6 typer av kundanalyser och när de ska användas

Låt oss vara ärliga - gör du verkligen det mesta av de enorma dataset du har om dina kunder? Från marknadsföringsengagemang och firmografiska detaljer till insikter om produktanvändning och supportregister - du har sannolikt en mängd data om hur dina kunder beter sig och engagerar sig i ditt varumärke.

Men de flesta företag utnyttjar inte ens en bråkdel av den kundinformation som de har tillgång till. Åtskilda datasilos och ineffektiva flaskhalsar innebär att teamen ofta har blinda fläckar och inte kan få en sammanhängande bild av hela kundresan.

Det är ett stort misstag, eftersom förståelse för kundernas behov och beteenden från början till slut är en strategisk förändring för att driva verklig produktledd tillväxt.

McKinsey fann att datadrivna organisationer som är duktiga på att operationalisera kundinsikter överträffar sina konkurrenter med 85 % i försäljningstillväxt och över 25 % i bruttomarginaler.

För att uppnå resultat på den här nivån behöver teamen ett integrerat tillvägagångssätt som blandar olika typer av analysresultat av kundresan för att kunna se vad som händer i olika skeden av kundresan - från förvärv till engagemang, behålla kunder, churn och livstidsvärde.

I den här artikeln går vi igenom 6 typer av kundanalyser som är viktiga för att förbättra kundernas upplevelse. Vi visar dig hur du kombinerar kundinsikter för att hitta möjligheter till tillväxt och kundnöjdhet som bidrar till att nå dina affärsmål.

Är du redo att eliminera åtskilda data och skapa en verkligt enhetlig kundanalys i hela organisationen? Kontakta oss för att lära dig hur Optimizely Warehouse-Native Analytics lager-nativa plattform ger självbetjäning tillgång till rika insikter över hela kundresan.

Varför kundanalys är viktigt

Låt oss börja med att definiera vad vi menar med kundanalys.

I grunden handlar analysresultat av kundresan om att utnyttja data för att få en djupare förståelse för kundernas behov, beteenden, motivationer och resor. Det omfattar flera viktiga typer av analyser.

Dessa inkluderar:

Beskrivande analys, som fokuserar på att förstå kundbeteenden och -mönster genom att utforska historiska data. Det kan handla om att analysera data om produktanvändning, förvärvskällor som marknadsföringskanaler eller kampanjer, supportinteraktioner och övergripande köptrender.

Diagnostisk analys, som hjälper dig att identifiera grundorsakerna bakom observerade kundbeteenden. Tekniker inkluderar kohortanalys (jämförelse av användarbeteenden över olika geografiska områden/förvärv/planer) och kartläggning av användarresor för att visualisera vägar och avhoppspunkter, analys av trattar för att hitta hinder i konvertering.

Prediktiv analys, som handlar om att förutse framtida kundåtgärder, risker och möjligheter genom att bygga statistiska modeller från aktuella och historiska data. Vanliga användningsområden är att förutse kunder som riskerar att bli kundlösa, beräkna customer lifetime value och modellera kundernas benägenhet att konvertera, utöka sin prenumeration eller uppgradera.

Prescriptive analytics, som utnyttjar insikter (vanligtvis genom maskininlärning) och rekommenderar specifika åtgärder för att driva önskade kund- och affärsresultat. Det kan till exempel handla om att optimera marknadsföringsutgifter, öka aktiveringen av huvudfunktioner i en tjänst eller utlösa kundhälsovård för att minska kundbortfallet.

Varför kundanalys är verksamhetskritiskt

I dagens digitala upplevelseekonomi är kundanalys inte bara något som är bra att ha - det är ett absolut måste för alla organisationer som strävar efter hållbar, produktledd och användarcentrerad tillväxt.

Låt oss titta närmare på varför.

Smartare, evidensbaserade beslut
Med omfattande kundinsikter kan teamen optimera strategier för kundförvärv, onboarding, adoption, engagemang, behålla kunder och expansion baserat på hårda data snarare än magkänsla.

Identifiera produktmöjligheter med stor genomslagskraft
Genom att analysera kundfeedback och beteendemönster kan du prioritera de mest effektiva formerna av innovation, optimering och personalisering när det gäller produkter.

