Uusiasiakashankinnan haasteet ja miten pureutua tähän systemaattisesti

Uusiasiakashankinta on aina haasteellisempaa, kuin nykyasiakaskunnan säilyttäminen tyytyväisenä – olettaen, että jälkimmäiseen on panostettu.

Keneen pitäisi ottaa yhteyttä? Mitä heille voisi tarjota? Ja ovatkohan he edes kiinnostuneet tarjonnastamme? Miten kanavaa käyttäen asiakkaita lähestyttäisiin? Miten tätä problematiikkaa voisi helpottaa tai lähteä ratkaisemaan?

Teillä on nykyisellään aktiivinen asiakaskanta. Teillä on jo tiedot siitä, ketkä ostavat mitä ja kuinka paljon. Mutta onko tämä taloudellisesti kannattavaa? Täytyy siis yhdistää tiedot tekemisestä, tarjonnasta, myynneistä ja tähän liittyvistä kustannuksista. Näin ollen voidaan tunnistaa asiakkaat tarjonnan ja kannattavuuden osalta sekä segmentoida asiakkaat tämän tiedon pohjalta: Ketkä ostavat mitä ja vieläpä kannattavasti. Aktiiviset asiakkaat segmentoidaan näiden tietojen avulla. Segmentoinnissa ei ole kyse yksinkertaisesta A,B, C, D -segmentoinnista, vaan moniulotteisesta luokittelusta, jossa segmentoidaan asiakas monen tekijän suhteen tarjonnan, kannattavuuden ja teidän toimintaan ja toimialaan liittyvien tekijöiden suhteen. Näin saadaan aikaan asiakkuuksien syvällinen segmentointi, jota voidaan hyödyntää uusiasiakashankinnassa.

Seuraavaksi tarvitaan potentiaalisia asiakkaita. Näitä voidaan etsiä itse monin tavoin, hankkia eri toimijoilta ja parhaimmillaan yhdistellä eri tietolähteitä sopivan potentiaaliasiakaskunnan rakentamiseksi. Tunnistetaan tästä potentiaalisten asiakkaiden rekisteristä syvällistä segmentointiamme vastaavia asiakkuuksia ja muodostetaan näitä kiinnostavat kohderyhmät: Mitä tarjotaan ja kenelle. Siitä se lähtee.

Kun halutaan hyödyntää omaa asiakasrekisteriä ja dataa potentiaalisten asiakkaiden löytämisessä, tulisi omalla asiakasdatalla ja hyödynnettävällä potentiaalidatalla olla yhtenäisiä luokittelevia tekijöitä. B2B-maailmassa voidaan yksinkertaisimmillaan hyödyntää PRH:n avoimen datan rekistereitä, josta saadaan kaikkien suomalaisten osakeyhtiöiden perustiedot, toimiala ja sijaintitiedot mukaan luettuna. Kun yhtenäiset luokitukset on rikastettu sekä nykyasiakkaisiin että potentiaalisiin asiakkaisiin, voidaan näiden luokitusten perusteella tehtyä analyysiä hyödyntää potentiaalien pisteytyksessä. Voidaan tehdä esimerkiksi analyysi, että tietylle tuoteryhmälle yritykset toimialalta Rahoitus- ja vakuutustoiminta, Uudenmaan maakunnan alueelta, on ollut poikkeuksellisen kannattava asiakasryhmä. Yhdistetyn asiakas- ja potentiaalidatan perusteella on tämän jälkeen helppo löytää saman profiilin yritykset, jotka eivät vielä ole asiakkaita.

Kuvailtu esimerkki on kärjistetyn yksinkertainen. Nykyään hyödynnettävää luokitteludataa löytyy valtavasti sekä avoimista että kaupallisista datalähteistä. Kun erilaisten luokitusten ja datan määrä kasvaa, ei välttämättä excel tai datan visualisointi tarjoa enää parhaita työkaluja potentiaalisten asiakkaiden etsimiseen. Tilastolliset koneoppimisalgoritmit ovat hyvä työkalu tällaiseen analyysiin. Esimerkiksi päätöspuu-algoritmejä hyödyntäen voidaan rakentaa malli, joka ottaa syötteenä valitut luokitukset ja hyvää asiakkuutta indikoivan mittarin, esimerkiksi katetiedon. Kun data jaetaan kahteen osaan mallin koulutusta ja testausta varten, voidaan testiosalla todentaa, miten hyvin malli on pystynyt löytämään luokitusten perusteella hyviä asiakkaita. Mikäli malli antaa hyviä tuloksia, voidaan tätä jälleen hyödyntää potentiaalisten yritysten pisteyttämiseen, näistä kun tiedetään kaikki luokitukset, joita myös omalla datalla koulutetussa mallissa käytettiin.

Koneoppimista hyödyntämällä voidaan siis usein toteuttaa relevantimpia kohderyhmiä kuin perinteisillä menetelmillä. Uusasiakashankintaa voidaan vielä tehostaa seuraamalla kohderyhmistä automaattisesti reaaliaikaisia impulsseja, kuten rekrytointeja, päättäjävaihdoksia ja hankintoja. Tällöin voidaan lähestyä potentiaalista asiakasta oikea-aikaisesti.

Blogissa kuvattuja ratkaisuja on mahdollista toteuttaa Microsoftin ratkaisualustoilla sekä pilvessä (Azure) että asiakkaan omilla palvelimilla (SQL Server). Datalähteenä voidaan hyödyntää avoimia datalähteitä tai kaupallisia rekistereitä.

Tutustu datan käyttöön ja analytiikkaan täältä. Lue myös aiempi blogikirjoitus älykkäästä CRM:stä ja asiakaspoistuman ennakoinnista.

Kirjoittanut

Henri Höglund työskentelee Elisan Liiketoimintaratkaisuissa ratkaisuarkkitehtinä. Tehtäviin kuuluu parhaiden mahdollisten liiketoimintaratkaisujen toteuttaminen asiakkaille hyödyntäen Microsoftin Dynamics 365 -ekosysteemiä.