Davranış

Posted on 06/04/2018 by Uğur Özmen

CRM dersinin ödevlerinden birisi “Müşteri hakkında en önemli 5 veri” konusundadır.

Şu yazıda yeterli açıklama olduğunu sanıyordum. Ne yazık ki yanılmışım.

2018-2 döneminde birçok e-MBA katılımcısı “en önemli 5 veri”den 3 tanesini (biri 4 tanesini)

Eğilim
Beklenti
Alışkanlık
Davranış

diye yanıtlamış.

Bunları okuyunca VERİLER ve ANLAMLANDIRMA konusuna yeterli zaman ayırmadığımı düşündüm.

Amaç müşterinin eğilim, beklenti, alışkanlık ve davranışını öğrenmektir. Burası DOĞRU.

Ne var ki bunlar VERİ değil YORUM’dur. Veriden yoruma gidene kadar da epey bir yol geçmek gerekir. (Dikkat edin, içgörü demiyorum. İçgörü için yorumun üzerine geleceğe yönelik tahmini de eklemek gerekir.)

Ödev zaten davranış veya eğilim veya alışkanlıkları anlamak için hangi verileri nasıl kullanacağını anlatmak. Dolayısıyla bu 4 kelimeyi yazanlar ödevi yapmış sayılmıyor.

Gelin, yukarıdaki listedekilerin en kolayından DAVRANIŞ’tan başlayalım:

Davranış dediğinizde (en azından)

satın alma davranışı,
ödeme davranışı,
kullanma davranışı

diye ayırmanız gerekir.

Her birini oluşturmak için çok sayıda veriyi kullanmanız ve o verileri bilgiye dönüştürmeniz beklenir.

Satın alma davranışı denildiğinde:

Mevsim başında satın alıyor, ilk kullananlardan biri olmak istiyor.
En pahalı (veya ucuz) ürünleri satın alıyor.
Kombin satın alıyor.
Seyrek geliyor ama bir seferde 2 – 3 giysi almadan gitmiyor.
Aksesuarları ile birlikte satın alıyor.
Hep aynı renklerde satın alıyor.
Başkaları kullanmaya başladıktan sonra satın alıyor. Yaygınlaşmadan denemiyor.
İndirim dönemlerinde satın alıyor.
Vb… (sektöre ve ürüne göre – özellikle B2B’de – değişen, birçok satın alma şekli de var.)

Ödeme davranışı derseniz:

Hepsini peşin ödüyor.
Taksitli ödüyor.
Kredi kartı ile ödüyor.
30 – 60 – 90 gün vadeli senet yapıyor.
Yarısını peşin, yarısını 30 gün vadeli ödüyor.
Vb… (sektöre göre değişen birçok ödeme şekli de var.)

Kullanım davranışı derseniz, B2C’de birçok sektörde anlamak oldukça zor. B2B’de satın alma düzenine bakarak kullanımı – kısmen – anlayabilirsiniz.

Ancak müşterisinden talep gelince hammadde satın alıp üretime geçiyor.
Her zaman stoklu çalışıyor. En ucuz zamanda satın alıp stokluyor.
Ucuz zamanda çok satın alıp, bazı diğer kurumlara (hatta rakiplerine) satış yapıyor. .

Dolayısıyla eğer amacınız satın alma ve ödeme davranışını anlamaksa, giysi sektörü için:

Satın alma zamanı (ilk ürün çıktığında, yaygınlaştığında, sezon sonunda, indirim sezonunda)
Aynı dönemde satın aldıkları (aksesuarlar, kombin ürünler, uyumlu renkte atkı-eldiven gibi ürünler)
Müşterinin renk tercihi (hep aynı – benzer renkleri mi, moda olan renkleri mi tercih ediyor)
Ayrıştırıcı özellikler (moda olmasından bağımsız olarak çok uzun veya çok kısa giysiler, düşük bel veya yüksek bel tercihi, vb.)
Beden ölçüleri
Ödeme biçimi (nakit, kredi kartı tek seferlik ödeme, kredi kartı taksitli işlem, vb.)

gibi bilgiler listelenmeli.

Davranış en kolayı idi.

Eğilimleri veya beklentileri veya alışkanlıkları dediğiniz zaman, ayrıntılı bir liste sunmanız gerekiyor.

“En önemli veriler nelerdir?” diye sorulduğunda “müşteri davranışı, beklentisi, alışkanlıkları, eğilimi” deyip yukarıdaki bilgileri sıralamamışsanız Bernard Shaw’un “Bu söylediğim de dahil olmak üzere, tüm genellemeler yanlıştır” sözünü hatırlatır, ödevin yapılmadığını düşünürüm.

