Miten luoda kilpailuetua asiakasdatalla?

Tuoreimmassa Harvard Business Review -lehdessä julkaistiin artikkeli siitä, miten data luo kilpailuetua. Tässä tiivistettynä tuo artikkeli täydennettynä omilla esimerkeilläni.

Monet yritysjohtajat uskovat lisääntyvän asiakasdatan luovan entistä parempia mahdollisuuksia hyödyntää koneoppimista palveluiden ja tuotteiden kehittämisessä. Mitä enemmän on asiakkaiden välistä arvonluontia (network effect) ja asiakasdataa, sitä nopeampaa on organisaation oppiminen ja kilpailuedun rakentaminen. Harvat yritykset kuitenkaan pystyvät kehittämään saman aikaisesti sekä datavetoista oppimista että palveluita ja tuotteitaan.

Pilvipalvelut mahdollistavat monen tyyppisen asiakasdatan keräämisen kuten henkilötiedot, käyttäytymismallit, sijainnin, toiminnan ja viestinnän. Koneoppimisen avulla tätä exponentiaalisesti kasvavaa datamäärää voidaan tehokkaasti analysoida ja tarjoamaa automaattisesti mukauttaa asiakaskohtaisesti. Jotta yritys voi rakentaa datavetoiseen oppimiseen pohjautuvaa kestävää kilpailuetua, kannattaa pohtia näitä seitsemää kysymystä.

1. Kuinka paljon lisäarvoa asiakasdata tuottaa?

Artikkelin esimerkkinä käytetään älytelevisioita. Vaikka streemauspalvelut kuten Netflix hyödyntävät asiakasdataa suosittelemalla kutakin asiakasta mahdollisesti kiinnostavia sisältöjä, televisioiden ostajat arvostavat ennemmin esimerkiksi helppokäyttöisyyttä, kuvanlaatua ja kuvaruudun kokoa. Koska televisiovalmistajat eivät vielä hyödynnä asiakasdataa erottuakseen, toimiala on äärimmäisen kilpailtu. Olisin valmis maksamaan ekstraa siitä, että televisioni tekisi yhteistyötä Elisa Viihteen kanssa ja yhdessä he toimisivat edukseni vaikkapa kertomalla juuri minua kiinnostavista uusista ominaisuuksista ja tekisivät toimenpiteitä puolestani esim. nauhoittamalla automaattisesti lapsiani todennäköisesti kiinnostavat ohjelmat.

2. Miten nopeasti datavetoisen oppimisen raja-arvo putoaa?

Tätä kysymystä oli hieman vaikea kääntää sujuvasti suomeksi, mutta se tarkoittaa sitä, missä pisteessä asiakasdatan täsmällisyyden paraneminen ei enää tuota lisäarvoa. Auto- tai terveydenhuollon aloilla yhden prosentin täsmällisempi asiakasdata voi pelastaa ihmishenkiä. Kuitenkin monilla toimialoilla oppimiskäyrän huippu saavutetaan hyvinkin nopeasti. Esimerkiksi älytermostaatti oppii muutamasta kerrasta käyttäjänsä preferenssin sopivasta huoneilman lämpötilasta, jolloin tuotteen valmistaja ei pysty tällä ominaisuudella luomaan kestävää kilpailuetua. Mielestäni kannattaa soveltaa kvalitatiivisten tutkimusten periaatetta, jota käytetään asiakashaastatteluissa. Kun uutta informaatiota ei tietystä asiasta enää synny, tiedonkeruu kannattaa keskeyttää ja keskittyä jo olemassa olevan datan analysointiin sekä uudenlaisen datan keräämiseen.

3. Kuinka nopeasti asiakasdatan relevanssi heikkenee?

Jos asiakasdata on nopeasti vanhenevaa tai kertakäyttöistä, kilpailijoiden on helpompi päästä samalle tasolle. Esimerkiksi FarmVille-pelin suosio pohjautui asiakasdatan analysoimiseen ja datavetoiseen kehitystyöhön, mutta Zynga ei pystynyt hyödyntämään oppejaan seuraavissa peleissään, minkä seurauksena pelaajamäärä ja yhtiön markkina-arvo puolittuivat muutamassa vuodessa.

