6 typer kundeanalyse og når du bør bruke dem

5. juni 2024

Du har sannsynligvis en rikdom av data om hvordan kundene dine oppfører seg og samhandler med merkevaren din – fra markedsføringsengasjement til firmografiske data.

La oss være ærlige – utnytter du virkelig de enorme kundedatasettene du sitter på? Fra markedsføringsengasjement og firmografiske detaljer til innsikt om produktbruk og supporthistorikk har du sannsynligvis en rikdom av data om hvordan kundene dine oppfører seg og samhandler med merkevaren din.

Men de fleste selskaper utnytter ikke engang en brøkdel av kundeinformasjonen de har tilgjengelig. Datasiloer og ineffektive flaskehalser gjør at team ofte sitter igjen med blindsoner og ikke klarer å få en helhetlig oversikt over hele kundereisen.

Det er en enorm forsømmelse, for å forstå kundenes behov og atferd fra ende til ende er avgjørende for å drive ekte produktdrevet vekst.

McKinsey fant at datadrevne organisasjoner som er dyktige til å operasjonalisere kundeinnsikt, overgår konkurrentene med 85 % i salgsvekst og over 25 % i bruttomarginer.

For å oppnå resultater på dette nivået trenger team en integrert tilnærming som kombinerer ulike typer kundeanalyse for å knytte sammen punktene gjennom de ulike stadiene av reisen – fra anskaffelse til engasjement, kundelojalitet, frafall og customer lifetime value.

I denne artikkelen tar vi deg gjennom seks typer kundeanalyse som er essensielle for å forbedre kundenes opplevelse. Vi viser deg hvordan du kombinerer kundeinnsikt for å peke ut muligheter for vekst og kundeglede som flytter på forretningsmålene dine.

Klar til å eliminere datasiloer og muliggjøre virkelig enhetlig kundeanalyse i hele organisasjonen din? Kontakt oss for å lære hvordan den warehouse-native-plattformen til Optimizely Warehouse-Native Analytics gir selvbetjent tilgang til rik innsikt på tvers av hele kundereisen.

Hvorfor kundeanalyse er viktig

La oss begynne med å definere hva vi mener med kundeanalyse.

I kjernen er kundeanalyse praksisen med å utnytte data for å få en dypere forståelse av kundenes behov, atferd, motivasjon og reiser. Det omfatter flere sentrale typer analyse.

Disse inkluderer:

Deskriptiv analyse, som fokuserer på å forstå kundeatferd og mønstre ved å utforske historiske data. Dette kan inkludere analyse av produktbruksdata, anskaffelseskilder som markedsføringskanaler eller kampanjer, supportinteraksjoner og overordnede kjøpstrender.

Diagnostisk analyse, som hjelper deg med å identifisere de underliggende årsakene bak observert kundeatferd. Teknikker inkluderer kohortanalyse (sammenligning av brukeratferd på tvers av ulike segmenter etter geografi/anskaffelse/abonnement), reisekartlegging for å visualisere baner og frafallspunkter, og traktanalyse for å peke ut barrierer i konverteringsflyter.

Prediktiv analyse, som handler om å forutsi fremtidige kundehandlinger, risikoer og muligheter ved å bygge statistiske modeller fra nåværende og historiske data. Vanlige bruksområder inkluderer å forutsi kunder med frafallsrisiko, prognostisere customer lifetime value og modellere kundenes tilbøyelighet til å konvertere, utvide abonnementet sitt eller oppgradere.

Preskriptiv analyse, som utnytter innsikt (vanligvis gjennom maskinlæring) og anbefaler konkrete handlinger for å oppnå ønskede kunde- og forretningsresultater. Disse kan inkludere å optimalisere markedsføringsbruk, øke aktiveringen av nøkkelfunksjoner eller utløse oppfølging av kundehelse for å redusere frafall.

Hvorfor kundeanalyse er forretningskritisk

I dagens opplevelsesøkonomi er kundeanalyse ikke bare et pluss – det er en absolutt nødvendighet for enhver organisasjon som streber etter bærekraftig, produktdrevet, brukersentrert vekst.

La oss se på hvorfor.

Smartere, evidensbaserte beslutninger
Med rik kundeinnsikt kan team optimalisere strategier for kundeanskaffelse, onboarding, adopsjon, engasjement, kundelojalitet og ekspansjon basert på harde data fremfor magefølelse.