7 Nisan 2018

Çok Veri, Az Anlamlandırma

Posted on 30/06/2016 by Uğur Özmen

Veriyi çokça bulup düzgün kullanamayan şirketlerden birçok örnek ^{[1] , [2] , [3]} vermiştim.

Bu seferki örnek bir yeni nesil oluşuma, Çiçek Sepeti’ne ait.

Çiçek Sepeti bu sene 7 Mayıs’ta Anneler günü kampanyasına ait mesajları gönderiyor.

Çiçek Sepeti 7 Mayıs 2016
Yarın Anneler Günü, çiçek ve Bonnyfood’da geçerli %15 indirim kodunuz: anne15.

Aradan 3 gün geçiyor. Serap bir mesaj daha alıyor.

Çiçek Sepeti 10 Mayıs 2016
O’nun için özel bir gün yaklaşıyor… Siparişinizi hemen verin, O’nu sürprizinizle gülümsetin.

Serap, geçen sene bu tarihte ‘özel bir O‘ya çiçek göndermediğini düşünüyor. Çiçek Sepeti’ne soruyor.

Serap
O kim acaba? Benim bilmediğimi sen nasıl biliyorsun? Yine başarısız bir kampanya maili!!!

Çiçek Sepeti hemen konuyla ilgileniyor. (Bu çok güzel. Zaten Çiçek Sepeti’nin bu konularda hassasiyetini daha önce de beğeniyle ^[4] yayınlamıştım.)

Çiçek Sepeti
Konuyla ilgilenebilmemiz için üyeliğinize ait mail adresinizi bize mesaj olarak atabilir misiniz? 🙂

Serap
serap@…. .com.tr

Çiçek Sepeti
Konuyu hemen yetkili birimimize ilettik Serap hanım. Kontrol edip kısa süre içerisinde geri dönüş sağlayacağız.

Bir saat sonra…

Çiçek Sepeti
Fatma M. Adına sipariş oluşturduğunuz gözükmektedir Serap Hanım. 🙂

Serap
Ne zaman göndermişim geçen sene?

Çiçek Sepeti
Geçtiğimiz sene 10 Mayıs tarihinde sipariş oluşturulmuş Serap Hanım.

Serap, uzun süreden beri veri yönetimi ve kampanyalarla ilgilenmekte… Çiçek Sepeti’nin nerede yanlış yaptığını hemen anlıyor. Bu nedenle uyarmak istiyor.

Serap
Geçtiğimiz sene 10 Mayıs anneler gününe denk geliyor. Demek ki kampanya maili yaparken biraz daha dikkat etmek gerekiyor.

Çiçek Sepeti
Kampanya maillerimiz ayrı şekilde işleme alınmaktadır Serap Hanım. Bu size gönderilen mail sadece anneler günü için değil, bir önceki sene oluşturduğunuz her sipariş için geçerlidir. Oluşturduğunuz günün tam bir sene sonrasında sistem otomatik gönderiyor. 🙂

Maalesef, Çiçek Sepeti veriyi olduğu gibi ele almış, anlamlanırmayı düşünmemiş. İşi “otomatiğe bağlamış” ve her sene aynı tarihte teklif gönderen bir motor çalıştırmış.

Bu motor da Anneler Günü veya Babalar Günü gibi yıllar itibarıyla günleri değişebilen olguları ıskalıyor.

Serap, durumu anlıyor ve karşısındaki Çiçek Sepeti elemanına da anlatmaya çalışıyor.

Serap
Ben zaten bunun otomatik gönderildiğinin farkındayım ama otomatikleşmeyen bazı şeyler var. Bunlar ince detaylar. Bunları takip edip ona göre otomatikleşmek gerekiyor. Derdimi anlatabildim mi?

Çiçek Sepeti
Tabi Serap Hanım ancak bununla ilgili kampanya mailleri farklı şekilde işleme alınıyor. Daha öncesinde anneler günü ile ilgili Mail ve SMS gönderimleri yapılmıştır. 🙂

Burada Çiçek Sepeti elemanının verdiği yanıt, derslerimde “İşi otomatiğe bağlarsanız, makine (eğer kognitif bilişimden ^[5] yararlanıyorsa) belki öğrenebilir. Ama siz kesinlikle öğrenemezsiniz.” diye anlattığım konuya tam bir örnek oluşturuyor.

Bu nedenle derslerimde, “otomatiğe bağlamak” öncesinde nasıl düşünüleceğini ve yapılması gerekenleri anlatıyorum.

