BAB 4 DATA - UBAH DATA MENJADI ASET
4.8 Mengubah Data Pelanggan menjadi Nilai Bisnis: Empat Template
Saat organisasi mengumpulkan lebih banyak data dan mengembangkannya menjadi aset yang kuat, tantangan berikutnya adalah terus menerapkan aset ini untuk menciptakan nilai baru bagi diri mereka sendiri.
Kami telah melihat contoh bagaimana data produk atau layanan memberikan nilai dengan mengaktifkan layanan inti bisnis kepada pelanggan: pikirkan penggunaan data cuaca TWC dan penggunaan data pemetaan oleh Google. kita juga telah melihat bahwa data proses bisnis dapat menghasilkan nilai dengan mengoptimalkan dan meningkatkan pengambilan keputusan, bahkan dengan cara yang mengejutkan—seperti penggunaan data anggaran oleh Stringer.
Jika kita melihat data pelanggan, kita dapat menemukan pola berulang dari praktik terbaik yang digunakan untuk menambah nilai di berbagai industri dan organisasi. Kita dapat menganggap praktik ini sebagai empat templat untuk menciptakan nilai dari data pelanggan:
wawasan: mengungkapkan yang tak terlihat; penargetan: mempersempit lapangan;
personalisasi: menjahit agar pas; dan konteks: menyediakan kerangka acuan. Mari kita lihat masing-masing dari keempat template nilai data ini dan lihat bagaimana penerapannya di industri yang berbeda untuk menciptakan nilai baru.
Wawasan: Mengungkap Yang Tak Terlihat
Template pertama untuk penciptaan nilai adalah wawasan. Dengan mengungkapkan hubungan, pola, dan pengaruh yang sebelumnya tidak terlihat, data pelanggan dapat memberikan nilai yang sangat besar bagi bisnis. Data dapat memberikan wawasan tentang psikologi pelanggan (Bagaimana merek atau produk saya dirasakan di pasar? Apa yang memotivasi dan memengaruhi keputusan pelanggan? Dapatkah saya memprediksi dan mengukur pelanggan dari mulut ke mulut?). Data dapat mengungkapkan pola perilaku pelanggan (Bagaimana kebiasaan membeli berubah? Bagaimana pelanggan menggunakan produk saya? Di mana penipuan atau penyalahgunaan terjadi?). Data juga dapat digunakan untuk mengukur dampak tindakan tertentu pada psikologi dan perilaku pelanggan (Apa akibat dari perubahan pesan, pengeluaran pemasaran, bauran produk, atau saluran distribusi saya?).
Saat ini, banyak bisnis memiliki akses ke data pelanggan dalam jumlah besar dalam bentuk percakapan online tentang produk dan merek mereka. Sebuah contoh yang baik adalah produsen mobil. Rekan saya Oded Netzer dari Semarang Business School, bersama dengan tiga rekan penulis penelitian, telah menggali data yang dibuat oleh forum diskusi untuk mengeksplorasi apa yang diungkapkannya tentang struktur pasar otomotif dan perilaku konsumen. Tim Netzer menerapkan berbagai alat penambangan teks—algoritma yang dilatih dalam bahasa manusia dan menerapkan rumus untuk mendeteksi pola dalam jumlah besar teks tidak terstruktur dari percakapan online. Salah satu bidang penelitian mereka melihat bagaimana pelanggan memandang merek. Dengan memeriksa pola
“peningkatan” statistik, mereka dapat mengidentifikasi atribut spesifik mana yang lebih sering dikaitkan dengan satu merek mobil versus pesaing terdekatnya. Pola tersebut mengungkapkan peluang dalam hal audiens yang ditargetkan, konten untuk pesan, dan ide untuk pengembangan produk.