Identifiser produktmuligheter med stor effekt
Å analysere kundetilbakemeldinger og atferdsmønstre hjelper deg med å prioritere de mest effektfulle formene for innovasjon, optimalisering og personalisering når det gjelder produkter.

Forbedre den samlede kundeopplevelsen
Den beste kundeanalysen hjelper deg med å forstå hele den flerkanals kundereisen. Det betyr at du kan identifisere kilder til kundefriksjon så vel som glede – og fikse dem ved å forbedre UX-flyter, support, onboarding, meldinger i appen og mer.

Øk markedsføringseffektivitet og konverteringer
Å kartlegge hele kundereisen fra første interesse og leadgenerering frem til konvertering og ekspansjon lar markedsføringsteam forbedre kampanjer og effektivt segmentere og pleie verdifulle kundegrupper.

Reduser frafallsrisiko proaktivt
Å overvåke brukeratferd, stemning og kundehelse viser deg trusler og lar deg handle raskt med målrettede customer success-tiltak.

Tilpass kundemål til forretningsberegninger
Ved å hente data som spenner over hele kundelivssyklusen kan team samle seg rundt samkjørte, inntektspåvirkende mål og KPI-er som måler effekten av initiativer for anskaffelse, adopsjon, lojalitet og ekspansjon.

Til syvende og sist er nøkkelen å bruke kundeanalyse for å få et 360-graders blikk på kundenes behov, opplevelser og resultater på tvers av hvert stadium av reisen deres. Dette nivået av forståelse kan kun oppnås ved å forene flere datakilder, fra markedsføringskanaler og produktanalyse til faktureringssystemer, supporthistorikk og voice-of-customer-innsikt.

Dette er grunnen til at fremveksten av moderne, warehouse-native kundeanalyseplattformer har vært så avgjørende. Neste generasjons verktøy for kundereiseanalyse som Optimizely Warehouse-Native Analytics gir organisasjoner muligheten til å eliminere datasiloer og få et virkelig enhetlig perspektiv på tvers av hele kundelivssyklusen.

Ved å hente direkte fra ditt data warehouse lar Optimizely Warehouse-Native Analytics deg samle produktbruk, markedsføringssystemer og CRM-er, faktureringsplattformer, kundesupport og mer for kraftigere analyse uten dataduplisering eller fragmenterte hendelsesstrømmer. Selvbetjeningsløsningene til Optimizely Warehouse-Native Analytics eliminerer tekniske flaskehalser og lar produkt-, markedsførings- og kundeopplevelsesteam enkelt visualisere kundedata, segmentere og veksle mellom visninger, og gå dypere med ad hoc-utforsking.

6 essensielle typer kundeanalyse for datadrevet vekst

Å forstå kundene dine på et detaljert nivå gjennom analyse er fundamentet for å drive bærekraftig vekst.

Hvilken kundeanalyse du må prioritere, avhenger av de unike behovene til virksomheten din, men du vil ønske å kombinere en rekke typer for å få et helhetlig bilde.

Bruk denne veiledningen som et rammeverk for å kanalisere kundedataene dine inn i en helhetlig oversikt som hjelper deg med å optimalisere hvert stadium av reisen deres.

1

Analyse av kundeanskaffelse

Analyse av kundeanskaffelse fokuserer på å forstå hvordan kunder først oppdager og samhandler med merkevaren din på tvers av en rekke markedsføringskanaler og kampanjer, og hjelper markedsførings- og vekstteam med å optimalisere anskaffelsesstrategiene sine. Det innebærer å analysere data fra verktøy for web- og markedsføringsanalyse, betalte mediekampanjer, SEO- og innholdsytelse, sales intelligence-plattformer, CRM-er og mer.

Sentrale beregninger for kundeanskaffelse å måle inkluderer kundeanskaffelseskostnader, konverteringsgrad, antall interaksjoner med potensielle kunder, søkevolum på merkevaren, leadgenereringsgrad, marketing qualified leads og sales accepted leads. Men for virkelig effektiv analyse av kundeanskaffelse vil du også ønske å forstå nedstrøms beregninger som kundelojalitetsgrad, customer lifetime value og net revenue retention etter anskaffelseskilde.

Dette helhetlige blikket sørger for at du ikke bare ser anskaffelse som et tallspill – men som et spørsmål om å skaffe de riktige verdifulle, lojale kundene som vil drive langsiktig vekst.

