Mint minden fontos vállalati döntést megelőzően, úgy egy ügyfélkezelő rendszer bevezetése előtt is érdemes tisztázni, mit vár a cég a lépéstől; illetve a folyamatot sem árt megtervezni. Jelentős különbségek vannak a CRM-ek között, ráadásul ezek a tudásbeli eltérések egyre nagyobbá válnak a rendszerek fejlődésével.

A döntést megkönnyítendő két fő kategóriára érdemes osztani az ügyfélkezelő rendszereket. Az egyik halmazt az operatív CRM-ek képezik, melyeket a napi munka támogatására terveztek, ennek megfelelően egyszerűbb és kompakt kialakításúak. Ezeknél alapvető feltétel a könnyű használhatóság, a bonyolult felületek elkerülése, hiszen ha a felhasználók nem használják szívesen, akkor kevesebb adat születik bennük. Természetesen azért alapvető jelentések – mennyit dolgoztak az emberek, hány érdeklődőből hány vásárló lett stb. – előállíthatók velük.

A másik nagy csoportba az analitikus CRM-ek tartoznak, melyek fókuszában az ügyfélkapcsolatok elemzése és mérése áll. Jellemzően ilyeneket a nagyobb cégek (50-100 alkalmazott) használnak. Korábban a kisvállalatok nem is jelentek meg ezeknek a rendszereknek a piacán fajsúlyos használóként. Az analitikus CRM-ekkel szemben támasztott elvárások sorában előkelő helyet foglal el az összefoglaló riportok készítésének igénye; olyan jelentések előállítása, melyekkel a cég egésze is megvizsgálható.

Ki látja át a káoszt?

Gyakran előforduló helyzet, hogy nincs egy rendszer, ahol az adat megjelenne: van gyártáskezelő, projektmenedzsment és értékesítési eszköz stb., de ezek külön-külön készítenek jelentéseket, és nem egy rendszerben keletkezik az információ. Felmerül tehát az adattárház igénye, amely révén a különböző rendszerekből becsatornázható az információ és egyben előállíthatók az elemzések is.

A felmerülő problémák és megoldásaik még a CRM-szállítóknál sem triviálisak. Mint azt a MiniCRM vezetője, Leskó Norbert lapunknak elmondta, ezt ők is megtapasztalták saját gyakorlatukban. Hiába hozott nagyobb bevételt az első néhány bevezetési projektjük, mégsem hozta az elvárt nyereséget, egyszerűen azért, mert a tervezettnél több munkát igényelt. Mivel az okok elsőre nem voltak egyértelműek, ezért egy teljes cégre kiterjedő kontrolling rendszerrel ki kellett deríteni, hogy a folyamatosan növekvő árbevétel ellenére miért nem nő a profit.

Egybenő az online és offline világ

Néhány tucatnyi ügyfél kezelését egészen más szempontok alapján kell megoldani, mint több tízezer vagy százezer fős felhasználói táborokét. Utóbbi esetben akár az olyan big data elemzőeszközök is előkerülhetnek, mint az Amazon-féle Redshift vagy a Google BigQuery szolgáltatása.

Még komplexebb a helyzet, ha online és offline értékesítést is elemezni kell – például ha webáruházzal és fizikai valójában létező bolttal is rendelkezik a vállalat. Ilyen esetekben eltérő módon lehet a lojalitást és a vásárlói hajlandóságot növelni, fenntartani: pontgyűjtő kártyát kínálhatnak az offline vásárlóknak, míg az interneten keresztül hírleveleken át érhetők el az ügyfelek, vásárlók.

Egy integrált megoldás célja a különböző forrásokból származó adat egy helyen történő összegzése. A példánál maradva: derüljön ki, miként vásárolnak a boltban és a webáruházban vevők. Ehhez azonban szükség van a marketing által meghatározott, úgynevezett vásárlási perszónákra. Hiszen más szempontok alapján dönt a vásárlás mellett egy nagyvállalati vezető vagy egy családanya. Ezek az idealizált kategóriák ugyanakkor több száz vagy afeletti ügyfélszám mellett már nehezen rendelhetők hozzá a valós személyekhez hagyományos eszközökkel.

Prediktív analitikával azonban a már besoroltak adatai alapján a még besoroláson át nem esettek – de kellő mennyiségű adattal rendelkezők – is elég nagy arányban berakhatók egy-egy kategóriába, természetesen automatizált módszerrel. A módszer pontosságát jelzi, hogy amennyiben az ismert besorolású ügyfelek csak egy részét kapja meg a prediktív analitikai rendszer, és az alapján kell besorolnia a többi, szintén ismert kategóriába tartozó ügyfeleket, 80-90 százalékos találati aránnyal dolgozik.

Ezt a jó találati arányt azonban csak akkor tudja tartani a módszer, ha megfelelő mennyiségű adat áll rendelkezésre. A hangsúly a mintafelismerésen van; azaz minél több a felhasználói adat, annál könnyebb meghatározni, ki milyen vásárlói csoportba kerül.

Mekkora az esélye annak, hogy vásárol?

"Aki vásárolni fog, annak segítséget kell nyújtani" – hangzik az örök igazság. Azt azonban nehéz előre eldönteni, hogy kibe éri meg időt és energiát befektetni. Szerencsére ennek meghatározására is használható a prediktív analitika. Leskó szerint nagyjából 80 százalékos valószínűséggel válhat vevővé az az ügyfél, akiről a prediktív analitika az adatok elemzését követően azt állítja, hogy megéri támogatni.

A termékajánlás igen fontos eszköz ahhoz, hogy nagyobb eséllyel legyen az ügyféladatbázisban szereplőkből (újra) vásárló. Ám annak eldöntése egy nagyobb, akár több száz vagy ezer elemből álló kínálat esetén, hogy milyen termékeket ajánljon egy-egy személynek a kereskedő, meglehetősen bonyolult probléma.

Amellett, hogy személyre szabott hírlevelekre van szükség, egy jellegzetesen kelet-európai kihívással is meg kell küzdeni, mondta a MiniCRM vezetője. Ez az ún. "little-big data" jelenség: manuális feldolgozáshoz már túl sok adat áll rendelkezésre, ahhoz azonban kicsik az adatbázisok, hogy a feldolgozás során a machine learning algoritmusok jó eredményeket adjanak.

Kicsi piac – nem is olyan kicsi adat

Mit lehet tenni, ha a termékszintű ajánlások nem hatékonyak? Egyedi hangolással lehet javítani a sikerességi szintet. Például az egymást kiváltó termékek egy csoportba helyezésével, azaz terméktípusok ajánlásával. Lássunk is erre egy való életből vett példát!

Telefonvásárlás esetében több száz modellből kellene megfelelőket felkínálni az érdeklődőknek, amit egyenként kiajánlani gyakorlatilag lehetetlen feladat. Ugyanakkor a kínálat szétbontható pl. prémium és value szegmensre bizonyos paraméterek – kijelzőméret, operációs rendszer, ár stb. – alapján. Az, hogy az ügyfél végül milyen gyártótól vesz terméket, a kereskedő szempontjából ebben a tekintetben már mindegy – a lényeg, hogy eltalálja az érdeklődő preferenciáit és számára érdekes ajánlattal álljon elő.

Az elmúlt idők fejlődésének és fejlesztéseinek köszönhetően tehát üzleti szempontból eredményes modell építhető viszonylag kevés, de tradicionális feldolgozáshoz már sok adatból is. Következő cikkünkben azt nézzük meg, milyen vadonatúj technikák álltak, állnak az értékesítés szolgálatába.