• OMX Baltic−0,27%313,82
  • OMX Riga0,07%950,88
  • OMX Tallinn−0,15%2 144
  • OMX Vilnius−0,36%1 500,64
  • S&P 5000,72%7 730,99
  • DOW 300,2%53 569,44
  • Nasdaq 1,57%26 541,35
  • FTSE 100−0,79%10 792,54
  • Nikkei 2250,76%66 636,68
  • CMC Crypto 2000,00%0,00
  • USD/EUR0,00%0,86
  • GBP/EUR0,00%1,17
  • EUR/RUB0,00%100,08
  • OMX Baltic−0,27%313,82
  • OMX Riga0,07%950,88
  • OMX Tallinn−0,15%2 144
  • OMX Vilnius−0,36%1 500,64
  • S&P 5000,72%7 730,99
  • DOW 300,2%53 569,44
  • Nasdaq 1,57%26 541,35
  • FTSE 100−0,79%10 792,54
  • Nikkei 2250,76%66 636,68
  • CMC Crypto 2000,00%0,00
  • USD/EUR0,00%0,86
  • GBP/EUR0,00%1,17
  • EUR/RUB0,00%100,08
Kliendikeskse lähenemise tuhinas võib aga ununeda, et peale kliendiinfo kogumise on vajalik kliendi andmeid seostada teiste andmeallikatega ja hinnata müügitegevuste mõju ettevõtte eesmärkide täitmisele.
Probleem väljendub tihti selles, et pärast CRMi juurutuse lõppu hakatakse tellima juurde uusi ja uusi aruandeid.
Samas võib juhtuda, et suur aruannete hulk ei taga rahuolu juhtimisinfoga. Seda eelkõige sellepärast, et aruanded näitavad fakte ehk vastavad küsimusele "mis juhtus?" (näiteks, kui suur oli käive, kogus või arvete hulk), kuid ei anna kasutajale võimalust andmeid omavahel seostada.
Samuti, teades klientide ostukäitumist aegreana, saame leida kliendid, kelle ostukäitumine erineb üldisest käitumisest ja see annab võimaluse lisamüügiks. Või analüüsida seda, kui palju on võimalik kliendile esimesel korral teha soodustust, et tema hilisemad ostud kataks algselt tehtud soodustusi.
20% meetoditest võib liigitada statistilisteks andmetöötluse meetoditeks ning nende puhul on sageli vaja kaasata spetsialist, kes soovitaks, milliseid meetodeid kasutada. Üldjuhul kasutatakse statistilisi meetodeid kas mingi kindla nähtuse kirjeldamiseks või mõne arvsuuruse ennustamiseks.
Näiteks võib arvutile ette anda kassatšekkide andmebaasi ning lasta analüüsida, millised jooned iseloomustavad kliente, kes on ostnud jogurtit.
Arvuti vastus võib kõlada umbes selliselt: "Jogurtit ostavad X% osas naised vanuses 20-35 aastat, kes käivad poes enamasti õhtuti ja nädalavahetustel ning kelle ostukorvis on peale jogurti veel lihatooted ja soolased suupisted."
Analüütilise CRMi juurutamise edukus sõltub andmete kvaliteedist.
Sageli on ettevõttes tavapärane olukord, et pole leida ühtegi inimest, kes oskaks öelda, millised andmed tekivad, kuidas need tekivad ja mis on andmete omavahelised seosed.
Samuti on probleemiks, et vajalike andmeid pole üldse kogutud. Seega: et luua analüüsisüsteem, mis looks ettevõttele lisandväärtust, on vajalik peale tarkvaralise lahenduse muretsemise vastata ka mõnele küsimusele. Kes hakkab analüüsisüsteemi hooldama? Kes vastutab andmete olemasolu eest? Kas ettevõtte otsustusprotsess väärtustab kvaliteetselt töödeldud andmeid?
Rahvusvahelised uuringud näitavad, et vaev analüüsisüsteemi loomisel tasub ennast ära, sest saadud tulemuste abil on võimalik tõsta ettevõtte käivet kontsentreerudes tulusamatele klientidele.
Samuti vähendada kulusid, elimineerides kahjumlikumad olukorrad ja kliendid, ning kiirendada teenindusega seotud tegevusi.

Seotud lood

Hetkel kuum

Podcastid

Tagasi Äripäeva esilehele