Serap
O zaman geçen sene gönderdiğimi anneler günü olarak CRM sisteminize işlemeniz gerekiyordu.

Çiçek Sepeti
Öneriniz için teşekkür ederiz Serap Hanım. Konu yetkili birimimiz tarafından değerlendirmeye alınacaktır.

Çiçek Sepeti’nin Serap ile yazışmalarından ders alacağını ve makineleştirme öncesinde gerekli düzenlemeleri yapacağına inanıyorum. Yukarıda bahsettiğim güzel özür mesajını ^[4] gönderen şirketin, yanlışlarını düzeltmek niyetinde olacağını düşünüyorum.

Diğer yandan bu örnek, benim için iyi bir eğitim malzemesi oldu.

Veri anlamlandırma açısından “oluşturduğunuz günün tam bir sene sonrasında sistemin otomatik göndermesi”nin her zaman geçerli olmayacağını gösteriyor.

Anlamlanırma süreçlerine ilişkin çok sayıda yazı ve kısa videolar yayınladım. (Yazının sağ tarafında anlamlandırma konuluğu içeriğin bir kısmının bağlantıları var.)

Bu örnek sayesinde, hemen hiç bir verinin olduğu gibi ele alınmaması gerektiğini de öğrendik.

30 Haziran 2016

Watson Sosyal’de – 3

Posted on 10/05/2016 by Uğur Özmen

Şubat ayında Bersay İletişim’in davetiyle IBM’in Türkiye’deki Dijital Dönüşüm Lideri Maja Barel’i (Maja “Maya” okunuyor) dinleme şansım olduğundan bahsetmiştim. Maja Barrel, sunumundan önce ve sonra bana zaman ayırdı ve bazı konuları biraz daha ayrıntıyla dinledim.

IBM Watson’un kognitif bilişim ile sosyal mecraları kullanarak ^[1] ve müşteri deneyimlerini inceleyerek ^[2] gelişimine katkıda bulunduğu projeleri sizinle paylaşmaya çalışıyorum.

Sohbetimize devam edelim. Koyu mavi yazılanlar benim sorularım. “içeride ve eğik yazılı olanlar ise referanslar ve yorumlarım.”

Watson’un sosyal mecralarda kullanılmasının şirketlere yarattığı faydalara da birkaç örnek verebilir misiniz?

Markalaşmak: Bir marka sahibi olmak bitmek bilmeyen bir efor ister. Bir gözünün her zaman müşterilerin yorumlarına, hislerine karşı açık olmasını gerektirir. Markalar müşterileri ile birlikte ürün geliştirmek ve de onlara direkt olarak nasıl bir ürün veya hizmet arzu ettiklerini sormak için sosyal medyayı kullanıyorlar. Şirketler müşterilerini dinliyor ve bir sonraki tecrübelerini birlikte yaratıyorlar.

Müşteri – Şirket birlikte marka yaratımının (co-creation) güzel örnekleri, alkolsüz içeceklerde VitaminWater ve Citibank’in #incredouble cash kampanyası… Bir google’lamaya değer…

Citibank’in #incredouble cash kampanyası hakkında bir reklamcı görüşü ^[3]

Yaşam Evresi Yakalama: Watson, dilsel (lingusitic) analizi kullanarak müşterilen sosyal medya profillerini okuyabilir ve gerçekte kim olduklarını daha iyi anlayabilir. Sonra da bu bilgiyi onlara daha doğru şekilde yaklaşmak için ve en ihtiyaç duyacakları ürünü ya da hizmeti tahmin etmek için kullanabilir. Örneğin başka bir şehre taşınmanızı gerektiren bir iş teklifi aldığınıza dair tweet attınız. Bankanız size bu bilgi üzerinden birçok konuda yaklaşabilir. Hesaplarınızı başka bir şubeye kaydırmaktan, yeni bir ev almak için kredi ihtiyacınıza kadar birçok konuda zamanında ve doğru teklifte bulunabilir.

Rekabet Zekası: Social Command Center şirketlerin sadece kendi sosyal medya hesaplarını, kampanyalarını, ürün lansmanlarını takip etmekle kalmıyor, pazarlama ekiplerine ve üst düzey yöneticilere rakip firmaların aynı ürün grubundaki aktifliğine, sosyal medyadaki payına veya tartışmaların hangi konularda odaklandığına dair gerçek zamanlı geri bildirim sağlıyor.

