Kako iskoristiti podatke iz postojećeg CRM-a?

Vrednost koju podaci nose je velika. Kompanije danas prikupljaju velike količine podataka, ali neretko ne koriste pun potencijal koji oni pružaju. Kompanije koje nastoje da digitalizuju svoje poslovanje, koriste CRM sisteme i napredne koncepte razvoja, postižu prednost u odnosu na kompanije koje na tome ne rade. Prednost se ogleda ne samo u stabilnijem poslovanju i efikasnijim poslovnim procesima, već u sjajnom odnosu sa korisnicima i izraženom zadovoljstvu korisnika proizvodima i uslugama koje ove kompanije pružaju.

CRM sistemi omogućavaju čuvanje i prikaz podataka o korisnicima, komunikacijama sa korisnicima, kao i praćenje zadataka zaposlenih, metrika vezanih za prodaju i kampanje. Iz tog razloga predstavljaju jedan od najsveobuhvatnijih izvora podataka koje neka kompanija poseduje. Centralizacija podataka u vidu CRM-a omogućava jedinstveni sistem za korišćenje od strane zaposlenih, sinhronizaciju podataka koji se u njemu nalaze, kao i njihovo korišćenje za praćenje prodajnih procesa, slanje ponuda i filtriranje zaposlenih prema različitim parametrima. Jedinstvenost sistema omogućava zaposlenima u kontakt centru ili na prodajnom mestu, da brzo dolaze do potrebnih informacija o korisnicima i u skladu sa njima reaguju i prilagođavaju pristup ka svakom korisniku. Sinhronizacija podataka pruža usklađenost rada svih zaposlenih i smanjuje mogućnost greške, na primer, pružanja kontradiktornih informacija. Zahvaljujući informacijama o korisnicima iz CRM sistema, mogu da se personalizuju kampanje slanjem odgovarajućih ponuda preko preferiranih kanala svakom korisniku.

Korak dalje predstavlja korišćenje analitičkih CRM sistema i upotreba modela mašinskog učenja za predviđanje različitih vrednosti. Ovim modelima se nalaze još dublje korelacije među podacima od još veće vrednosti za kompaniju. Podaci mogu da se koriste za segmentaciju korisnika, predviđanje sledeće najbolje ponude ili vrednosti koju će korisnik doneti kompaniji u periodu od, na primer, godinu dana. Modeli predviđaju prema prethodnom korisničkom ponašanju, pa su zbog toga su istorija i kvalitet podataka veoma bitni za dobijanje validnih rezultata. Različiti tipovi segmentacije korisnika omogućavaju bolje razumevanje korisničkog ponašanja i navika. Kompanije mogu da prilagode komunikaciju ka korisniku prema njegovom segmentu ili kretanju kroz segmente. Na primer, ukoliko korisnik pripada segmentu koji predstavlja potencijal za prelaz u premium ili lojalan segment, kompanija može da deluje u skladu sa tim, slanjem ponuda koje mogu da motivišu korisnika da obavi kupovinu. Na ovaj način kompanije dobijaju uvid u afinitete i navike svojih korisnika. Dalje, u skladu sa tim, mogu da razvijaju postojeće ili nove proizvode, tako da ispune sve potrebe jedne ili više korisničkih kategorija.

Vredne informacije za kompaniju su i vrednosti koje će korisnici da donesu kompaniji u određenom vremenskom periodu, na primer, za godinu dana. Kompanija ove informacije može da iskoristi kako bi pravilno investirala novac u svoje korisnike – sadržaj koji se kreira, kanali koji se koriste i povlastice koje se daju, kako bi se održavalo ili povećavalo zadovoljstvo korisnika. Poznajući sa kog kanala kompanija dobija najprofitabilnije korisnike, može da ulaže više u taj kanal kako bi povećala broj korisnika. Sa druge strane, ukoliko neki segment korisnika postaje neaktivan ili često ulaže žalbe, kompanija može da proceni da li je isplativo ulagati u ove korisnike ili je njihovo zadržavanje veći trošak nego dobit za kompaniju.

Predviđanjem sledeće najbolje ponude za korisnika, kompanije mogu efikasnije da upravljaju kampanjama i aktivnostima ka korisnicima. Slanje bulk poruka korisnicima stavlja kvantitet ispred kvaliteta. Korišćenjem rezultata modela mašinskog učenja nastoji se da se ponude i komunikacija maksimalno fokusira i personalizuje, tako da svaki korisnik dobije jedinstveno iskustvo. Trošak slanja bulk kampanja i poruka korisnicima se usmerava na slanje kampanja korisnicima sa najvećim verovatnoćama za određeni proizvod. Na ovaj način, targetiranje korisnika je preciznije, što direktno utiče i na uspeh same kampanje. Pored odabira prave ciljne grupe, podaci o preferiranom kanalu korisnika dodatno utiču na zadovoljstvo korisnika i povećavaju personalizaciju korisničkog iskustva.

Sa druge strane, modeli za predviđanje prestanka korišćenja bančinog proizvoda ili usluge su churn modeli. Njihovim korišćenjem banka može na vreme da reaguje na degradaciju korisnika i porast njegovog nezadovoljstva uslugama banke sa glavnim ciljem očuvanja korisničke baze. U slučaju kada banka za nekog korisnika zna da ima visok churn može da proveri koja je sledeća najbolja ponuda za njega, kao i koji je njegov customer lifetime value i u skladu sa tim reaguje. Ukoliko se radi o korisniku kome CLV raste u narednoj godini, banka može da mu prosledi sledeću najbolju ponudu sa prilagođenim uslovima baš za njega i na taj način utiče na lojalnost korisnika banci. U suprotnom slučaju, ukoliko je CLV parametar nizak, banka može da pruži pogodnosti koje ne predstavljaju veliki trošak, tj. ulaganje za banku.