Teknoloji, gelişen zaman içerisinde pazarlamacılar ve müşteriler için anlamlı, şirketler için de hem karlı hem de gerçek zamanlı olarak kullanılabilen bir noktaya geldi.
“Bunu alanlar bunu da satın aldı.” cümlesinden çok daha fazla yol kat ettik.
Jane isimli temsili bir müşterinin deneyimini düşünün. Zengin, ev sahibi ve evli bir anne olan Jane, ulusal bir giyim perakendecisi olan ve ara sıra uygulama üzerinden varlığını sürdüren bir uygulama üzerinden alışverişini sağlıyor. Buradan alışveriş yaptıkça yoga malzemesi arayışında olan müşteriler web sitesini ziyaret ederken, stil seçimlerini ve alışveriş alışkanlıklarını da kaydediyorlar ve benzer profiller de bunlara ulaşma imkanı sağlıyor. Sepete eklenen yoga pantolonları ve benzer aramalar aynı şekilde kontrol ediliyor.
İnternetten yapılan alışveriş normal koşullarda bu aşamada sona eriyor. Ancak, müşteri verileri aktive edildiğinde durum değişiyor. Çevrimiçi alışverişten sonra perakendeci, müşteriye sağlıklı bir e-mail gönderir. İçeriğiniz müşterinin ilgisini çekerse bağlantıya tıklar ve videonuzu ya da tanıtımınızı izler. Bir hafta sonra iPhone mesajı da alan kullanıcı bir anda kendisine özel bir indirim ile karşılaşır. Her ne kadar müşteri önceden bu tarzda bir alışveriş yapmamış olsa da indirim sayesinde kendisini özel hissederek hiç almayacağı bir materyal için de para harcar.
Bir kişinin gerçek zamanlı ihtiyaçlarına, ilgi alanlarına ve davranışlarına dayanan verilerin harekete geçirdiği pazarlama, yeni büyüme ufkunun önemli bir bölümünü temsil ediyor. Toplam satışları yüzde 15 ila 20 arttırabilir ve pazarlama yatırım getirisini önemli ölçüde büyütürken, dijital satışlar daha da artar.
Müşteri veri platformu: Gerçek kişiselleştirme sorununu çözme
Şirketler düzenli olarak çeşitli müşteri deneyimlerinden etkilenenleri test etme deneyimi yaşıyor, fakat, ölçeklemeye çalıştıklarında öncelik sıralamasının ne olduğunu anlamakta zorlanıyorlar. Jane’e geri dönün, pazarlamacılar onu bir anne, bir yoga meraklısı veya bir ev sahibi olarak hedefliyor mu? Testler üç parçaya da uygulandığında ne olur? O, her üç segmentte nitelikleri ve sinyalleri birleştiren yeni bir mikro segmentin parçası mı?
Bu, müşteri ilişkileri yönetimi (CRM), ana veri yönetimi (MDM) ve pazarlama kaynak yönetimi (MRM) gibi çözümlerin vaat etmesine rağmen pazarlamacıların zorluklardan kurtulamadığı bir sorun. Bu çözümler, şirketlerin veriyi konsolide etme ve düzene koyma, bölümlemeyi yönetme, iş akışını düzenleme ve müşteri ilişkilerini geliştirme konularında yardımcı olabilir. Ancak, müşterilerin sağladığı dijital sinyallerden tam olarak yararlanmazlar. Bunun yerine, “liste çekmeleri” ne, temel bölümlemeye ve kampanyalara güvenmek, kişiselleştirilmiş etkileşimleri ölçeklendirmek için otomatik karar verme, uyarlanabilir modelleme ve çevik veri kullanımından yoksun.
Veri bulma ve “karar verme” (yani otomatik karar verme) platformu olan Müşteri Veri Platformu pazarlamacıların veri odaklı müşteri etkileşimlerini gerçek zamanlı olarak ölçeklendirmesini mümkün kılıyor. CDP (Customer Demand Politics), Gartner Magic Quadrant veya Forrester Wave’e gerçekten karışmazken, giderek kategoriyi şekillendirecek olan küçük ama büyüyen bir üçüncü parti platform kadrosuyla giderek endüstri standardı bir konsept haline geliyor.
Verilerinizi en iyi şekilde etkinleştirmek için dört adım
Varolan bir ana veri yönetimi veya müşteri ilişkileri yönetim sisteminde yer değiştirip değiştirmeden veya sıfırdan başlayarak CDP’yi kuruluşunuza dahil ederseniz, dört alanda hakim olmanız gerekiyor:
-
Veri temeli: Müşterinin zengin bir görünümünü oluşturmak
Birçok şirket müşterilerine nazaran eksiksiz bir bakış açısı unsuruna zaten sahip. Ancak şirketler bazında düşünüldüğünde bu durum biraz daha karmaşık bir hal alıyor. Tüm maddeler birleştirilene kadar tam bir tarif bir araya getirilemediği gibi, yalnızca veri bağlandığında kullanıma hazır hale geliyor. CDP, bir şirketin sahip olduğu verileri alıp, anlamlı bir müşteri profili oluşturmak için birleştirir ve şirket genelinde erişilebilir olmasını sağlar.