Örneğin bir telekom firması olarak, tüm telekom firmalarına ait ağ hizmetleri ile ilgili müşteri içgörülerine sahip olabilir, başka firmaların mutsuz müşterilerine yeni teklifler sunabilir ya da tartışılan belli konulardayeni ürünler veya çözümler geliştirip sunabilirsiniz.

Çalışanların marka elçiliği: IBM’de de Social Command Center’ı kullanıyoruz. Her çalışanımızdan, Dijital IBMci olarak IBM ile ilgili haberleri paylaşması ve içerikleri yönetmesi talep edilir. Çalışanların markayı benimsemesine odaklanıp, onların marka iletişiminin bir parçası olmalarını sağlıyoruz. İç sadakat programımız ‘Mavi Noktalar’ sisteminde en etkili IBM’cileri gerçek zamanlı olarak tanımlayabilen özel bir liderler tablomuz mevcut.

Pazarlama Etkinlikleri: Social Command Center genel olarak pazarlama etkinliklerini desteklemek için kullanılıyor ve üyeleri iletişimde tutmak gibi birçok faydaları var. Üyelerin oyunlaştırma taktikleri ile videolar üretip paylaşmaları ve tecrübeleri hakkında yorum yapmaları isteniyor. Bunlar görselleştiriliyor ve çok geniş ekranlı duvarlarda ya da stadyum ekranlarında gösteriliyor.

Aynı data farklı bir kitleye de sunulabilir. Örneğin Basın. Yazılarda ve makalelerde kullanılacak malzemelerin belirlenmesi için. (En çok bahsedilen oyuncu, sahanın duygusu, iletişimin en çok geldiği alan, insanların konuştukları konular)

Şunu unutmamalıyız. Netflix, House of Cards’ı oluştururken diziyi yönetecek kişinin ve baş rol oyuncusunun seçiminden, ana karakterlerin oluşumuna kadar her konuda abonelerinin daha önceki tercihlerine dair verileri kullanmıştı.

Bu aşamada, Social Command Center’ın bildiğimiz sosyal medya yönetimi araçlarından farkını vurgularsanız sevinirim.

Social Command Center’ı diğer sosyal medya takip araçlarından ayıran en önemli özellik “iki ekran yaklaşımı”dır.

İçgörü Platformu (Insight Platform) ile derin analitik bilgiye erişim olasılığı vardır.

Görselleştirme Platformu ile verinin görselleştirilebilmesi ve ihtiyaca göre özelleştirilmiş görünüm sağlanıyor. Aynı şirketteki farklı departman ve rollerin ihtiyacı olan bilgileri görmelerini sağlayacak şekilde tasarlanmıştır.

Social Command Center aynı zamanda açık bir API’si olması sayesinde şirketin halihazırda kullandığı farklı yazılım çözümlerine de entegre edilebilinir. Sosyal medya platformlarının ötesinde farklı kanallardan gelen verileri kişinin rolü ile alakalı olarak toplayıp görselleştirebilir.

“Haftanın hangi günü Viyana’ya uçak koyarsam daha iyi olur bilgisini telekom’dan alıp mevcut veriyle birleştirmek”
“Konu (topic) bazında birikmeler olup olmadığının gözlenerek çağrı merkezi önceliklendirmesinin yapılması”
“Sosyal toplulukların bir konuyu kullanarak aleyhte kampanya yaratmaya başlamasını hemen görüp krize dönüştürmeden çare bulunması”

gibi konularda Social Command Center’dan yararlanılabilir.

Watson ile birlikte entegre edildiğinde veri kaynağı olarak bloglar, web siteleri, kişisel sayfalar, iç dokümanlar ve e-mailleri de kullanabilir. Watson yapılandırılmamış verinin en güçlü ve en derin analizini kişinin rolüne ve ihtiyacına göre görselleştirebilir.

Maja Barrel ile sohbetimizin notları bu kadar. İlk 2 yazı ^[1] ve ^[2] linklerinde.

Bir başka toplantıda duyduğum “Artık veri madenciliğini veri biliminden (data science) sayılmıyor. Şimdi veriyi ete kemiğe büründürmek, verinin arkasındaki hikayeyi ^[4] bulmak… kısaca veriyi anlamlandırmak ^[5] , veri bilimi sayılıyor” ^[6] sözünü tekrar hatırladım.

11 Mayıs 2016

Veri Anlamlandırma 3 – Video

Posted on 26/03/2016 by Uğur Özmen

Veri Anlamlandırma konusunun üzerinde çok duruyorum.

Elinizdeki verinin büyüklüğü değil, ne kadar kullandığınızın önemli olduğunu ^[1] da yazdım.