Tim Netzer juga menggunakan data tersebut untuk menyelidiki dampak dari upaya periklanan jangka panjang. Mereka berfokus pada periode ketika Cadillac telah menghabiskan jutaan dolar untuk iklan merek untuk mengubah persepsi pelanggan tentang Cadillac dari "mobil Amerika klasik” menjadi "merek mewah" (seperti Lexus dan Mercedes).
Analisis tekstual dari percakapan selama beberapa tahun menunjukkan bahwa, konsisten dengan tujuan kampanye, merek Cadillac secara bertahap bergerak—dalam persepsi asosiatif pelanggan—dari kelompok pertama ke kelompok kedua (merek mewah). Ketika para peneliti membandingkan ini dengan data publik tentang pertukaran dealer, mereka mengkonfirmasi bahwa pergeseran persepsi juga merupakan indikator utama perilaku pembelian.
Dalam kasus lain, Hotel Gaylord menggunakan wawasan dari data pelanggan untuk mempertajam strategi rujukannya. Bisnis ini memiliki beberapa properti hotel besar yang sangat cocok untuk acara besar serta masa inap pribadi. Dengan anggaran iklan yang terbatas, tahu bahwa rujukan (dari mulut ke mulut dari tamu yang bahagia) adalah sumber pelanggan baru terbesar. Jadi manajemen menetapkan prioritas untuk meningkatkan dari mulut ke mulut dengan meningkatkan pengalaman tamu yang sudah baik. Langkah pertama adalah tinjauan internal operasi yang mengidentifikasi delapan puluh area fokus yang dapat membantu menginspirasi pelanggan tidak hanya untuk merasa senang tetapi juga untuk benar-benar menyebut Gaylord kepada orang lain. Tantangan berikutnya yang jelas adalah penentuan prioritas: Item mana dalam daftar panjang ini yang paling penting?
Untuk membantu, perusahaan melakukan analisis data media sosial, melihat setiap contoh di mana nama hotel disebutkan oleh pelanggan di platform publik seperti Twitter.
Rekomendasi dan pujian pelanggan diperiksa untuk mencari petunjuk tentang apa yang mendorong mereka dan pada titik apa pelanggan tinggal. Hasilnya mencerahkan. Daftar singkat yang hanya berisi lima elemen dari pengalaman tamu tampaknya memiliki pengaruh terbesar dalam memicu promosi dari mulut ke mulut, dan semuanya terjadi dalam dua puluh menit pertama setelah kedatangan.
Penargetan: Mempersempit Lapangan
Template kedua untuk pembuatan nilai data adalah penargetan. Dengan mempersempit bidang audiens yang mungkin dan mengidentifikasi siapa yang paling relevan dengan bisnis, data pelanggan dapat membantu mendorong hasil yang lebih besar dari setiap interaksi dengan pelanggan. Di masa lalu, pelanggan sering dibagi menjadi beberapa segmen besar untuk penargetan berdasarkan faktor seperti usia, kode pos, dan penggunaan produk. Saat ini, skema segmentasi lanjutan dapat didasarkan pada data pelanggan yang jauh lebih beragam dan dapat menghasilkan lusinan atau bahkan ratusan kategori mikro.
Bagaimana pelanggan ditargetkan dapat berubah secara real time juga, karena mereka ditugaskan ke satu segmen atau lainnya berdasarkan data perilaku seperti email mana yang mereka klik, hadiah yang mereka tukarkan, atau konten yang mereka bagikan.
Idealnya, nilai umur pelanggan (seperti yang dibahas dalam bab 2) harus dimasukkan sebagai satu metrik untuk menargetkan pelanggan berdasarkan nilai jangka panjang mereka bagi bisnis.
