Kundeprofilering

Kundeprofilering er en prosess hvor data om kundeatferd brukes til å ta viktige forretningsbeslutninger ved hjelp av markedssegmentering og prediktiv analyse. Slik informasjon brukes av bedrifter til direkte markedsføring, stedsvalg og kunderelasjonsforvaltning. Markedsføring tilbyr tjenester for å tilfredsstille kunder, og med dette i tankene vurderes det produktive systemet fra start på produksjonsnivå til slutten av sykelen hos forbrukeren. Kundeanalyse spiller en viktig rolle i prediksjon av kundeadferd.

Bruk

I detaljhandel kan customer analytics brukes som et hjelpemiddel for å bestemme produkter, kampanjer, priser og distribusjon. Et åpenbart eksempel er personlig kommunikasjon og tilbud etter segment. I tillegg kan det hjelpe med å bestemme hvilke produkter man skal utvikle, distribusjonsstrategier og produktpriser. Eksempler på nyttige data kan være demografi, livsstil, preferanser, lojalitetsdata, atferd og atferdsprediksjon. Nyttige verktøy kan være lojalitetsprogrammer og annen kundesporing, eller markedsundersøkelser.^{[trenger referanse]}

Arbeidsstyrken kan også styres dynamisk ved hjelp av prediktiv customer analytics for å optimalisere bemanning basert på oppdaterte prognoser på kort varsel. Dette påvirker arbeiderne gjennom et fenomen kjent som refraktiv overvåking, som betyr at innsamling av informasjon om en gruppe kan påvirke og tillate kontroll av en helt annen gruppe. En kritikk av dette er at datadrevne bemanningsalgoritmer kan føre til uregelmessige arbeidsperioder som kan endres på kort varsel for å tilpasse seg forventet trafikk.

Innen finans kan banker, forsikringsselskaper og pensjonsfond bruke kundeanalyser for å forstå kundens livstidsverdi, identifisere kunder som koster mer enn de er verdt (ofte anslått å utgjøre rundt 30% av kundebasen^{[trenger referanse]}), øke krysssalg, håndtere kundefrafall samt på en målrettet måte migrere kunder til lavere kostnadskanaler.

Det offentlige kan bruke kundeanalyser for å tiltrekke seg forhandlere til lokalsamfunn ved å segmentere lokalsamfunn basert på attributter som personlighet, verdier, interesser og livsstil, og så bruke denne informasjonen for å henvende seg til forhandlere som samsvarer med fellesskapets profil.

Datadrevet prediksjon

Datautvinning og -analyse kan brukes for å forutsi kjøpsvaner og livsstilspreferanser på en systematisk måte. Dette kan for eksempel basere seg på informasjonen som kredittkortkjøp, abonnementer, medlemskap og undersøkelser. Virksomheten kan dermed opprette profiler som viser hvilke kunder som er mest lønsomme. Når mange av de potensielt lønnsomme kundene er samlet innenfor et enkelt område indikerer dette et lønnsomt fokusområde for virksomheten. Ved å kombinere informasjonskilder kan man anslå hvor mye en kunde er verdt for et selskap, og kan ta beslutninger basert på fakta og objektive data.^{[trenger referanse]}

Datautvinning kan deles inn i to kategorier: Prediktive modeller forutsier fremtidige hendelser basert på tidligere kundeinteraksjoner, mens segmenteringsteknikker brukes til å gruppere kunder med lignende atferd og attributter i adskilte grupper. Slik gruppering kan være nyttig for å optimere markedsføring.

Se også

• Kundeetterretning, innhenting og analyse av informasjon om kunder
• Kundekunnskap
• Psykografisk segmentering, markedsundersøkelser eller statistikk som klassifiserer befolkningsgrupper i henhold til psykologiske variabler
• Markedsundersøkelse, organisert innsats for å samle informasjon om markedet og kunder