Vzhledem k tomu, že čím dál více zařízení a touchpointů je digitálních, tak je tu možnost hledat insighty v „datových stopách“ (data footprint), které zákazníci po sobě zanechávají během svého rozhodovacího procesu. Od mobilních telefonů přes bannery na desktopech až po vyhledávání na internetu. Žijeme v éře velkých dat s bilióny bajtů přenášených každou vteřinu pomocí sítí. To je důvod, proč velké značky a reklamní agentury budují týmy pro analýzu dat, aby získaly veškeré údaje a mohly je k něčemu využít. A to jak pro značku, tak pro spotřebitele.
Zde je několik příkladů toho, jak procházení hromadou čísel a využívání dat pomohlo různým společnostem najít dříve skryté insighty, což vedlo k lepší spokojenosti zákazníků.

Příklad č. 1: Problémy na pohotovosti

Před několika lety nemocnice ve Washingtonu D.C. zaznamenala, že se během několika týdnů od propuštění vrátilo na pohotovost velké množství pacientů. Aby bylo možné najít odpovědi, tak nemocnice využila data, analyzovala více než 300 000 návštěv nemocnice a hledala schémata mezi 25 000 různých proměnných, včetně léků pacientů, vitálních funkcí a lékařů. V hromadě všech těchto údajů objevili dvě klíčové korelace. Za prvé, pokud délka pobytu pacienta trvala více než 14 hodin, tak se pacient s velkou pravděpodobností vrátil. Zadruhé, pokud bylo v lékařské zprávě pacienta zmíněno slovo „tekutina“, tak se značně zvýšila pravděpodobnost opětovného přijetí. Analyzováním nemocničních dat, jako je tato, dokáže nyní nemocnice vytvořit pro každého pacienta přesnější prognózu opětovného přijetí, což znamená lepší péče pro více pacientů a úspory stovek milionů dolarů.

Příklad č. 2: Tyto náušnice by skvěle seděly s těmito šaty!

Když Neiman Marcus chtěl posunout své renomované zákaznické služby na další úroveň, tak mu data mining pomohl najít silný insight: zákazníci, kteří nakupovali se stejným zaměstnancem třikrát, utratili téměř desetkrát víc než ti, kteří šli nakupovat s náhodným prodavačem. Výsledkem tohoto insightu je služba Neiman Marcus Service App, která umožňuje zákazníkům vidět, kteří prodavači jsou v prodejně, jakmile vejdou do obchodu. Zaměstnanci Neiman Marcus pak mají plnohodnotnější přehled o historii nákupů zákazníka (online i na pobočkách), takže spolupracovník lépe rozumí preferencím zákazníka a může mu tak nabídnout relevantní položky, které mohou ladit s předchozími nákupy. Například pár náušnic bude ladit s koktejlovými šaty, které byly nedávnou koupeny online.

Příklad č. 3: Každý hlas se počítá

Politické kampaně začaly také používat data mining, aby jim data pomohla získat hlasy a navýšit množství darů. V jedněch amerických volbách si manažeři kampaní vytvořili profily voličů na základě dat z Facebooku, Twitteru a dalších veřejně dostupných zdrojů, což jim umožnilo vytvářet velmi specifické sdělení o konkrétních problémech. Pomocí vlastních algoritmů a týmů pro analýzu dat byli schopní zjistit, kteří voliči otevřeli pouze kampaňové e-maily týkající se válečných veteránů, ale nikdy neotevřeli e-mail týkající se práce. Tento insight poháněl kampaňový tým, aby těmto voličům rozesílal více e-mailů týkajících se veteránů v průběhu celé kampaně a navýšil tak počet otevřených e-mailů a větší účast v hlasování.

Poznámka pod čarou

Insighty, které pocházejí z data miningu, mohou mít vliv na podnikání i mimo marketing. Jako planneři pravděpodobně nebudete každý den procházet data, ale budete muset žádat o určitý typ dat. Takže je důležité, abyste si vytvořili dobrý vztah s klienty, kteří data vlastní. Když budete chtít prodat klientovi svou strategii, tak pomáhá, když můžete insighty podpořit s datovými body z vlastní databáze klienta.
A konečně, když vám kreativci položí otázky typu: „Jak lidé používají mobilní zařízení v místě prodeje u určitého produktu?“, tak se pro ně stanete nepostradatelnými, když máte tato data po ruce.

Categories: Planning Academy