Veri Anlamlandırma videoları ^[2] , ^[3] devam ediyor.

Her video için söylediğimi burada tekrarlayacağım.

Siz yine olayı daha detaylı öğrenmek isteyebilirsiniz.

Bu blogdaki anlamlandırma yazılarını ^{[4] , [5] , [6] , [7] , [8]} okumanızı öneririm.

Kapak resmi şuradan alıntıdır. Detaylı inceleyin.

Veri Anlamlandırma 2 – Video

Posted on 10/03/2016 by Uğur Özmen

Veri Anlamlandırma konusunda ilk videoyu ^[1] paylaşmıştım.

Bugün, farklı sektörlerden veri anlamlandırma örnekleri var.

Siz yine olayı daha detaylı öğrenmek isteyebilirsiniz.

Bu blogdaki anlamlandırma yazılarını ^{[2] , [3] , [4] , [5] , [6]} okumanızı öneririm.

Perakendede Veri Anlamlandırma

Posted on 17/02/2016 by Uğur Özmen

Perakende dünyasında verilerle ilgilenen herkes, ABD’li süpermarket zinciri Target’in “bir ergenin hamileliğini babasından önce bilmesi” öyküsünü duymuştur.

Benzer şekilde, “ABD’de bankaların bir erkeğin 2 yıl içinde boşanma ihtimalini %80’in üzerinde bir oranda bilmesi” öyküsü de çoğunluk tarafından bilinmektedir.

Müşteri verilerinin nerede ve ne amaçla kullanılacağının öğrenilmesi ve iyi anlamlandırılması ile bilinemeyenlerin azalması, gerek birer birey olarak müşterilerin, gerekse genel eğilimlerin ve değişimlerin erkenden öğrenilmesini ve şirketlerin gerekli önlemleri almasını sağlar.

Şirketler verilerini operasyonel açısından değil, müşteriyi tanımak ve anlamak için incelediklerinde, farklı ipuçları bulurlar. Verilerin müşteri davranışlarını anlayacak şekilde yorumlanmasına veri anlamlandırma denir.
Örneğin müşterinin satın aldığı konserveler incelendiğinde bezelye, türlü, turşu, parça domates, közlenmiş patlıcan, közlenmiş biber, salça, barbunya fasulye, bamya, yaprak sarma, ton balığı, komposto, reçel… gibi tüm malzemeler konserve diye tanımlanabilir.

Oysa müşteri davranışına göre yorumlanırsa, farklı noktalara ulaşılır. Örneğin, barbunya fasulye, yaprak sarma ve ton balığı konserveleri hazır yemek anlamına gelir; bezelye, salça gibi konserveler ise, evde yemek yapıldığını anlamamıza yardımcı olur.

Satın alınan ürünler daha ayrıntılı incelendiğinde, müşterinin yeme alışkanlıkları (diyet ürünler, kepekli ekmekler, et veya balık tüketimi, vb.) hatta aşçılık düzeyi (un, kabartma tozu, yufka, ıspanak demeti veya yıkanmış paketlenmiş ıspanak, salata malzemesi veya hazır salata) bile anlaşılabilir.

Veri anlamlandırma sayesinde müşterinin hakkında bilinecek konuların sayısı artar. Örneğin cep telefonumuzun GSM operatörü, kapsama alanlarından gelen veriyi inceleyerek tuttuğumuz takımı, maça gitme sıklığımızı, hatta taraftarlık seviyemizi bulabilir. Hafta içinde farklı yerlerde, hafta sonlarında veya maç saatlerinde stadyumda olduğumuzu görebilir.

Yağmur, çamur, kar demeden bir takımın her maçına gidiyorsak “fanatik”; sadece kendi sahamızdaki maçlara gidiyorsak “taraftar”; sadece derbi maçlarına gidiyorsak “derbici” diye adlandırabilir ve iletişimini buna göre ayarlayabilir.

Anlamlandırma kesinlikle sadece satın alınan ürünler ile sınırlı kalmamalıdır. Müşterinin şirketimize (fiziksel veya sanal ortamlarda) dokunduğu her seferi anlamlandıracak bir beceriye sahip olmalıyız. Örneğin:

İşlem yerleri:

Hafta içi işyeri yakınından, hafta sonunda evinin yakınından mı alışveriş yapıyor?
Büyük alışverişlerini toptancı mağazadan, küçük alışverişlerini evin yakınından mı yapıyor?
Cuma günleri, caminin yakınındaki marketi mi kullanıyor?
Değişen günlerde, semt pazarlarının olduğu yerlerde mi kullanılıyor? Birden fazla semt pazarı mı, yoksa sadece evinin veya işyerinin yakınındaki mi?
Yazın tatil yörelerine gidiyor mu? Tatilini büyüdüğü şehirde mi geçiriyor?
Hep aynı yöreye, yılın aynı günlerinde mi gidiyor → Devremülk veya yazlık.
Arada Göçek Marina’dan ve Bodrum Marina’dan alışveriş yapmış, kasaba içindeki dükkânlardan hiç alışveriş yapmamış ise tekneyle tatil yapıyor.