4. Onko asiakasdata luottamuksellista?

Kun primääri asiakasdata on ostettavissa muusta lähteestä tai muilla keinoilla kerättävissä esim. tekoälyä hyödyntämällä, datavetoinen oppiminen ei tuota yritykselle ainutlaatuista kilpailuetua. Esimerkiksi puheentunnistamisen markkinaa dominoi aiemmin Nuance’s Dragon, jonka menestys perustui puhujien ja ohjelmistokehittäjien väliseen yhteistyöhön. Kuitenkin nopea teknologinen kehitys on ajanut kyseisen yrityksen vaikeuksiin. Puheentunnistusohjelmistot pystyvät tuottamaan tietyn ihmisen puhetta ilman, että ihminen opettaa ohjelmistoa. Mielestäni yritysten ei kannattaisi luottaa vain itse kerättyyn asiakasdataan vaan laajentaa periskooppiaan ja yhdistää eri lähteistä saatavaa informaatiota.

5. Kuinka vaikeaa on imitoida asiakasdataan perustuvaa kehittämistä?

Vaikka asiakasdata olisi ainutlaatuista ja tuottaisi arvokkaita näkemyksiä, ne saattavat olla helposti replikoitavissa kilpailijoiden toimesta. Asiakasarvon kasvattamisessa kumulatiivinen datan hyödyntäminen tuottaa pitkäkestoista edelläkävijyyttä. Tällöin asiakkaan antama uusi ja muuttuva data parantavat jatkuvasti hänen käyttökokemustaan. Tämän takia en usko koskaan luopuvani Spotifystä (myöskään osaakeenomistajana) ellei kuunteluhistoriaani saa sellaisenaan siirrettyä edullisempaan ja käyttökokemukseltaan parempaan palveluun.

6. Auttaako asiakkaan antama data parantamaan hänen vai muiden asiakkaiden kokemusta?

Ideaalitilanteessa yhden asiakkaan datasta johdettu oppiminen auttaa kehittämään palvelua tai tuotetta sekä tälle asiakkaalle että muille. Kun asiakkaan oma käyttö parantaa hänen henkilökohtaista kokemustaan yli ajan, vaihtaminen toiseen tarjoajaan vaikeutuu. Kun asiakaskohtainen data parantaa kaikkien asiakkaiden kokemusta, syntyy asiakkaiden välinen arvonluonti eli network effect. Ensimmäinen näkökulma tukee asiakaslojaliteettia ja toinen houkuttelee uusia asiakkaita. Mielestäni erityisesti B2B-palveluissa hyödynnetään aivan liian vähän muiden asiakkaiden dataa yksittäisen asiakkaan arvon tuottamisessa.

7. Kuinka nopeasti näkemykset asiakasdatasta voidaan viedä palvelu- tai tuotekehitykseen?

Nopeat kehitysprosessit hidastavat kilpailua. Asiakasdataan perustuva nopea oppiminen tarkoittaa sitä, että datansa luovuttavat asiakkaat ehtivät hyötyä antamastaan informaatiosta. Jos keskimääräinen asiakkuuden kesto on vaikkapa kaksi vuotta, tulisi asiakkaan kokea useita hänen dataansa pohjautuvia kokemusta parantavia kehitystoimenpiteitä.

Yhteenveto

Mitä enemmän yrityksellä on asiakkaita ja asiakasdataa, sitä suuremmat edellytykset sillä on päästä markkinajohtajaksi ja pysyä siinä asemassa. Se kuitenkin edellyttää monipuolisen datan hyödyntämistä, nopeaa oppimista ja tarjoaman kehittämistä sekä asiakaskohtaisesti että koko asiakaskunnalle.