Intelligente datastrømme.

De kunder, der opsiger deres abonnement eller holder op med at købe, sender typisk signaler i månedsvis først. En gentaget henvendelse, en returvare, en levering der glider, et spørgsmål der bliver besvaret med “det skal jeg lige undersøge”. Hvert signal er svagt alene. Tilsammen tegner de en kunde, der er på vej væk, men kun hvis nogen kan se dem samlet.

Det kan de færreste, fordi data ligger i siloer. Servicemedarbejderen ser supportsystemet, ordrehistorikken ligger i shoppen, leveringsdata hos transportøren og kundeprofilen i CRM’et. Kunden oplever ikke, at de gentager sig for fire systemer. De oplever, at virksomheden ikke kender dem.

Målet er enkelt at beskrive og kræver arbejde at bygge: én kundeprofil, der opdateres i realtid, når der sker noget. Ordren oprettes, varen returneres, pakken forsinkes, billetten oprettes, anmeldelsen skrives. Alle hændelser flyder gennem samme integrationslag og lander i den samme profil, som både CRM og kundeservice læser fra.

Principperne i datastrømmen

• Hændelser frem for snapshots: profilen skal vide, hvad der skete, hvornår og i hvilken rækkefølge.
• Tovejs-synkronisering: CRM’et modtager ordredata, og noter fra servicen sendes tilbage til den fælles profil.
• Realtid frem for nattlige batches: en forsinket pakke har kun værdi for servicen, hvis den er synlig, mens kunden stadig er i røret.
• Én definition pr. begreb: “aktiv kunde” skal betyde det samme i alle systemer.

Når profilen er komplet, kan henvendelser routes efter indhold frem for efter tur. En sporing henvender sig til en selvbetjeningsflade, der svarer direkte via transportørens API. Et spørgsmål om en ordre, der faktisk er forsinket, går til en agent med hele historikken på skærmen: hvad kunden købte, hvad de har henvendt sig om før, og hvad der er lovet dem.

Det er ikke automatisering for at fjerne mennesker. Det er automatisering for at flytte mennesker derhen, hvor de skaber værdi: de sager, der kræver en beslutning, en undskyldning eller en løsning, kunden ikke selv kan finde.

Med en samlet datastrøm bliver churn målbart, før den sker. En model kan bygges på få, forståelige signaler: hvor længe siden kunden sidst købte sammenlignet med deres normale rytme, antallet af henvendelser, forsinkede leveringer, returvarer, ændret ordrestørrelse. Det behøver ikke være avanceret maskinlæring for at være effektivt, det behøver kun at være koblet til en handling.

Eksempler på triggers

• Kunde med høj værdi og to henvendelser inden for en måned: personligt opkald fra en fast kontakt.
• Levering forsinket ud over tre dage: automatisk besked, kompensation og opfølgning, før kunden spørger.
• Kunde i dvale ud over dobbelt så lang tid som sin vante cyklus: relevant genkøbsforslag baseret på historik, ikke rabat til alle.

Pointen er, at handlingen sker, fordi data sagde det, ikke fordi en medarbejder tilfældigt lagde mærke til noget i en rapport ugentligt.

Effekten skal måles mod en kontrolgruppe. Ellers kan man ikke vide, om færre opsigelser skyldes indsatsen eller markedet. En simpel model, to grupper, én med proaktive handlinger og én uden, målt over et kvartal, giver et svar, ingen i organisationen kan diskutere væk, og gør det muligt at skrue op for det, der virker.

Det afgørende valg er, hvor sandheden bor. Hvis kundeprofilen kun findes i et CRM-produkt, er forretningen bundet til det produkt, og til prisen, vilkårene og den udvikling, leverandøren vælger. Ejer man derimod profilen i sin egen database og bruger CRM’et som et interface ovenpå, kan værktøjet skiftes uden at kundeforholdet går tabt.

Det er samme princip, der gælder overalt i en skræddersyet arkitektur: integrationerne er bygget til forretningens data og arbejdsgange, ikke omvendt. Persondata, samtykker og slettefrister ligger på ét sted, hvor de kan dokumenteres. Og den dag et nyt system skal ind, tilføjes det som en adapter i integrationslaget, ikke som en ny silo med sin egen version af kunden.