulla tuotetusta hyödystä seuraavasti:

Saimme selville, että automaattisella toistolla alkaneet videot ärsyttivät asiakkaitamme monista syistä. Teimme havainnon pohjalta AB-testausta ja se antoi meille vastauksia. Toteutimme muutokset Aiwo CX: n havainnon perusteella, mikä oli valtava menestys! CX-pisteemme kasvoivat merkittävästi ja saavutimme kuusinumeroisen kasvun liikevoitossa! Olemme massapalvelu, joten pienimpienkin muutosten ansiosta voimme saavuttaa merkittäviä taloudellisia onnistumisia.

Katso Aiwo Studio -jakso MTV:n kokemuksista (englanniksi) Aiwo CX:n käyttöön liittyen täältä: Episode 10: ”And that is why we have Aiwo” – with Jan Rosnell (MTV)

Lue asiakkamme MTV:n koko referenssitarina täältä: MTV saavutti Aiwo CX:n havaintojen avulla kuusinumeroinen kasvun liikevoitossa

Yhteenveto koko asiakasdatan hyödyntämisestä liiketoiminnan kehittämisessä

On tärkeää ymmärtää, että yritykselläsi on jo asiakasdataa, jonka avulla pystyy tekemään asiakaskokemusta kehittäviä toimenpiteitä. Asiakasdata tulee vain muuttaa ymmärrykseksi ja sitä kautta toimenpiteiksi. Datan määrä ei enää rajoita työtä, vaan itseasiassa mahdollistaa palautteen volyymiin ja sentimentteihin pohjautuvan oikeiden toimenpiteiden toteuttamisen.

Parempien asiakaskokemuksen kehittämistä tukevien toimenpiteiden viisaus on jokaisessa yrityksesi asiakaskohtaamisessa! Tällä tarkoitan jokaista chat-viestiä, puhelua, sähköpostia ja sosiaalisen median viestiä, joita vastaanotat asiakkailtasi.

Uudet teknologiat mahdollistavat yksinkertaiset ja asiakaskeskeiset kyselyt, joissa joka ikinen numeerinen kysymys (esim. NPS) tarjoaa pisteenantomahdollisuuden sekä mahdollisuuden antaa myös avointa palautetta kirjoittamalla. Avoimet palautteet taas vastaavat miksi-kysymyksiin numeroiden takana, mitkä Aiwon palvelu pystyy valtavasta asiakasdatasta tunnistamaan.

Tiivistettynä

Koneoppiminen mahdollistaa asiakasymmärryksen tiedonlouhinnan reaaliajassa, jolloin työaikaasi käytetään kokemusten parantamiseen Aiwon tuottamien havaintojen perusteella.

Toisin sanoen, tekoäly ja koneoppiminen mahdollistavat:

  • Ei datarajoitteita tekoälyä ja koneoppimista hyödyntäessä
  • Strategiset näkemykset asiakasviestinnän sisällöstä, mitkä pohjautuvat asiakkaan ääneen (eng. voice of customer)
  • Häiriökysynnän löytämisen ja ymmärtämisen esimerkiksi asiakaspuheluiden tai sähköpostien joukosta
  • Asiakaskokemukseen fokusoimisen ja asiakasymmärryksen tuottamiseen keskittymisen massiivisista asiakasviestintämääristä, mikä taas mahdollistaa paremman ROI:n.

Kuulostivatko esimerkkitapauksissa esiintyvät tilanteet tutuilta? Varaa tapaaminen kanssamme – kerromme mielellämme kuinka voimma auttaa yritystäsi kokonaisvaltaisemman asiakasymmärryksen tuottamisessa: