Management

Datamanagement
customer

Customer journey in kaart

Versnippering in klantdata is niet onoverkomelijk.

21 oktober 2016

Versnippering in klantdata is niet onoverkomelijk.

Bedrijven willen steeds meer sturen op customer journeys. Maar slechts weinig organisaties slagen erin data over klantgedrag om te zetten in klantwaarde, omdat data versnipperd is, incompleet en moeilijk te relateren aan customer journeys. Hoe krijgen organisaties dit op orde?

 

  • Slechts 5 procent van de chief marketing officers zegt voldoende inzicht te hebben en te begrijpen welke acties leiden tot maximale klantwaarde (2016, CMO Counsil).
  • In een Nederlands onderzoek geeft 72 procent van de marketingdirecteuren aan niet te beschikken over geïntegreerde marketingrapportages en dashboards (SpotONVision, 2016).

Met de intrede van selfservice wordt het belangrijker voor organisaties om integraal te sturen op alle aspecten van de klantreis. De oriëntatiefase, aankoopfase en evaluatiefase vormen de beleving van de klant. Daarom smelt de rol van procesmanager en marketingmanager steeds vaker samen tot die van customer journey-manager, die stuurt op maximale klantwaarde gedurende de gehele klantreis.

We zien bij het bouwen van data lakes vaak een tweefasenaanpak. De eerste fase is het ongestructureerd opslaan van data. Bij het ongestructureerd opslaan maakt het niet uit waar data vandaan komt, hoe het werd gebruikt of hoe het met de kwaliteit en integriteit gesteld is. Het gaat vaak over grote hoeveelheden en de focus ligt op het opslaan.

AG042016 IT-Studies Customer journey fig 1 en 2.jpg

Primair geldt; ‘sla maar op, misschien willen we er op een later moment iets mee’. Structureren is in deze fase niet nodig. Dit gebeurt in fase 2 bij het verrijken en analyseren van de data [route A in figuur 2].

In de praktijk werkt de tweefasenaanpak niet om snel tot customer journey-analyse te komen. Fase 1 duurt maanden of soms jaren, en in die tijd beschikken we niet over analyses. Bovendien wordt pas in een laat stadium duidelijk of data van voldoende kwaliteit is om er waarde uit te halen. Je wilt echter in een veel vroeger stadium zekerheid hebben of belangrijke dataelementen, zoals goede klantidentificatie en betrouwbare tijdstipregistratie, opgenomen zijn in het data lake.

Daarom pleiten we voor de iteratie-aanpak (route B in figuur 2.). Daarmee vullen we per bron de ongestructureerde opslag (fase 1) en de gestructureerde opslag (fase 2). Het ongestructureerde deel bevat (big) data die we in de toekomst kunnen koppelen aan de klantreis. Het gestructureerde deel is zonder extra bewerkingen geschikt voor analyse. Voor het vullen van het gestructureerde deel kijken we naar de structuur van de bron en herbruikbaarheid binnen het data lake. Zo kunnen we in een vroeg stadium analyses uitvoeren en klantwaarde leveren. Aanvankelijk hebben we slechts een deel van de klantreis in beeld, maar dit kan al waardevolle inzichten opleveren. Toevoegen van bronnen leidt tot meer inzicht in de customer journey . Door de vele iteraties ontwikkelen we snel expertise en zien wat werkt en wat niet. Ook het meta datamodel dat we gebruiken voor de structurering groeit mee met het opbouwen van het data lake.

BI-data is geschikt voor rapportages en aantallen, maar heeft een beperkte waarde voor customer journey-analyse.

•             De data is veel geaggregeerd
•             De data mist vaak een klantidentificatie
•             De data mist vaak het tijdselement

Om te sturen op customer journeys is inzicht in alle interacties en activiteiten met en voor de klant vereist. Alleen een integraal beeld over alle kanalen geeft de customer journey-manager gedetailleerde informatie. Gaat het goed met de reis? Raakt de klant de weg niet kwijt? Beleeft men de reis positief?

Mismatch: data is versnipperd en incompleet

Het is geen sinecure om een complete customer journey inzichtelijk te maken. Met process mining is voldoende analysekracht aanwezig, maar goede data ontbreekt. Zeker bij organisaties die al lang bestaan is de datahuishouding hier zelden op ingericht.

Waar kunnen organisaties dan wel mee werken? (zie figuur 1). De productiesystemen hebben per systeem een bijbehorende datasilo. Dit noemen we de eerste laag. De data in deze laag is zelden onderling gerelateerd.

Customer journey-analyse is innovatie; een recept is er niet

Vaak is ook procesdata uit Business Intelligence (BI) aanwezig. Dit is de tweede laag. Ook deze data is vaak ondergebracht in verschillende silo’s en niet geïntegreerd tot één logische set. Dat maakt het ook met deze laag bewerkelijk een compleet beeld van de klantreis te maken. Bovendien is data in deze laag vaak geaggregeerd. De output van processen is wel opgenomen, maar de losse stappen van de klantreis ontbreken. Om customer journeys te managen, is registratie van elke stap vereist.

Met Big Data introduceren veel organisatie een derde laag: het data lake. Dit is de opslag van alle data uit de eerste en soms uit de tweede laag, waarbij formaat en structuur van de bron wordt overgenomen. Het data lake is meestal gebaseerd op gedistribueerde technologie, zoals Hadoop, en heeft de onbeperkte schaalbaarheid van (big) data-analyes als primaire doel. Voor customer journey-analyse kunnen hier alle klantevents opgenomen worden.

Kies de juiste route

Het data lake is een integrale, georganiseerde opslag van klantevents die structureel gevuld wordt uit de andere systemen. We kunnen hiermee customer journeys analyseren, maar er ontstaat ook een nieuw issue: de wijze waarop we bouwen aan het data lake past meestal niet bij onze behoefte.

