Marketing automation – hur gör vi?

I den förra posten om Marketing Automation (MA) beskrevs utmaningar med att automatisera en iterativ köpprocess i realtid. Kunder kan när och var som helst i köpprocessen få tillgång till nytt digitalt innehåll, vilket medför att kunder kan backa flera steg i processen eller hoppa över andra steg i processen. Detta förändrar vilka varumärken som kvalificerar sig som tänkbara köpalternativ och vilka som köps under hela processen. Processen slutar inte med köpet. Även vid användning och utvärdering av varumärke sker betydande konsumtion och skapande av digitalt innehåll. Då dessa interaktioner med varumärke och digitalt innehåll ofta har större påverkan på varumärkesupplevelser än de inför köp, påverkar upplevelsen av dessa i allt högre grad kommande köp och viljan till att ge omdömen, positiva som negativa, eller delta i annan samverkan (co-creation) (Se del 5 i Ström & Vendel, 2015).

För att kunna automatisera sådana processer, behöver vi ha följande förmågor:

• utveckla flexibla modeller av köpprocess med hög förklaringsgrad och förmåga att förutsäga köpbeteende
• identifiera, anpassa och exponera digitalt innehåll i realtid i varje steg av köpprocess, så att önskvärd effekt maximeras, exempelvis konvertering

I sin tur kräver detta kompetenser inom datorbaserad modellering, utveckling av algoritmer, data mining, programmering av beslutsregler för hur digitalt innehåll exponeras för varje individ baserat på situation. Det är dock långt ifrån alla företag som känner sig mogna att eller bör ta på sig dessa utmaningar. Men även förenklade ansatser (se nedan) tenderar att bli mer komplexa projekt än vad som var tänkt från början.

Alternativ ansats

Om nu företag inte har förmåga att modellera och förutsäga köpbeteenden, så borde de åtminstone kunna identifiera kunder i olika stadier av köpprocessen och därefter försöka “aktivera” dessa att fortsätta sina köp. Direktmarknadsförarna Rapp och Collins (1987) ansåg redan för 30 år sedan att företag borde kunna uppskatta var i köpprocessen en kund befinner sig, genom att mäta responsen i en pågående kunddialog och ackumulera datan i kunddatabasen. Analys av kunddatabasen skulle därmed ge vägledning om hur dialogen därefter kan anpassas för varje kund(segment) beroende på var i processen de befinner sig. Innan dess görs även en värdering av varje kund, för att uppskatta om kunden har tillräcklig lönsamhetspotential för att motivera en fortsatt kunddialog.

Förutom behov är timing är oftast avgörande för att få kunder att respondera på en aktivitet. Exempel på (programmerbara) händelser eller situationer som kan medföra att kategori och varumärke upplevs som mer relevanta för kunden, är påminnelser inför regelbundna köp, eller om att slutföra köp (“lämnat” kundvagn hos e-handlare). Kundens geografiska plats (på väg in till stan, i köpcentrum, i butik, i avdelning i butik) kan också vara en indikator på ett ökat engagemang för kategori och varumärke. På liknande sätt fungerar situationer som väder som indikator för ökat engagemang för kategorier som paraplyer, solskydd, skidglasögon etc. Ett café anpassade sina erbjudanden till stamkunder beroende på väderlek. Vid kallt och regnigt väder erbjöds varma drycker till förmånliga priser via sms, medan erbjudanden med kalla drycker erbjöds vid varmt och soligt väder. Ett annat exempel på situationer som ökar relevans för varumärket, är då medlemmar i lojalitetsprogram är nära nästa bonusnivå. Genom att tidigarelägga köp får dessa medlemmar tillgångar till utökade förmåner i lojalitetsprogram.

Utmaningar idag är att respons från DM aktiviteter har flyttats över till interaktioner i digitala kanaler och i olika plattformar. Dessa interaktioner genererar gigantiska mängder digitala fotavtryck, som ska kvalitetsäkras och analyseras. Vidare genomförs analys av dessa data ofta separerat från traditionell kunddata. Betydelsen av att kunna identifiera och segmentera individuella kunders beroende på stadie i köpprocess illustreras i nedanstående tabell.

Källa: Moe (2003)

I tabellen beskrivs skillnader mellan stadie i köpprocess hos besökare av en e-handlare, dess konsekvenser för sökbeteende (och även vilken typ av innehåll som de söker) och genomsnittlig konverteringsgrad. Om sedan denna data kan integreras med kunddata som köphistorik och demografiska data, finns det betydande förutsättningar att identifiera undersegment med betydligt högre konverteringsgrad än 20 procent (exempelvis nöjda kunder med hög plånboksandel). Vidare finns det betydande potentialer att realisera genom att “aktivera” de mest köpbenägna kunderna, de som har avbrutit sitt köp pga exempelvis tidsbrist. Även för potentiella kunder som inte har kommit lika långt i köpprocessen, kan en selektiv bearbetning medföra att dessa så småningom konverteras. Vidare kan det av lojalitetsskäl finnas orsaker till att stärka relationer till kunder före och efter köp.