CDP’nin “beslenmesi”, mümkün olduğunca çok veri birleştirerek ve zamanla bina kurarak başlıyor. Davranış gösteren ve aynı yolla değer yaratan müşteri profillerini kümeleyen modeller oluşturmak, veriyi işlemek için gelişmiş analitik ve onu hassaslaştırmak için makine öğrenimi gerektirir. Zamanla, sistem “öğrenir” algısıyla bu yaklaşım giderek daha ayrıntılı müşteri alt bölümleri üretir. Tüketicinin geride bıraktığı sinyallerin veri setini genişletmesi, şirketin gerçek zamanlı olarak yanıt vermesini ve tekrar etkileşimde bulunmanın yeni yollarını düşünmesini sağlayabilir. Ayrıca, toplanan bilgiler, bir müşterinin belirli bir kampanyaya verdiği yanıtın ötesinde, örneğin daha hedefe yönelik ürün geliştirmeyi sürdürebilir.
Aşina olduğumuz, alışılmadık alımlar yapan müşterilerini anlamak için mücadele eden bir takım şirketler, benzer CRM modellerini oluşturmak için kendi CRM verilerini Facebook tüketici verileriyle birleştiriyor. Bu, kategorilerinde en çok satacakları en yüksek değerli potansiyel müşteriyi belirlemenize yardımcı olur. Görüntülü reklamlar üzerinden ve bu alandaki görüntülü reklamlar aracılığıyla artan hedefleme, ortalama Facebook izleyicilerine göre yüzde 50 ila yüzde 100 daha fazla kazanç sağlayabilir. Bir veri yönetimi platformu (DMP) vasıtasıyla üçüncü parti verilerini (mevcut olduğunda) müşteri segmentlerine eşlemek, bilinen ve anonim olmayan dijital tüketicilerin deneyimini artırabilir ve katılımcı ve dönüşüm konusunda iyileştirmelere neden olabilir; net promosyon puanı, satın alma ve yaşam boyu değer.
-
Karar verici: Sinyaller üzerinde harekete geçirilecek verileri yeraltına al
Karar verme işlevi, pazarlamacılara belirli bir süre ve kanal için bir müşteriye en iyi içeriğin hangisinin gönderileceğine karar vermek için olanak sağlar. Müşteriler potansiyel değerlerine göre puanlanır. Daha sonra iş kuralları ve regresyon modelleri belirli mesajlar, teklifler ve deneyimlerle bu müşteri puanlarıyla eşleşir ve nelerin teslim edileceğine, ne zaman öncelik verileceğine karar verir. Bu, şirket müşterilerinin davranışsal ipuçlarını temel alarak tek bir kanalda veya kanallar arasında daha alakalı ve kişiselleştirilmiş katılım geliştirerek, müşterileri ile nasıl etkileşime girdiklerini iyileştirmelerine olanak sağlar. Bu sinyaller, “terk edilmiş” veya “taranmış ancak satın alınmamış” gibi basit olabilir veya müşteri verilerinden elde edilen segment ve günün saatine göre etkinlik gibi daha nüanslı olabilir. Aslında, bu sinyaller bir eylemi başlatan tetikleyiciler haline gelir. Karar verme motoru, şirketin yanıt olarak aldığı sinyallere ve eylemlere dayanan bir dizi tetikleyici ve sonuç geliştirir.
Örneğin, çok kanallı bir perakendeci, birçok tüketicinin web sitesinde yılda bir kez satın alma gerçekleştirdiğini keşfetti. Daha fazla analiz, aynı müşterilerin satın aldıktan sonra birkaç gün içinde siteye göz atmaya yöneldiğini ortaya koydu. Şirket şimdi müşteriyi bir yıl daha kaybetme riskinden ziyade özelleştirilmiş, hedefli mesajlaşma göndermek için bu fırsat penceresinden yararlanmakta. Bu yaklaşım, e-postaların açık oranını ikiye katladı. Genel hedefli iletişimlerde yüzde 10 ila 15, tüketici hız sinyallerine etki eden gerçek zamanlı “tetik tabanlı” iletişimler için yüzde 25 ila 35.
Daha sofistike şirketler, tüm dağıtım kanallarında çalışan bir karar modeli oluştururlar. Bir müşteri, karar yolculuğunda ilerledikçe bir kanalın bir başka kanal üzerindeki etkisini tanımlamak için gelişmiş modelleme ve analitik teknikler gerektirir. Bir seyahat şirketi son zamanlarda bu yaklaşımı benimsemiş ve kanallar arası koordinasyon mesajları, dönüşüm oranlarında ve müşteri yaşam boyu değerde yüzde 10-20 artış sağladı.