Förbättra den övergripande kundupplevelsen
De bästa analysresultaten av kundresan hjälper dig att förstå hela kundresan i flera kanaler. Det innebär att du kan identifiera källor till både kundfriktion och kundglädje - och åtgärda dem genom att förbättra UX-flöden, support, onboarding, meddelanden i appen med mera.

Öka marknadsföringens effektivitet och konverteringar
Genom att kartlägga hela kundresan från det första intresset och samla in leads till konvertering och expansion kan marknadsföringsteamen förbättra kampanjerna och effektivt segmentera och vårda värdefulla kundgrupper.

Minska riskerna för kundbortfall proaktivt
Övervakning av användarbeteende, känslor och kundhälsa visar dig hot och låter dig vidta snabba åtgärder med riktade uppfinningar för kundframgång.

Anpassa kundmål till affärsmätningar
Genom att utnyttja data som spänner över hela kundlivscykeln kan teamen samlas kring anpassade, intäktspåverkande mål och KPI:er som mäter effekterna av initiativ för förvärv, adoption, behålla kunder och expansion.

I slutändan handlar det om att använda analysresultat av kundresan för att få en 360-graders bild av kundernas behov, upplevelser och resultat i varje steg av deras resa. Denna nivå av förståelse kan bara uppnås genom att förena flera datakällor, från marknadsföringskanaler och produktanalys till faktureringssystem, supportregister och insikter om kundröster.

Det är därför som framväxten av moderna, warehouse-native analytics-plattformar har varit så avgörande. Nästa generations analysverktyg av kundresan som Optimizely Warehouse-Native Analytics ger organisationer möjlighet att eliminera datasilor och få ett verkligt enhetligt perspektiv över hela kundlivscykeln.

Genom att dra direkt från ditt datalager låter plattformar som Optimizely Warehouse-Native Analytics dig sammanföra produktanvändning, marknadsföringssystem och CRM, faktureringsplattformar, kundsupport och mer för kraftfullare analyser utan dataduplicering eller fragmenterade händelseströmmar. Optimizely Warehouse-Native Analytics självbetjäningslösningar eliminerar tekniska flaskhalsar och låter produkt-, marknadsförings- och kundupplevelseteam enkelt visualisera kunddata, skära, tärna och göra en strategisk förändring mellan vyer och gå djupare med ad hoc-utforskning.

6 viktiga typer av kundanalys för datadriven tillväxt

Att förstå dina kunder på detaljnivå med hjälp av analyser är grunden för att driva hållbar tillväxt.

Vilka kundanalyser du behöver prioritera beror på ditt företags unika behov, men du bör kombinera flera olika typer för att få en helhetsbild.

Använd den här guiden som ett ramverk för att kanalisera dina kunddata till en heltäckande vy som hjälper dig att optimera varje steg i kundresan.

1. Analys av kundanskaffning

   Customer acquisition analytics fokuserar på att förstå hur kunder först upptäcker och engagerar sig i ditt varumärke genom en rad olika marknadsföringskanaler och kampanjer, vilket hjälper marknadsförings- och tillväxtavdelningar att optimera sina förvärvsstrategier. Det handlar om att analysera data från verktyg för webbanalys och marknadsföringsanalys, betalda mediekampanjer, SEO och innehållsprestanda, sales intelligence-plattformar, CRM med mera.

   Viktiga kundförvärvsmått att mäta inkluderar kundförvärvskostnader, konverteringsgrad, antal kundinteraktioner, sökvolym, samla in leads, marknadsföringskvalificerade leads och säljaccepterade leads. Men för att få en verkligt effektiv analys av kundförvärv vill du också förstå nedströmsmätningar som att behålla kunder, customer lifetime value och bibehållande av nettointäkter per förvärvskälla.

   Denna kompletta vy säkerställer att du inte bara ser förvärv som ett sifferspel - utan en fråga om att förvärva rätt högvärdiga, klibbiga kunder som kommer att driva långsiktig tillväxt.