Aktivering kan med fördel göras med hjälp av direkta digitala kanaler, som e-post och SMS. En mer komplicerad manöver är att anpassa webbsidors innehåll för enskilda kunder i realtid, då kunder återvänder till webbplatsen. Uppgifter om e-post adress och mobiltelefonnummer är oftast obligatoriska att lämna ifrån sig, för att kunna bli kund hos en e-handlare. Företag behöver därför övertala potentiella kunder att lämna ifrån sig denna information tidigt i sin köpprocess. Förutsättningarna för detta varierar dock mellan kategorier och företag.

Hur gör vi?

Den första frågan ett företag bör ställa sig innan de funderar över MA, är om syftet främst är att underlätta företagets marknadsföring, dvs minska manuellt arbete, eller underlätta köpprocessen för kund? I det förra fallet kan det finnas vissa kostnadsreduceringar att hämta hem, medan de betydande intäktsökningarna och kostnadsminskningarna kan realiseras då kunders köpprocess förbättras. Exempelvis kan en förbättrad köpprocess leda till ökad konverteringsgrad, nöjdhet, lojalitet och minskade marknadsföringskostnader. Paperstyle är en e-handlare som säljer inbjudningskort och kontorsmaterial till främst privatpersoner. Genom att automatisera e-post utskick i syfte att underlätta kunders köpprocess, kunde de öka lönsamheten per utskick med 330 procent.

I nästa steg behövs en kartläggning av kunders köpprocess för det aktuella företaget samt vilka resultat företaget presterar i köpprocessen och i de olika interaktionspunkterna i köpprocessen. Med denna kunskap som utgångspunkt, kan företag identifiera de interaktionspunkterna med störst påverkan på kund och företagets resultat. Vidare bör företag beakta organisationens “digitala mognad”, när företag väljer applikationsområden för MA samt hur dessa ska lösas tekniskt och organisatoriskt (se även del 5 i Ström & Vendel, 2015). Vanliga misstag är att företag investerar i lösningar som har marginell påverkan för kunder och företagets resultat, att de väljer tekniska lösningar som är mer avancerade än organisationen kan hantera eller att de inte gör någonting alls. De två förstnämnda misstagen påverkar direkt avkastningen på investeringarna, medan den sistnämnda innebär att företag riskerar att hamna på efterkälken och få försämrad konkurrenskraft. Vi förordar istället att företag successivt och kontinuerligt arbetar med att värderar potentiella applikationsområden för MA utifrån värde för företag och kund samt dess kostnader och komplexitet i genomförande. Därefter väljer företag de applikationsområden som är de “lägst hängande frukterna” dvs ger högst värde i förhållande till komplexitet och kostnader. I takt med att företag utvecklar sin “digitala mognad”, kan mer krävande applikationsområden implementeras efter hand. Vidare är MA implementering sällan ett angelägenhet för en separat funktion. Exempelvis bör IT involveras på ett tidigt stadium, för att hjälpa till med kravspecifikation på MA plattform och underlätta integration mot andra system. Kundservice och försäljning bör kunnas ge möjligheter till synpunkter och önskemål, för att underlätta deras verksamhet och konsekvensberäkna effekter av automatiseringen. Ett tydligt exempel på omfattande organisatoriska effekter av MA implementering är då mobiloperatören T-Mobile digitaliserar sin kundservice och flyttar över stora delar av klagomålshantering i sociala medier.

När äntligen alla beslutsregler är programmerade och finjusterade samt resultaten av MA är tillfredsställande, kan det finnas en tendens till att luta sig tillbaka. Tyvärr är MA inget projekt som kan avslutas och läggas på hyllan, det är en kontinuerligt pågående process. Processer och interaktioner behöver kontinuerlig översyn och utvärdering, beslutsregler behöver finjusteras och ibland en total revision. Det finns mao, “inget automatiskt med MA”. På längre sikt sker en ömsesidig påverkan på teknikutveckling, adoption och konsumentbeteenden. “Så när vi precis har börjat få lite kontroll på mobilers och surfplattors effekter på konsumentbeteenden, då kommer en j-la klocka”.

Avslutningsvis, hur bör företag förhålla sig till MA? Vi tycker att företag ska börja arbeta med MA redan idag, som ett leds i att utveckla företagets “digitala mognad” samt ha ett visst tålamod med om resultaten dröjer. För de flesta företag tar det 18-24 månader innan MA genererar påtaglig lönsamhet. Under den första prövotiden finns det många (näst intill) gratis plattformar för MA att prova, utvärdera och komma fram till en kravspecifikation, som är anpassad efter företagets förutsättningar, och är förutsättningen för att inte överdimensionera MA plattformen och dess investeringar.

Källor

Moe, W.W. (2003): “Buying, Searching, or Browsing: Differentiating Between Online Shoppers Using In-Store Navigational Clickstream”, Journal of Consumer Psychology Vol. 13, No. 1–2, pp. 29–39

Rapp, S & Collins, T (1987): MaxiMarketing, ISL Förlag