İşlem saati:

Gün içinde mesai saatlerinde sıkça kullanılıyor → Emekli veya çalışmayan veya vardiyalı çalışan kişi. (Müşterinin yaş ve cinsiyet bilgileriyle birlikte yorumlandığında, daha anlamlı sonuçlara ulaşılabilir.)
Bazı dükkânlardan (AVM dükkânları, cadde üstü dükkanlar) sadece sabahları ve öğle araları alışveriş → İşyeri o civarda
İşyeri yakınındaki dükkânlardan geç saatlerde alışverişler → Mesaiye kalıyor.

İşlem süresi:

Markette kısa aralıklı 2 alışveriş → Liste yapmadan çıkıyor, alacağı ürünü unutuyor. Kasada veya eve gidince aklına geliyor.
E-mağazada işlemini hızlı yaparsa → Önceden seçimini yapmış
Sitede uzun süre gezip karşılaştırmalar yapan → Önceden karar vermemiş.
Karşılaştırma işlevini kullanıyor. Sonra en ucuzu seçmiyor → Kendince bir fiyat / kalite kriteri var.
Değerlendirme kısmında uzun kalıyor ve çoğunlukla başkalarının ortalamada en yüksek yıldız verdiği ürünleri seçiyor → Marka saplantısı yok, kullanıcı deneyimlerine önem veriyor

Görüldüğü gibi, müşteri verilerinin nasıl anlamlandırılacağı bilinirse, müşteri daha iyi tanınır. Böylece elimizdeki tek teklifi tüm müşterilere yapmak yerine, her müşteri grubuna farklı tekliflerle gidebiliriz.

Tekliflerimizde kişiselleştirme oranı arttıkça, müşterilerimiz için daha vazgeçilmez olmaya başlarız.

Bu sitede daha önce yer alan birkaç yazıdan alıntılar içeren bu yazı, Türkiye Perakendeciler Federasyonu Dergisi PERDER’in Şubat sayısında yayınlanmıştır.

2016 Ocak – CRM Final Soruları 1

Posted on 15/01/2016 by Uğur Özmen

İstanbul Bilgi Üniversitesi’nde MBA programında verdiğim CRM dersini sınıfta izleyen arkadaşlar, çok sayıda ödev hazırladıklarından final sınavı yapmıyorum. E-MBA programına katılanlara sınav zorunlu.

Bu dönemin final sınavı soruları aşağıda:

Sınav sorularını MBA katılımcılarına verdikten hemen sonra, Facebook’ta paylaştım. (Gelen yorumların bir kısmı aşağıda)

Gelen yanıtlardan Burak Şendoğdu’nunkiler doğru. (Mavi yazılı olanlar benim eklemelerim)

“Değer segmentasyonu, müşteriye en iyi çapraz satış teklifinin yapılması için kullanılamaz” cümlesi doğru mudur? Yanıtınızın nedenlerini (gerekçelerini) anlatınız.

Burak Şendoğdu:

Yanlıştır (eksiktir). Değer segmentasyonunda amaç müşterileri katma değere göre sınıflandırmaktır. Oysa ki en iyi çapraz satış teklifinin yapılabilmesi için benzer müşterilerin davranış alışkanlıklarını gösteren müşteri ürün eğilim modellerinin çalışılması gerekmektedir. Bu noktada değer segmentasyonu çıktıları, yaş – değer matrisi yaklaşımı ile harmanlanabilir ve arkasından en iyi çapraz satış teklif modeli çalışılabilir.

Bu sorunun kısa yanıtı şu “Değer Segmentasyonunun Sınırları” ^[1] videosunda var. Ayrıntılı yanıt isterseniz, o linkteki 4 yazıyı okuyuverin.

2. Satın alınan ürünler dışında, işlem yerleri, işlem saatleri, işlem süresi gibi konularda veri anlamlandırma örnekleri yazınız.

