EXAMENSARBETE
Användning av beslutstödsverktyg inom CRM (Customer Relationship Management)
Hur kan beslutstödsverktyg stödja företagens analysarbete för att hitta kunskap om kunderna?
2003:095 SHU
GEORGIOS GAKIOS PANAJOTIS ORFANIDIS
Samhällsvetenskapliga och ekonomiska utbildningar
SYSTEMVETENSKAPLIGA PROGRAMMET • D-NIVÅ
Institutionen för Industriell ekonomi och samhällsvetenskap
SAMMANFATTNING
Vardagen präglas av olika sorts kundkort som företagen använder för att lära känna kunderna och bygga långsiktiga relationer med dem. De företag som kan ge sina kunder en god och mer individuell service, dvs. vårda dem, har en stor konkurrensfördel. Många kortinnehavare känner sig dock inte unika vilket resulterar i att de inte är lojala mot företagen och att kundrelationerna försämras. Problemet ligger i att många företag saknar förmågan att analysera kundinformationen som lagras i databaserna för att fatta beslut rörande kundhantering. Vi har därmed undersökt på vilket sätt beslutsstödsverktygen kan stödja företagen att analysera kundinformationen. För att uppnå detta har vi gjort en fallstudie på två företag inom detaljhandeln som erbjuder kort till sina kunder. Resultatet visar att beslutstödsverktygen mycket väl kan stödja analysen men under ett villkor. Detta är kompetensen i företagen. Företagen behöver ha kunskap som ska kombineras med verktygens förslag vid besluten och även för att organisera data som ska bearbetas av dessa verktyg.
ABSTRACT
The daily life is characterized by different kinds of customer cards that companies use in attempting to learn about their customers and make long-term relations with them. Those companies that can give a good and more individually service to their customers, have a competitive advantage. Many card owners, although, do not feel unique and this fact results in non-loyalty by the customers and in deterioration of the customer relations. The problem is that many companies miss the ability to analyze the customer information stored in the databases regarding decision making about customer management issues. With that, we have examined how decision support tools can support companies in analyzing customer information. The result shows that decision support tools can support the analysis very well, but under one condition. That condition is the competence in the companies. The companies need to have knowledge, which can be combined with the propositions of the tools when it comes to decisions. They even need knowledge so that they can organize the data which will be worked up by those decision support tools.
FÖRORD
Resultatet av vårt examensarbete är en D-uppsats på 10-poäng i systemvetenskap vid Institutionen (IES) avdelningen för Systemvetenskap på Luleå tekniska universitet.
Vårt examensarbete blev genomförbart tack vare de företag vi haft kontakt med. Därför vill vi utnyttja tillfället och uttrycka vår uppskattning till er, genom att tacka för den hjälp ni givit oss under arbetets gång. Vi tackar även vår handledare Sören Samuelsson på avdelningen för Systemvetenskap för synpunkter och tips kring ämnesområdet.
Jag, Panos, vill tillägna detta arbete till mina föräldrar och min syster Melina för det stöd ni har gett mig under alla dessa år. Jag, Georgios, vill passa på och tacka min familj för det stöd ni har givit mig under min studietid, jag skulle inte klara mig utan er, jag omfamnar er med min kärlek.
Georgios Gakios Panajotis Orfanidis Luleå den 26 maj 2003
INNEHÅLL
1 INLEDNING ... 1
1.1BAKGRUND... 1
1.2SYFTE... 2
1.3FORSKNINGSFRÅGOR... 2
1.4AVGRÄNSNINGAR... 2
1.5DISPOSITION... 2
2 METOD... 4
2.1FORSKNINGSANSATS... 4
2.2LITTERATURSTUDIE... 4
2.3UNDERSÖKNINGSANSATS... 5
2.4KVALITATIV UNDERSÖKNING... 6
2.5DATAINSAMLINGEN... 6
2.6TILLVÄGAGÅNGSSÄTTET FÖR ANALYSEN... 7
2.7METODDISKUSSION... 8
2.7.1 Validitet... 8
2.7.2 Reliabilitet... 9
3 CRM ... 10
3.1KUNDHANTERING... 10
3.2VAD ÄR CRM? ... 11
3.3CRM OCH KUNDKORT... 11
3.4BESLUT INOM CRM ... 12
3.5CRM- PROCESSEN... 13
3.5.1 Den iterativa CRM- processen... 14
3.6SAMMANFATTNING... 16
4. BESLUTSSTÖDSVERKTYG INOM CRM ... 17
4.1DATA WAREHOUSE... 17
4.2MARKNADSDATABAS... 19
4.3DATA MINING... 20
4.3.1 Data Mining teknologier ... 23
4.4OLAP ... 24