   Att göra effektiva analyser av kundförvärv innebär:

   • Analys av tratten för att förstå hur olika leadkällor konverterar genom tratten i olika takt och påverkar mätvärden som CAC.
   • Identifiera avhoppspunkter och friktionsområden i dina kundvårdande flöden
   • Upptäcka mönster för att förstå vilka kampanjer och vilket innehåll som driver initialt intresse och engagemang från dina ideala kundprofiler.
   • Bygga prediktiva modeller för att bedöma leadkvalitet, köpbenägenhet och sannolikheten för att bli en lojal kund med högt värde.
   • Mätning av vilka kontaktpunkter som ger flest kunder av högsta kvalitet, genom att titta på omedelbar konverteringsgrad och hur många kunder som behålls eller utökas.
   • Analysera specifika kohorter baserat på attribut som leadkälla, persona och företagsstorlek - och dela upp kundsegment för att identifiera mönster i nedströmsmätningar.

   För att verkligen förstå kundförvärv behöver du en integrerad 360-gradersvy som knyter förvärvsmätvärden till nedströms produktadoptionsgrad, kundhälsoindikatorer, trender för att behålla kunder, expansionsintäkter och customer lifetime value. Med hjälp av moderna, warehouse-native analytics-verktyg kan du utforska hela kundens livscykeldata tillsammans.

2. Analys av kundengagemang

   Analys av kundengagemang handlar om att få insikter i hur kunder interagerar med och får värde från din produkt eller tjänst efter att de har konverterat. Det innebär att utforska beteendedata från en rad olika källor som produktanalys, verktyg för digital kundupplevelse, kundsupportsystem, meddelanden i appen med mera.

   Viktiga mätvärden att spåra är bland annat antalet produktanvändningar, indikatorer på användarnas engagemang, till exempel aktiva användare per dag/månad, använda funktioner, genomsnittliga sessionslängder, supportärenden, Net Promoter Score och övergripande engagemangsnivåer över tid. Men effektiv engagemangsanalys går utöver mätningar på toppnivå och försöker på djupet förstå varför kunderna beter sig på vissa sätt och hur man kan öka användningen och optimera deras upplevelser.

   Viktiga aspekter av analys av kundengagemang inkluderar:

   • Analysera användarflöden och trattar för att förstå hur kunderna navigerar i din produkt och upptäcker/använder olika funktioner samt identifiera eventuella förvirringsmoment.
   • Kontrollera de optimala användarvägarna och specifika "aha"-ögonblick som förutsäger kundaktivering och behållande av kunder - koppla produktanvändningsmönster till nedströmsmarkörer som upprepade köp, expansionsintäkter och customer lifetime value.
   • Segmentering av användarresan för att bättre förstå olika grupper baserat på var de befinner sig i produktresan, typ av abonnemang etc. och skräddarsy kundupplevelsen därefter.
   • Samla in och tolka kvalitativa kundinsikter från undersökningar, produktrecensioner, supportinteraktioner med mera.

3. Digital upplevelseanalys av kundupplevelsen

   Även om kundförvärv och kundengagemang ger viktiga insikter, kräver verklig optimering en helhetssyn på hela kundresan. Analysresultat av kundresan kartlägger varje kontaktpunkt i den totala upplevelsen från den första upptäckten av varumärket till konvertering, onboarding, adoption, support, behålla kunder, expansion och vidare.

   Du bör sträva efter nyckeltal som hög kundnöjdhet (CSAT), lojalitet och förmåga att behålla kunder, stark NPS (Net Promoter Score) och låg CES (Customer Effort Score) - hur stora svårigheter en kund upplever när han eller hon försöker uppnå ett mål eller lösa ett problem med din produkt eller tjänst.

   Att analysera kundupplevelsen bör också innebära att man lyssnar på feedback från kundernas röst (VoC). Med de bästa analyserna kan du koppla samman kund- och affärsdata för att förstå hur specifika kundupplevelser påverkar affärsresultat som produktadoption, engagemang, intäkter med mera. Låt oss till exempel säga att du vill öka expansionsintäkterna från befintliga kunder. Du kan undersöka positiva och negativa CSAT-poäng tillsammans med kontoanvändning, hälsopoäng och faktureringsdata - och kanske upptäcka att dåliga CSAT-betyg är kopplade till en frustrerande UX som indikeras av höga avbrott i flödet, eller till och med faktureringsproblem, till exempel att inte erbjuda ett automatiserat Paypal-alternativ. Den här typen av insikter från självbetjäningstjänster för affärsanalys ger dig ett försprång när det gäller att ta itu med grundorsaken.