Burak Şendoğdu:

-Yolda yürürken yakınlardaki bir firmanın kampanya bilgisinin SMS olarak gönderilmesi
-Günün belirli saatlerinde işlem yapan banka müşterilerine, davranışlarından çok farklı bir zamanda yapılan bir işlem ile ilgili kontrol telefonunun açılması
-Belirli saatlerde daha yoğun ziyaret edilen e-pazarlama sitesinde kârlılığı arttırmak amaçlı o zaman dilimlerinde yapılacak kampanyalar

Bu soru “Her Temas Bir İstihbarat” ^[2] yazısında ayrıntılı açıklandı.

3. Önemli müşteri verileri diye sorulduğunda, çoğunlukla adres, e-posta adresi, telefon numarası gibi temas bilgileri listelenir. Neden bunların en önemli müşteri bilgileri olamayacağını yazınız?

Burak Şendoğdu:

Müşterisini doğru segmente edebilmek, davranış örüntülerini tespit edebilmek, sahtekarlık ihtimali olan işlemleri tespit edebilmek için kullanilacak müşteri verileri CRM için çok daha önemlidir. Bilgi gizliligi konusunda iletişim bilgileri her ne kadae en önemli bilgiler olsa da, CRM penceresinden baktığımızda bize müşteriye dokunacağımız bilgiden ibret kalmaktadırlar.

Birini tavlamaya karar verdiniz. Tüm temas noktalarını biliyor ama onu hiç tanımıyorsanız mı tavlarsınız, yoksa nelerden hoşlandığını, nelerden hoşlanmadığını, beklentilerini, heveslerini, korkularını, endişelerini bilirseniz mi?

Birkaç satırlık yanıt zaten yeterli. Eğer daha fazla ayrıntı isterseniz, şu

Hangi Veri Gerekli videosunu ^[3]

Önce İhtiyaç videosunu ^[4]

seyredebilirsiniz. Olmadı, daha fazlasını okumak istiyorum derseniz:

İletişim / Tanıma ^[5]

Hangi Veri Gerekli ^[6]

Önemli Müşteri Verileri ^[7]

yazılarını okumanızı öneririm.

4’üncü ve 5’inci soruların yanıtı yarın.

15 Ocak 2016

Veri Yetmez – Video

Posted on 13/01/2016 by Uğur Özmen

Elinizde çok sayıda müşteri verisi olabilir. Verilere dayalı kampanya yapmak için çok sayıda verinizin olması yetmez.

Eğer sadece verileri kullanarak kampanyaya kalkışırsanız, büyük yanlışlar yapabilirsiniz.

Videoda bunlardan birini anlatıyorum.

Bu öyküyü okumak isterseniz, Yılbaşı ve CRM ^[1] yazısına göz atın.

Bu hataları yapMAmak isterseniz… Verileri anlamlandırmayı öğrenin:

Önce ürünler ve/veya hizmetler ^[2] anlamlandırılır;
Sonra işlemler (hatta müşteriye dokunulan her fırsat ^{[3] , [4] , [5]} ) anlamlandırılır. Her müşteri temas noktasında, bilgi açısından bir değer kazanılmaya çalışılır;
Biraz beceri kazandıktan ve segmentlerden emin olduktan sonra istisnalar ^[6] anlamlandırılır;
Zamanla, elinizdeki verileri dış verilerle birlikte ^[7] değerlendirerek eskiden görmediğiniz bağlantıları bulur, olası değişiklikleri ^[8] ve trendleri daha iyi tahmin eder ^[9] duruma gelirsiniz.

Yol uzun gibi görünebilir. Eğer başlamazsanız, daha da geride kalırsınız.

14 Ocak 2016

Bankalarda CRM – 1

Posted on 03/11/2015 by Uğur Özmen

Bir derginin CRM ekinde okuyorum.

Bir banka “Müşteri odaklı veri ambarını ilk biz kurduk” demiş. Bunun doğru olmadığını biliyorum. Orası ayrı.

Müşteri olmak için gelene “Vadeli mi, vadesiz mi?” diye soran ^[1] , herhangi birinin 10 dakikada – isterse sahtesini – yaptırabileceği kaşe nedeniyle işlemleri tamamlamayan ^[2] , kendi süreç hatası nedeniyle defalarca SMS göndermemi ve telefon konuşması yapmamı sağlayan ^[3] , teminat mektubu tutarının fazlasını bloke etmeme rağmen 3 günde – üst yönetimden fırça gelene kadar – teminat mektubu vermeyen ^[4] , mektubun süresi bittikten sonra bile parayı iade etmek için zorluk çıkaran ^[5] banka.