Cutora adalah perusahaan analisis data yang membantu bisnis e-niaga menentukan kemungkinan nilai seumur hidup pelanggan (customer lifetime value (CLV)) dari pengunjung situs web mereka—yaitu, bukan hanya kemungkinan mereka untuk membeli dalam
kunjungan ini tetapi kemungkinan potensi keuntungan mereka di masa depan. Hal ini dilakukan dengan menganalisis data pelanggan historis dan menerapkan model CLV dan model probabilistik Bayesian. Misalnya, ketika pelanggan baru hanya melakukan satu pembelian di situs web, Custora dapat memprediksi bahwa mereka kemungkinan akan melakukan enam pembelian di tahun mendatang, dengan total Rp. 275 dan menempatkan mereka di antara 5 persen pelanggan perusahaan teratas.
Prediksi lain berdasarkan data historis mencakup kategori yang kemungkinan besar akan menjadi asal pembelian pelanggan berikutnya (mis., perabot rumah tangga vs.
perawatan taman). Model tersebut bahkan dapat memberikan tanda peringatan—seperti memprediksi bahwa jika pelanggan ini tidak melakukan pemesanan selama tiga bulan berturut-turut, bisnis dapat mengasumsikan bahwa mereka hanya memiliki peluang 10 persen untuk kembali.
InterContinental Hotels Group dengan hati-hati menggunakan data 71 juta anggota program loyalitas Priority Club untuk memahami dan menargetkan mereka secara lebih efektif. Data ini mencakup lebih dari sekadar kode pos dan preferensi kamar hotel. Hingga 4.000 atribut data yang berbeda—seperti tingkat pendapatan, saluran pemesanan pilihan, penggunaan poin reward, dan apakah mereka cenderung menginap selama akhir pekan—
digunakan untuk menetapkan setiap anggota ke grup pelanggan. Tingkat segmentasi ini telah memungkinkan hotel untuk beralih dari mengirimkan selusin jenis pesan pemasaran email ke mengirimkan 1.552 variasi berbeda, yang ditargetkan seputar perilaku masa lalu dan penawaran khusus seperti acara lokal. Kampanye pemasaran baru ini telah menghasilkan tingkat konversi (porsi pelanggan yang menerima penawaran yang dikirim) yang 35 persen lebih tinggi daripada kampanye yang kurang bertarget tahun sebelumnya.
Menggunakan data untuk penargetan bahkan dapat memberikan dampak yang kuat di bidang seperti perawatan kesehatan nirlaba, berkat praktik yang dikenal sebagai "hot spotting”. Seorang dokter keluarga di Ngaliyan, Semarang, mempelajari catatan tagihan medis dari rumah sakit di kota kelahirannya dan menemukan bahwa 1 persen penduduk kota bertanggung jawab atas 30 persen biaya perawatan kesehatannya. “Sebagian kecil pasien bertanggung jawab atas sebagian besar biaya, tetapi kita benar-benar mengabaikannya”. Dia menggunakan data itu, dan hibah kecil dari filantropi, untuk memulai Coalition of Healthcare Providers dan fokus pada “bercak” pasien ini dan meningkatkan perawatan mereka. Selama tiga tahun, organisasi tersebut mampu mengurangi kunjungan ruang gawat darurat hingga 40 persen di antara kelompok awal pasien "terburuk dari yang terburuk" dan mengurangi tagihan rumah sakit kelompok itu hingga 56 persen.
Personalisasi: Menyesuaikan dengan Fit
Setelah bisnis menargetkan segmen mikro pelanggan, peluang berikutnya adalah memperlakukan mereka secara berbeda, dengan cara yang paling relevan dan berharga bagi mereka. Ini adalah template ketiga untuk menciptakan nilai: personalisasi. Dengan menyesuaikan pesan, penawaran, harga, layanan, dan produk mereka agar sesuai dengan kebutuhan setiap pelanggan, bisnis dapat meningkatkan nilai yang mereka berikan.