Een kanttekening hierbij is dat er naast de customer journey-analist waarschijnlijk meer afnemers van het data lake zullen zijn. De werkelijk gevolgde route zal een combinatie zijn van route A en B.

Zes uitdagingen

Organisaties die integraal willen sturen op hun customer journeys, staan voor zes belangrijke uitdagingen.

1: Fragmentatie Het probleem dat de data gefragmenteerd aanwezig is, lossen we op met de derde laag. Lang leve het data lake!

2: Bronnen onderling relateren Met het vullen van het (semi-)gestructureerd deel van het data lake, zien we dat de bronnen niet eenvoudig aan elkaar te relateren zijn. Soms herkennen we de klant aan een IP-adres, soms aan een e-mailadres, klantnummer, username, et cetera. We willen deze keys aan elkaar relateren om te weten over welke klant het gaat. We hebben een goed metamodel nodig. Soms is het ook op basis van patronen mogelijk om databronnen aan elkaar te relateren.

3: Data governance Grip op datakwaliteit is ongelooflijk moeilijk en we zien aarzeling bij het nemen van verantwoordelijkheid. De business (de customer journey-manager en ook de compliance officer en anderen) wil waarde halen uit de data. Vanuit dit perspectief is het logisch om data-eigenaarschap ook bij de business onder te brengen. Echter, de business is zelden deskundig op het vlak van databeheer, zeker als het gaat over Big Data. De databeheerder of IT-professional is wel deskundig in databeheer, maar heeft weinig zicht op de businessvraagstukken en de relevantie van data hierin. Bovendien heeft de professional geen invloed op de accuratesse waarmee handmatige vastlegging van data plaatsvindt. De uitdaging is om deze verantwoordelijkheden te bespreken. Werk aan data governance en spreek specifieke verantwoordelijkheden af over alle aspecten van de data. Zorg dat volstrekt duidelijk is welke data binnen de organisatie aanwezig is en wat deze betekent. Leg data die toegevoegde waarde heeft gestructureerd vast. Zorg dat de organisatie van directie tot uitvoering doordrongen is van het belang van data en het hygiënisch omgaan met data.

4: Privacy Door de media-aandacht voor privacy reageren veel managers terughoudend op brede klantanalyse. Dat is terecht als men beoogt privacy te borgen. Helaas wordt op basis van onwetendheid vaak beweerd dat koppelen van gegevens vanwege privacy niet is toegestaan, wat niet zo is. Voor goede analyses koppelen we databronnen. Wel zijn grondige maatregelen nodig om misbruik te voorkomen. Zorg vanwege privacy ook dat data nooit te herleiden is naar personen.

5: Onvolledige registratie Hoewel de klantenservice van veel organisaties klantcontacten nauwgezet registreren, zijn er ook organisaties waar dit niet gebeurt. Binnenkomende telefoontjes worden bijvoorbeeld niet vastgelegd. Een doodzonde als je de klant optimaal wil bedienen. Het leidt bovendien tot gaten in de analyse. Een enkele keer zien we ook dat website loggings uit staan. Zonde, niet nodig en eenvoudig op te lossen.

6. Herkennen van customer journeys Met een data lake beschikken we over een grote bak georganiseerde data waarin we klantgedrag kunnen volgen, maar hoe ordenen we data naar onze customer journeys? Het begint met het goed beschrijven van de customer journey. Waar start en eindigt deze?
Daarnaast hebben we techniek nodig om data te kunnen toewijzen aan de juiste journey. We gebruiken hiervoor patroonherkennings- en tekstherkenningstechnieken.

     AG042916 Customer journey Figuur 3

    Fig 3 Groeipad customer journey  analyse

    1. Kies een customer journey met een duidelijk knelpunt. Gebruik één of twee bronnen, bijvoorbeeld webdata en portal data.
    2. Koppel de bronnen in een tijdelijke data omgeving.
    3. Analyseer de data en maak de customer journey inzichtelijk, inclusief knelpunt en mogelijke verbetermaatregelen.
    4. Gebruik de ervaringen van eerdere stappen om te bouwen aan een data lake.

    Dit levert inzicht per customer journey. Bijvoorbeeld: hoe vaak er wordt gebeld of hoe hoog is de selfservicegraad? Het gebeurt ook dat de data niet rijk genoeg is om data te kunnen toewijzen aan een customer journey. Actie is dan nodig om de registratie van data uit te breiden.

    Principes

    Customer journey-analyse en waarde uit data lakes halen is innovatie. Innovatie betekent vallen en opstaan, een recept voor succes bestaat niet. Dit artikel beschrijft een aanpak gebaseerd op de onze ervaringen en heeft gewerkt in die organisaties waar we, de auteurs, mochten meebouwen. Elke organisatie moet hierin zijn eigen weg vinden. Drie principes tot besluit:

    1. Werk agile. Zorg dat elke maand een stap wordt gezet, dat men evalueert en bijstelt.
    2. Just enough architecture. Probeer een klein stukje end-to-end werkend te krijgen en de architectuur mee te laten groeien met de complexiteit.
    3. Interdisciplinair. Vraagstukken rondom customer journey analyse en data lakes zijn te ingewikkeld om over te laten aan business of IT. Innoveren doe je samen!
    Lees meer over Management OP AG Intelligence
    2
    Reacties
    Arnold Buddenberg 25 oktober 2016 09:39

    Leuk stukje over data governance en de creatie van reference data; Je ziet inderdaad dat er een Platform voor nodig is om de Customer reference data op te bouwen; een CRM systeem is niet voldoende om de Customer journey in kaart te brengen en er iets verrassends mee te doen.

    Reactie toevoegen