Effektiv analyse av kundeanskaffelse innebærer:

  • Å bruke traktanalyse for å forstå hvordan ulike leadkilder konverterer gjennom trakten i varierende grad og påvirker beregninger som CAC.
  • Å identifisere frafallspunkter og friksjonsområder i lead nurturing-flytene dine
  • Å avdekke mønstre for å forstå hvilke kampanjer og innhold som driver første interesse og engasjement fra dine ideelle kundeprofiler.
  • Å bygge prediktive modeller for å score leadkvalitet, kjøpstilbøyelighet og sannsynlighet for å bli en lojal, verdifull kunde.
  • Å måle hvilke anskaffelsesberøringspunkter som gir flest og mest verdifulle kunder, ved å se på både umiddelbar konverteringsgrad og nedstrøms lojalitet/ekspansjon.
  • Å analysere spesifikke kohorter basert på attributter som leadkilde, persona og selskapsstørrelse – og segmentere kundegrupper for å identifisere mønstre i nedstrøms beregninger.

For å virkelig forstå kundeanskaffelse trenger du et integrert, 360-graders blikk som knytter anskaffelsesberegninger til nedstrøms produktadopsjonsgrad, indikatorer for kundehelse, lojalitetstrender, ekspansjonsinntekt og customer lifetime value. Å bruke moderne, warehouse-native dataanalyseverktøy lar deg utforske disse helhetlige dataene om kundelivssyklusen samlet.

2

Analyse av kundeengasjement

Analyse av kundeengasjement handler om å få innsikt i hvordan kunder samhandler med og henter verdi fra produktet eller tjenesten din etter at de konverterer. Det innebærer å utforske brukeratferdsdata fra en rekke kilder som produktanalyse, verktøy for digitale opplevelser, kundesupportsystemer, meldinger i appen og mer.

Sentrale beregninger å spore inkluderer tall for produktbruk; klebrighetsindikatorer som daglige/månedlige aktive brukere; adopterte funksjoner; gjennomsnittlig øktlengde; volum av supporthenvendelser; net promoter scores; og overordnede engasjementsnivåer over tid. Men effektiv engasjementsanalyse går utover overflatemålinger og søker å forstå dypt hvorfor kunder oppfører seg på bestemte måter og hvordan man kan drive adopsjon og optimalisere opplevelsene deres.

Sentrale aspekter ved analyse av kundeengasjement inkluderer:

  • Å analysere brukerflyter og trakter for å forstå hvordan kunder navigerer i produktet ditt og oppdager/adopterer ulike funksjoner, og identifisere eventuelle forvirringsområder.
  • Å sjekke de optimale brukerbanene og spesifikke «aha»-øyeblikkene som forutsier kundeaktivering og lojalitet – ved å knytte produktbruksmønstre til nedstrøms markører som gjenkjøp, ekspansjonsinntekt og customer lifetime value.
  • Å segmentere brukeratferd for bedre å forstå kohorter basert på stadiet deres i produktreisen, abonnementstype osv., og tilpasse kundeopplevelsen deretter.
  • Å samle inn og tolke kvalitativ kundeinnsikt fra spørreundersøkelser, produktanmeldelser, supportinteraksjoner og mer.
3

Analyse av kundeopplevelse

Selv om kundeanskaffelse og engasjement gir viktige perspektiver, krever ekte optimalisering et helhetlig blikk på hele kundereisen. Kundereiseanalyse kartlegger hvert berøringspunkt i den overordnede opplevelsen fra første merkevareoppdagelse gjennom konvertering, onboarding, adopsjon, support, lojalitet, ekspansjon og videre.

Du vil ønske å sikte mot sentrale beregninger som høy kundetilfredshet (CSAT), lojalitet og lojalitetsgrad; sterke net promoter scores (NPS); og lav customer effort score (CES) – altså hvor mye vanskelighet en kunde opplever når de prøver å nå et mål eller løse et problem med produktet eller tjenesten din.