   För kraftfull digital upplevelseanalys för kunder:

   • Kombinera kvantitativa mått som CSAT, NPS och CES med kvalitativa data från kundfeedback, supportinteraktioner och lyssnande på sociala medier.
   • Segmentera kunder baserat på deras upplevelser och kontrollera skillnader mellan segmenten för att skräddarsy upplevelser.
   • Analysera kundsentiment och känslor i feedbacken för att förstå de underliggande drivkrafterna bakom positiva och negativa upplevelser.
   • Använd verktyg för sessionsinspelning och värmekartor för att visualisera kundernas problem och identifiera UX-problem.
   • Analysera kundresans ansträngningsgrad i varje steg för att identifiera områden med hög ansträngning som behöver processförbättringar.
   • Kartlägg hela kundresan från början till slut genom alla kontaktpunkter och kanaler för att identifiera smärtpunkter och friktionsområden och förstå hur upplevelsen utvecklas genom hela kundlivscykeln.
   • Länka mätvärden för kundupplevelsen med nedströmsmätningar som att behålla kunder, customer lifetime value och intäkter för att förstå affärseffekterna.

   Ju mer du har rätt kunddata - data som är relevanta i sammanhanget och som är konsoliderade och tillgängliga för att kunna användas vid rätt tidpunkt - desto bättre blir upplevelsen för dina kunder. Men det räcker inte bara med att ha rätt data, du måste också ha verktygen (t.ex. Customer Data Platforms för att skapa en samlad bild av kunden, analysresultat av kundresan samt prediktiva och normativa analysverktyg och funktioner) för att förstå, lära, anpassa och driva alla kontaktpunkter med kunden, tekniken (t.ex. geofencing, ansiktsigenkänning och biometriska sensorer) och medarbetarna för att använda data på ett relevant och kontextualiserat sätt.

4. Analysresultat av kundresan

   Som vi har föreslagit bör hela kundresan vara kärnan i alla dina analysresultat. Men det är viktigt att specifikt analysera kundresan från början till slut och försöka hitta områden där kunderna är nöjda och där det finns friktionspunkter i varje steg, från den första medvetenheten till förvärv, onboarding, adoption, engagemang, behålla kunder och förespråkande.

   Viktiga mätvärden som ger dig en känsla av din kundresa inkluderar konverteringsgrad för leads i de övre, mellersta och nedre stegen i tratten, mätvärden för produktaktivering som adoption av huvudfunktioner, "aha"-ögonblick och signaler om att användaren stannar kvar, som sessionstid, samt mätvärden för customer lifetime value (CLV) och intäktsexpansion.

   Tips för meningsfulla analysresultat av kundresan inkluderar:

   • Använda warehouse-native analytics-verktyg för att köra enhetliga analyser med data från flera olika flöden, från marknadsföring, försäljning, produktanvändning, supportsystem, kundröstkällor.
   • Segmentering av resor per segment och analys av specifika kohorter baserat på plantyp, användningsfall, bransch med mera.
   • Analysera tratten i varje steg för att identifiera avhoppspunkter, hinder och viktiga ögonblick för konvertering.
   • Berika analysen med kundfeedback som ger ett kvalitativt sammanhang i de olika stegen.
   • Kartläggning av kundbeteenden och kundresans olika steg till nedströmsmätningar kring aktivering, adoption, churn och livstidsvärde.
   • Använda maskininlärning för att identifiera och prioritera möjligheter till optimering av kundresan.

5. Analys av att behålla kunder/churn

   Det är viktigt att förstå de faktorer som driver kundbortfall så att du proaktivt kan förhindra dem och upptäcka möjligheter att förbättra förmågan att behålla kunder och customer lifetime value.