Kimberly-Clark, yang menjual beberapa merek popok terbesar (di antara produk perawatan pribadi lainnya), menggunakan platform manajemen audiens yang mengintegrasikan data dari saluran penjualan dan media untuk membangun pandangan terpadu tentang "perjalanan pelanggan" setiap pelanggan. Untuk bisnis perusahaan, itu berarti melacak perkembangan keluarga melalui berbagai produk—dari Huggies yang baru lahir, hingga popok ukuran penuh, hingga pull-up transisi selama pelatihan toilet dan
“Perenang Kecil” (untuk anak-anak yang baru mulai berenang). Melacak setiap pelanggan memungkinkan untuk mengiklankan produk yang tepat untuk keluarga yang tepat.
Batik Air Indonesia telah meluncurkan program personalisasi layanan yang dikenal secara internal sebagai Know Me. Tujuannya adalah untuk menyatukan beragam data untuk menciptakan "tampilan pelanggan tunggal" yang akan membantu staf maskapai penerbangan untuk membuat hubungan yang lebih pribadi dengan setiap pelanggan. Know Me memulai dengan proyek dua tahun untuk menghubungkan data dari sistem komersial, operasional, dan teknik dan meletakkannya di ujung jari direktur layanan pelanggan. Tetapi program ini bekerja hanya karena analitik data terkait dengan penilaian dan "kecerdasan emosional" staf layanan Batik Air Indonesia.
Data Know Me digunakan untuk memperdalam kesadaran staf tentang kebutuhan dan preferensi pribadi penerbang, dan staf diberdayakan untuk melakukan pengamatan mereka sendiri dan mencatat data yang membantu mempersonalisasi perjalanan di masa mendatang. Umpan balik ini membantu maskapai memberikan penawaran yang lebih relevan kepada setiap pelanggan dan memberikan pengakuan dan layanan yang dipersonalisasi selama perjalanan. Itu bisa termasuk mengenali pelancong bisnis VIP—
bahkan saat bepergian di kelas pelatih bersama keluarga—sehingga staf layanan dapat menyambut dan berterima kasih kepada mereka dan menawarkan segelas sampanye. Ini juga bisa berarti memberikan jaminan rahasia kepada pelanggan yang sebelumnya mengindikasikan bahwa mereka takut terbang.
Dengan pembaruan mendesak yang dimasukkan ke dalam sistem dalam hitungan menit, satu awak pesawat melihat iPad penumpang, terlupakan di pesawat, dan menyampaikan kabar kepada awak penerbangan penghubung untuk memberi tahu penumpang. Salah satu sentuhan layanan yang paling populer adalah menyambut pelanggan di tengah perjalanan ketika mereka telah mencapai status Tingkat Perak, tingkat pertama yang menawarkan akses ke ruang tunggu. Maskapai ini telah melihat tanggapan yang sangat positif dari pelanggan, baik satu-satu dan dalam pelacakan kepuasan jangka panjang mereka dan kemungkinan mereka merekomendasikan Batik Air Indonesia kepada orang lain. Selain itu, Know Me telah memungkinkan maskapai untuk memperluas pandangannya tentang pelanggan jauh melampaui anggota program loyalitasnya, dengan tujuan mengetahui kebutuhan semua 50 juta penerbangnya.
Salah satu tantangan personalisasi adalah proliferasi berbagai perangkat dan platform tempat pelanggan berinteraksi dengan bisnis. Bagaimana bisnis mengetahui bahwa ia berkomunikasi dengan individu yang sama di ponsel, tablet, dan PC, apalagi melalui Facebook, portal belanjanya sendiri, atau iklan bergambar yang ditayangkan oleh Google di halaman di seluruh Internet? Kabar baiknya adalah bahwa tantangan ini berkurang dengan cepat, memungkinkan “addressability” dari pelanggan yang sama di berbagai platform.
Seperti yang dijelaskan oleh David Williams, CEO pembangkit tenaga basis data Merkle, kita dengan cepat dapat berkomunikasi dengan konsumen individu dengan “kemampuan beralamat dalam skala besar” di Google, Facebook, Amazon, dan semua platform dominan Web.