Å analysere kundeopplevelsen bør også innebære å lytte til voice-of-customer (VoC)-tilbakemeldinger. Den beste analysen lar deg knytte sammen kunde- og forretningsdata for å forstå hvordan spesifikke kundeopplevelser påvirker forretningsresultater som produktadopsjon, engasjement, inntekt og mer. La oss for eksempel si at du ønsker å drive ekspansjonsinntekt fra eksisterende kunder. Du kan bore ned i positive vs. negative CSAT-scorer sammen med kontobruk, helsescorer og faktureringsdata – og kanskje finne at dårlige CSAT-vurderinger er knyttet til en frustrerende UX indikert av høye frafall i flyten, eller til og med faktureringsproblemer, som å ikke tilby et automatisert PayPal-alternativ. Denne typen selvbetjent business analytics-innsikt gir deg et forsprang på å adressere den underliggende årsaken.

For kraftig analyse av kundeopplevelse:

  • Kombiner kvantitative beregninger som CSAT, NPS og CES med kvalitative data fra kundetilbakemeldinger, supportinteraksjoner og lytting i sosiale medier.
  • Segmenter kunder basert på opplevelsene deres og sjekk forskjeller på tvers av segmenter for å tilpasse opplevelser.
  • Analyser kundestemning og følelser i tilbakemeldingene for å forstå de underliggende driverne bak positive og negative opplevelser.
  • Bruk verktøy for øktopptak og heatmapping for å visualisere kundenes utfordringer og identifisere UX-problemer.
  • Analyser customer effort scores på hvert reisestadium for å peke ut områder med høy innsats som trenger prosessforbedringer.
  • Kartlegg hele kundereisen fra ende til ende på tvers av alle berøringspunkter og kanaler for å identifisere smertepunkter og friksjonsområder og forstå hvordan opplevelsen deres utvikler seg gjennom kundelivssyklusen.
  • Knytt beregninger for kundeopplevelse til nedstrøms beregninger som kundelojalitet, lifetime value og inntekt for å forstå forretningseffekten.

Jo mer du har de riktige kundedataene – data som er kontekstuelt relevante og er konsolidert og tilgjengelig for å brukes til rett tid – desto bedre blir opplevelsen for kundene dine. Men det er ikke nok bare å ha de riktige dataene; du må også ha verktøyene (som customer data platforms for å skape én enhetlig oversikt over kunden, reiseanalyse, samt prediktive og preskriptive analyseverktøy og -funksjoner) for å forstå, lære, tilpasse og drive alle kundeberøringspunkter, teknologien (som geofencing, ansiktsgjenkjenning og biometriske sensorer), og menneskene til å anvende dataene på en relevant og kontekstualisert måte.

4

Kundereiseanalyse

Som vi har antydet, bør hele kundereisen være kjernen i all analysen din. Men det er viktig å spesifikt analysere kundereisen fra ende til ende, og søke å finne områder med kundeglede så vel som friksjonspunkter på hvert stadium, fra første bevissthet gjennom anskaffelse, onboarding, adopsjon, engasjement, lojalitet og talsmannskap.

Viktige beregninger som gir deg en følelse av kundereisen din inkluderer leadkonverteringsgrader på tvers av topp/midt/bunn-stadier av trakten; produktaktiveringsberegninger som adopsjon av nøkkelfunksjoner; «aha»-øyeblikk og signaler på brukerklebrighet som økttid; og customer lifetime value (CLV) og beregninger for inntektsekspansjon.

Tips for meningsfull kundereiseanalyse inkluderer:

  • Å bruke warehouse-native-verktøy for å kjøre enhetlig analyse med data fra flere strømmer, fra markedsføring, salg, produktbruk og voice-of-customer-kilder.
  • Å dele opp reiser etter segment og analysere spesifikke kohorter basert på abonnementstype, bruksområde, bransje og mer.
  • Å anvende traktanalyse på hvert stadium for å identifisere frafallspunkter, barrierer og sentrale konverteringsøyeblikk.
  • Å berike analysen din med voice-of-customer-tilbakemeldinger som tilfører kvalitativ kontekst til ulike stadier.
  • Å kartlegge kundeatferd og reisestadier til nedstrøms beregninger rundt aktivering, adopsjon, frafall og lifetime value.
  • Å bruke maskinlæring for å identifisere og prioritere effektfulle muligheter for å optimalisere reisen.
5

Analyse av kundelojalitet/frafall

Det er avgjørende å forstå faktorene som driver kundefrafall, slik at du proaktivt kan forhindre dem og avdekke muligheter for å forbedre kundelojalitet og customer lifetime value.