   De viktigaste mätvärdena att fokusera på här är churn rate och retention rate, men det är också bra att tänka på customer lifetime value, behålla kunder och hålla ett öga på mätvärden för produktanvändning som kan indikera churn-risker, som minskningar av dagliga aktiva användare eller låg funktionsadoption.

   För full insyn i vad som driver kundlojalitet och churn:

   • Analysera totala churn-frekvenser samt frekvenser segmenterade efter kundattribut som plan, bransch etc.
   • Identifiera beteendemönster och användningsmått, t.ex. låg användning, som kan förutsäga framtida kundbortfall.
   • Implementera kundhälsoscoring för att övervaka risksignaler och utlösa proaktiv uppsökande verksamhet.
   • Använd en analysplattform som erbjuder automatiska varningar vid vissa tröskelvärden för churnrisk så att du alltid är uppdaterad.
   • Genomför churn-undersökningar och analysera VoC-data för att hitta grundorsakerna bakom uppsägningar eller nedgraderingar.
   • Mät effektiviteten i program för att behålla kunder, som winback-kampanjer och lojalitetsincitament.

6. Analys av kundens röst

   För att på djupet förstå kundernas behov och preferenser måste du fånga upp och analysera feedback, åsikter och känslor från olika kanaler.

   Om du verkligen lyssnar på dina kunders röst kan du hitta områden som kan förbättras och öka nöjdheten, lojaliteten och varumärkeslojaliteten.

   För analys av kundröster som leder till handling:

   • Samla in VoC-data från ett brett spektrum av kanaler, inklusive enkäter, kundintervjuer, produktrecensioner, social lyssning, supportutskrifter etc.
   • Använd Natural Language Processing och sentimentanalys för att analysera feedback i skala upp och få en puls på hur dina kunder känner sig.
   • Prioritera den mest brådskande VoC-feedbacken baserat på din sentimentanalys och den påverkan, allvarlighetsgrad och prevalens som du hittar.
   • Koppla samman dina VoC-insikter med kvantitativa data om produktanvändning, operativa KPI:er, ekonomi etc.
   • Implementera processer med slutna kretslopp för att säkerställa att kundernas åsikter åtgärdas omedelbart.
   • Analysera VoC-trender över tid för att identifiera förändrade behov och nya möjligheter.
   • Segmentering av VoC efter kundattribut, branscher, användningsområden för målgruppsinriktade insikter (B2B).

Få rikare kundinsikter med warehouse-native analytics

För att utveckla en verkligt kundorienterad kultur krävs ett omfattande, datadrivet tillvägagångssätt som sammanför olika typer av kundanalyser - och ger teamen möjlighet att få ut mesta möjliga av data.

Så här uttrycker Brian Balfour, Founder and CEO på Reforge, det:

"När du får nya insikter från dina data öppnar det dörren till nya frågor. När du har nya frågor måste du uppdatera din instrumentering och analys. Att säga att processen är "klar" är detsamma som att säga att du förstår allt som finns att veta om dina användare, din produkt och dina kanaler."

Det är därför du behöver kraftfulla, warehouse-nativa verktyg som Optimizely Warehouse-Native Analytics i ditt hörn. Optimizely Warehouse-native Analytics gör det möjligt för team att fortsätta ställa nya frågor och gå djupare med utforskande ad hoc-analys över olika dataströmmar.

Genom att utnyttja direkt i ditt molndatalager eliminerar Optimizely Warehouse-Native Analytics datasilor och ger en enhetlig 360-gradersvy över alla viktiga kontaktpunkter på dina kunders resor.

Med Optimizely Warehouse-Native Analytics självbetjäningsfunktioner kan tvärfunktionella team skära, tärna och göra en strategisk förändring mellan alla dataset utan tekniska flaskhalsar. Ad hoc-analysverktyg gör att du kan fortsätta skala bort lager, testa nya hypoteser och avslöja nya möjligheter att optimera kundförvärv, engagemang, behålla kunder och mer.

Med Optimizely Warehouse-native Analytics kan du övervinna datasilos och frigöra den fulla potentialen i din kundanalys.

Missa inte expertvägledning för att bemästra kundanalys och optimera dina kunders upplevelse.