Etkili karar verme için testler yapılmalı
Etkili karar verme, hipotezleri ve sonuçları doğrulayan ve hassaslaştıran tekrarlanan testlere dayanmakta. Modeller ve algoritmalar birbiri üzerine kurulduğundan, bunlar zamanla giderek sofistike hale gelebilir. Bir telekomünikasyon şirketi; belirli şehirlerdeki müşteriler, belirli bir cihazın önceki sahipleri, akrabalık grupları ve son üç günde belirli bir web sayfasını görüntüleyen insanlar için farklı teklifleri farklı gruplar için test ediyor. Bu kadar karmaşık olan yarı otomatik bir karar verme motoru, en yüksek getiri oranına sahip olduğu kanıtlanmış teklifleri ve deneyimlere öncelik kazandırıyor. Bu, telsizin tutarsız müşteri deneyimi veya çakışan teklif korkusu olmadan düzinelerce testin sonuçlarını ölçeklendirmesini sağlar.
-
Tasarım: doğru teklifleri, mesajları ve deneyimleri hızla hazırlayın
Müşterilerinizi anlamak ve onlarla nasıl etkileşim kuracağınızı bilmek için içeriklerinizin de sağlam olması gerekiyor. Bununla birlikte büyük teklifler tasarlamak, şirketlerin içindeki işlevlerin ve departmanların mini fiefdomain olarak faaliyet gösterdiği gerçeğinden dolayı engellenmekte. Her kanalın sahipleri, tüketicileri yalnızca kendi kanalları içinde test edip etkileşime girer. Gerçek faydalar, yalnızca şirketler, belirli tüketici kesimlerine veya seyahatlerine odaklanan ilgili işlevlerden “savaş odaları” na geçtiklerinde ortaya çıkabilir.
Bu ekiplerin, tüketici önceliklerine ve bunlara ulaşma sorumluluğuna açık bir mülkiyeti var. İşbirlikçi ekip sürekli olarak yeni fikirler geliştirir. Müşterileri nasıl etkileyecekleri konusunda hipotezler tasarlar, denemeler geliştirir, teklifler ve varlıklar oluşturur. Analitikler; fırsatları belirlemek, etkiyi test etmek ve testlerden alınan bilgileri elde etmek için yardımcı olur. Bu içerik, daha sonra bir tetikleyici ile ilişkilendirilebileceği ve gerektiğinde gitmeye hazır olabileceği şekilde etiketlenir. Savaş odasını piyasaya sürdükten sadece üç ay sonra, birçok çok kanallı perakende müşterisi; test hızının 15-20 hafta, iki ila üç hafta, ayda dört ila altı, ayda 20-30 olacak şekilde test ettiğini gördü.
-
Dağıtım: Platformlar arasında deneyim sunma
Dağıtım sistemleri, kendilerine beslenen reklamı veya mesajı gönderen basit “borular”. Genellikle elle çalışabilirler ve küçük terzi ile geniş kesimlerdeki kişilere iletişimi patlatabilirler. Ancak belirlenmiş tetikleyiciler ve etiketlenmiş içeriği ile CDP motorunu bu dağıtım sistemine bağlayarak eski bir pazarlama enstrümanı, tüm adreslenebilir kanallardaki farklı müşteri alt bölümlerine, belirli mesajlar gönderen çok daha yönlendirilmiş bir araç haline gelir.
Bu dağıtım sistemi genellikle bulutta yaşayan bir platformdur. Diğer “nokta” çözümleri CDP’ye de bağlanabilir. Gelişmiş işletmeler, CDP’yi fonksiyonu destekleyen pazarlama teknolojileri olan “martech yığını” na bağlamaya yardımcı olacak bir API kütüphanesi geliştirdi. En iyi dağıtım platformları, müşteri yanıtını, katılımını ve dönüştürme verilerini CDP’ye geri gönderen bir geri bildirim döngüsü oluşturur. Bu mekanizma, CDP’nin büyüyüp gelişmesine (örneğin, değişen iş kurallarına veya müşteri eğilim puanlarına cevap vererek), başarılı sonuçların rafine edilmesine ve başarısız olanların ortadan kaldırılmasına olanak tanır. Jane’i hatırlıyor musun? Haftanın belirli bir döneminde belirli sayıda dokunuş alması halinde, iş kuralları deneyim ve markaya karşı duyarlılığını korumak için ek mesajları bastıracaktı.
Veri etkinleştirme çerçevesinin uygulanması
Tüm veri etkinleştirme çabaları eşit şekilde oluşturulmaz. Vaka odaklı bir yaklaşım kullanarak, testlerin birikiminin fırsata göre sıralanmasını, her olası kullanım durumunun etkisini kanıtlayarak ve onu uygulamak için gereken çaba düzeyiyle dengelemenizi öneriyoruz.
Bir toptan BT dönüşümünün aksine, bir CDP’yi kullanmak, mevcut müşteri veri sistemlerinin yerine geçmek yerine, mevcut sistemlerin üzerinde piggyback yapabilen operasyonel bir çözüm. Deneyimlerimize göre, birçok pazarlamacının evdeki pazarlama-teknoloji denkleminin büyük bir bölümü zaten var; sadece düzgün kullanmıyorlar.
Verilerin harekete geçirdiği, birebir pazarlama vaadi sadece mümkün değil, günümüz müşterilerince giderek daha fazla bekleniyor. Artık basit müşteri işlemlerini kalıcı ilişkilere dönüştürmenin anahtarı.
Kaynak: mckinsey.com