Hesaplarımı kapatırken özellikle vurguladım. “Bir daha hiçbir SMS, e-posta, ileti, mesaj, vb. göndermeyin” dedim.

2 sene sonra telefonla aradılar. Adresimi değiştirip değiştirmediğimi sordular. Gönderdikleri kart iade olmuş! “Kart istemediğimi” söyledim. “O bankayı hayatımın sonuna kadar kullanmayacağımı” söyledim. Yeni adresimi sordular, söylemedim.

Yeni adresime – nereden bulmuşlarsa – kart gönderdiler. Sürekli olarak SMS ve e-posta ile rahatsız etmeye devam ediyorlar.

Tom Fishburne – marketoonist.com

* * * * *

Bir başka bankanın “Türkiye’nin ilk Büyük Veri Davranışsal Analiz ve Görselleştirme Laboratuvarını kurduğunu” internet’te okudum.

“Big Data Analitiği, bizlere müşterilerimizi daha yüksek hızda ve kalitede analiz edebilme ve ihtiyaçlarına göre daha uygun çözümler sunabilme fırsatı veren teknolojik bir gelişme. Bu da bize, tam da müşterilerimizin istediği, onların ihtiyaçlarını en iyi şekilde karşılayacak ürün ve hizmetler geliştirmemizi sağlayacak altın değerinde veriler sağlıyor.” demişler.

Kredi kartı ödemelerimi her ay düzenli yapıyorum. Aylık ortalama ödemelerimin yarısına yakın – bazı aylarda tek seferde ödediğimin 1/3’ü kadar – bir tutarda bireysel kredi teklifinde bulunuyorlar.

Gerçekten davranışsal analiz yetenekleri olsa, o tutarda kredi almayacağımı bulurlardı.

Tom Fishburne – marketoonist.com

* * * * *

Bu bankalar ilk diyerek abartmış olabilirler. İddialı söylemleri ciddiye almasak bile, muhtemelen analitik konularda bazı ilerlemeler kaydetmişlerdir.

Öyleyse neden her seferinde anlamsız teklifler sunuyorlar biliyor musunuz? Her iki bankanın da ortak özelliği “anlamlandırma” eksiği. Yazılımlarla her sorunu çözeceğini zanneden düşünce yapısı…

Benim açımdan ilk değil. Daha önce yer aldığım bir projede yazılım ile gelinen noktada saplanıldı. Benim önerimle usta pazarlamacıların katkısı alındı. Tahmin modelinin başarısı %90’ların üzerine çıktı.

Bu bankaların söyledikleri analitik geliştirmeleri yaptıklarını varsayalım. Semantik ile başlayan çalışmaların tecrübeli bilgi birikimiyle desteklenmesi gerektiğini bilmiyorlar.

Bankalarda CRM devam edecek

3 Kasım 2015

Mağaza Segmentasyonu

Posted on 24/10/2015 by Uğur Özmen

Veri anlamlandırmanın bazı aşamalarına çeşitli yazılarda değinmiştim.

Önce ürünler ve/veya hizmetler ^[1] anlamlandırılır;
Sonra işlemler (hatta müşteriye dokunulan her fırsat ^{[2] , [3] , [4]} ) anlamlandırılır. Her müşteri temas noktasında, bilgi açısından bir değer kazanılmaya çalışılır;
Biraz beceri kazandıktan ve segmentlerden emin olduktan sonra istisnalar ^[5] anlamlandırılır;
Zamanla, elinizdeki verileri dış verilerle birlikte ^[6] değerlendirerek eskiden görmediğiniz bağlantıları bulur, olası değişiklikleri ^[7] ve trendleri daha iyi tahmin eder ^[8] duruma gelirsiniz.

İşlemlerin anlamlandırılması ^[2] aşamasında, markanızın ürünlerini veya hizmetlerini satan mağazaların da çeşitli kriterlere göre segmente edilmesi gerekir.

Tıpkı insanlarda (erkek, baba, yönetici, makam arabası var, alışveriş sever, yurt dışı tatilden hoşlanır, XXL ölçülerinde, sporcu, vb.) olduğu gibi mağazalarda da birden fazla / çok boyutlu segmentasyon kriteri vardır.

Satılan ürün sayısı, lokasyon, metre kare, park yeri olup olmaması… gibi (ayrıntıları ve sıfatları sektöre göre değişen) birçok kriter açısından değerlendirme yapılır. Bu çalışma yapılmadan, müşterinin temas noktasını anlamlandırmak mümkün değildir.

24 Ekim 2015

Kapak resmi şuradan, metin arası resim buradan alıntıdır.