Hovedberegningene å fokusere på her er frafallsgrad og lojalitetsgrad, men det er også nyttig å tenke på customer lifetime value og net revenue retention, og holde et øye med produktbruksberegninger som kan indikere frafallsrisiko, som fall i daglige aktive brukere eller lav funksjonsadopsjon.

For full innsyn i drivere for lojalitet og frafall:

  • Analyser overordnede frafallsgrader så vel som grader segmentert etter kundeattributter som abonnement, bransje osv.
  • Identifiser atferdsmønstre og bruksberegninger som lav adopsjon som er prediktive for fremtidig frafall.
  • Implementer kundehelsescoring for å overvåke risikosignaler og utløse proaktiv oppfølging.
  • Bruk en analyseplattform som tilbyr automatiske varsler ved bestemte terskler for frafallsrisiko slik at du alltid er oppdatert.
  • Kjør frafallsundersøkelser og analyser VoC-data for å avdekke de underliggende årsakene bak kanselleringer eller nedgraderinger.
  • Mål effektiviteten av kundelojalitetsprogrammer som winback-kampanjer og lojalitetsincentiver.
6

Voice of Customer-analyse

For å forstå kundebehov og preferanser dypt må du fange opp og analysere tilbakemeldinger, meninger og stemninger fra ulike kanaler.

Å virkelig lytte til kundenes stemme kan hjelpe deg med å peke ut forbedringsområder og øke tilfredshet, lojalitet og talsmannskap for merkevaren.

For voice-of-customer-analyse som driver handling:

  • Samle inn VoC-data fra et bredt spekter av kanaler, inkludert spørreundersøkelser, kundeintervjuer, produktanmeldelser, sosial lytting, supporttranskripter osv.
  • Bruk natural language processing og sentimentanalyse for å analysere tilbakemeldinger i stor skala og få en følelse av hvordan kundene dine har det.
  • Prioriter den mest presserende VoC-tilbakemeldingen basert på sentimentanalysen din og alvorlighetsgraden og utbredelsen av effekten du finner.
  • Knytt VoC-innsikten din til kvantitative data om produktbruk, operasjonelle KPI-er, finansielle data osv.
  • Implementer lukkede prosesser for å sikre at kundestemmer raskt blir adressert.
  • Analyser VoC-trender over tid for å identifisere endrede behov og fremvoksende muligheter.
  • Segmenter VoC etter kundeattributter, bransjer og bruksområder for målrettet innsikt (B2B).

Lås opp rikere kundeinnsikt med warehouse-native analyse

Å utvikle en virkelig kundebesatt kultur krever en omfattende, datadrevet tilnærming som samler ulike typer kundeanalyse – og gir team muligheten til å få mest mulig ut av dataene.

Slik formulerer Brian Balfour, Founder og CEO i Reforge, det:

«Etter hvert som du får fersk innsikt fra dataene dine, åpner det døren til nye spørsmål. Når du har nye spørsmål, må du oppdatere instrumenteringen og analysen din. Å si at prosessen er ‘ferdig’ er å si at du forstår alt det er å vite om brukerne, produktet og kanalene dine.»

Det er derfor du trenger kraftige, warehouse-native-verktøy som Optimizely Warehouse-Native Analytics på laget. Optimizely Warehouse-Native Analytics gir team muligheten til å fortsette å stille nye spørsmål og gå dypere med ad hoc-utforskende analyse på tvers av ulike datastrømmer.

Ved å hente direkte inn i ditt cloud data warehouse eliminerer Optimizely Warehouse-Native Analytics datasiloer og gir et enhetlig, 360-graders blikk på tvers av alle de viktige berøringspunktene på kundenes reiser.

Med selvbetjeningsfunksjonene til Optimizely Warehouse-Native Analytics kan tverrfunksjonelle team segmentere og veksle mellom hvilket som helst datasett uten tekniske flaskehalser. Ad hoc-analyseverktøy lar deg fortsette å skrelle av lag, teste nye hypoteser og avdekke ferske muligheter for å optimalisere kundeanskaffelse, engasjement, lojalitet og mer.

Med Optimizely Warehouse-Native Analytics kan du overvinne datasiloer og låse opp det fulle potensialet i kundeanalysen din.

Ikke gå glipp av ekspertveiledning for å mestre kundeanalyse og optimalisere kundenes opplevelse.