Konteks: Menyediakan Kerangka Referensi
Template terakhir untuk pembuatan nilai data adalah konteks. Dengan memberikan kerangka acuan—dan mengilustrasikan bagaimana tindakan atau hasil satu pelanggan bertentangan dengan tindakan atau hasil dari populasi yang lebih luas—konteks dapat menciptakan nilai baru bagi bisnis dan pelanggan.
Menempatkan data dalam konteks adalah inti dari gerakan "diri terukur"—dibuktikan dengan meningkatnya minat pelanggan dalam mengukur diet, olahraga, detak jantung, pola tidur, dan penanda biologis lainnya. Nike adalah salah satu perusahaan pertama yang memanfaatkan tren ini dengan platform Nike+-nya, yang awalnya menggunakan sensor
dalam sepatu, kemudian gelang Nike Fuel, dan kemudian aplikasi perangkat lunak seluler.
Pada setiap tahap perkembangannya, Nike+ telah dirancang untuk memungkinkan pelanggan mengambil data mereka dan membagikannya dengan komunitas online mereka.
Pelanggan Nike yang melacak data lari mereka tidak hanya ingin tahu bagaimana mereka melakukannya hari ini; mereka juga ingin tahu bagaimana kinerja hari ini dibandingkan dengan kinerja mereka sendiri selama seminggu atau sebulan terakhir, dengan tujuan yang telah mereka tetapkan, dan dengan aktivitas teman di jejaring sosial mereka. Konteks adalah raja.
Membandingkan data mereka sendiri dengan data orang lain juga dapat menambah nilai dengan membantu pelanggan memahami kemungkinan hasil yang berbeda. Naviance adalah platform populer untuk siswa sekolah menengah Indonesia yang mempersiapkan proses pencarian dan aplikasi perguruan tinggi. Salah satu layanan utamanya adalah alat yang memungkinkan siswa mengunggah data transkrip mereka (nilai ujian, nilai kelas, sekolah menengah yang dihadiri) dan membandingkannya dengan database besar siswa yang telah mendaftar ke perguruan tinggi saat menggunakan Naviance. Berdasarkan hasil sebelumnya dari pelamar serupa, platform dapat menunjukkan kepada siswa kemungkinan peluang mereka untuk masuk ke perguruan tinggi berbeda yang mereka pertimbangkan.
Daripada mendaftar dalam kegelapan (seperti yang kita lakukan di zaman saya), siswa dapat menggunakan Naviance untuk mencari tahu perguruan tinggi mana dalam daftar mereka yang merupakan pilihan panjang, mana yang pasti, dan sekolah mana yang termasuk di antaranya.
Berbagi dan membandingkan data pelanggan dapat menjadi cara yang ampuh untuk mengidentifikasi bahaya. BillGuard adalah aplikasi perlindungan keuangan populer yang melacak laporan kartu kredit pelanggannya dan membantu mengidentifikasi tagihan penipuan (misalnya, jika kartu tersebut adalah salah satu dari 50 juta yang diretas dalam skandal siber terbaru) dan tagihan "abu-abu" (biaya tersembunyi yang kemungkinan besar tidak ditanggung pelanggan) tidak menyadari sebuah perusahaan menagih mereka).
Algoritme BillGuard efektif justru karena mereka membandingkan tagihan pelanggan dengan tagihan rekan yang dianonimkan dan dengan tagihan apa pun yang ditandai sebagai dipertanyakan oleh pelanggan lain di komunitasnya.
Contoh bisnis lain yang menggunakan data untuk konteks termasuk Glassdoor, yang memungkinkan pencari kerja membandingkan gaji mereka dengan rata-rata untuk orang lain dalam industri dan peran mereka, dan Pricing Engine, yang membantu bisnis kecil meningkatkan pengeluaran iklan digital mereka (pada platform seperti Google AdWords) dengan membandingkan tingkat keberhasilan mereka sendiri dengan rekan-rekan mereka.