4.5SAMMANFATTNING... 26
5 EMPIRI ... 27
5.1FÖRETAG A... 27
5.1.1Fakta om företaget ... 27
5.1.2 Sammanställning av respondent A ... 27
5.1.3 Sammanställning av respondent B ... 29
5.2FÖRETAG B... 30
5.2.1Fakta om företaget ... 30
5.2.2 Sammanställning av respondent A ... 31
6 ANALYS OCH DISKUSSION ... 33
6.1FÖRETAG A... 33
6.2FÖRETAG B... 35
6.3JÄMFÖRELSER MELLAN FÖRETAGEN... 38
7 SLUTSATSER OCH VIDARE FORSKNING ... 40
7.1SLUTSATSER... 40
7.2FÖRSLAG TILL VIDARE FORSKNING... 42
LITTERATURFÖRTECKNING... 43
1 INLEDNING 1.1 Bakgrund
I dagsläget råder det hård konkurrens mellan företag, där snabba förändringar på marknaden leder till att man måste lära känna sin marknad bättre [BLO00]. Kunderna är en viktig del av marknaden eftersom de ställer höga krav. De har tillgång till information om produkter och priser från olika företag, vilket innebär att de kan jämföra vad företag har att erbjuda. De företag som kan ge sina kunder en god och mer individuell service har en stor konkurrensfördel [STO00]. Vardagen präglas av en massa kort, mer specifikt, en massa kundkort. Detaljvaruhandeln är i nuläget en stor marknad där många av kunderna på ett eller annat sätt är medlemmar. Att vara medlem kan i många fall innebära att man har en
”specifik” relation gentemot ett företag, som kan gestaltas i ett kundkort. Från dessa kort samlas en mängd information in (kundens köpvanor) som lagras i databaserna.
Kundkorten kan användas som ett hjälpmedel till att lära känna kunden och bygga långsiktiga relationer [ÅSL00]. I marknadsföringstermer använder man begreppet lojalitetsprogram istället för kundkort. Syftet med att införa ett lojalitetsprogram (kundkort) är att öka kundlojaliteten mot företagen. [BLO00]. Enligt Ralf Blomqvist ses en lojal kund som: ”En kund som över tiden anlitar ett företag för att tillfredsställa hela - eller en betydande del av – sitt behov av de produkter och tjänster som täcks in av företagets erbjudande” [s.94]. Genom att företag fördjupar och förlänger kundrelationer kan de se till att kundlojaliteten ökas. Strategin där kundrelationer och kundlojalitet står i fokus kallas för CRM (Customer relationship mangement) [BLO00].
CRM handlar alltså om att vårda sina kunder för att på så sätt kunna behålla dem. Det gäller att förstå vilka kunderna är och vad de gillar och inte gillar. På detta sätt kan man förutsäga kundernas behov. Upptäcker företagen t ex att kunderna är missnöjda, kan de göra någonting åt det, innan kunderna vänder sig till en annan konkurrent [BER00].
Många kortinnehavare upplever att de får samma erbjudanden som alla andra och därmed uppfattar de sig inte som unika. Om inte kunden känner sig unik kan det leda till att relationen försämras. Problemet ligger i att, få företag tar vara på den informationen som korten ger [WAL01]. Detta betyder att mängden data sällan är ett problem, det är snarare förmågan att analysera och fatta beslut rörande kundhantering [BLO00]. Sådana beslut har att göra med vilken information och vilka erbjudande som ska riktas till kunden samt hur kommunikationen (e-post, brevreklam osv.) ska gå till [BER99]. Hur många företag vet idag vilka som är deras mest lönsamma kunder? Sanningen är väl närmast den att de flesta företag inte känner till kundernas individuella behov och inte kan se om en kund är mer lönsam än en annan [ÅSL00].
För att företagen ska kunna komma fram till beslut om hur kunderna ska hanteras bör de analysera den insamlade informationen. Detta gäller oavsett vilken information om kunden de är ute efter eller vilken marknadsföringsstrategi de har för att utveckla kundrelationerna.
För att stödja analysen kan företag använda sig av beslutstödsverktyg. Det är verktyg som kan stödja en lösning av ett problem för att förbättra beslutfattandet. Alla beslutstödsverktyg använder tre komponenter: data, information och kunskap. Man kan säga att data om olika
aktiviteter och transaktioner kan lagras och klassificeras i olika databaser. Med hjälp av beslutstödsverktygen kan de olika data organiseras så att de skapar en mening för mottagaren och detta gör att data blir information. När information och data organiseras och bearbetas på ett sådant sätt att det resulterar till förståelse, erfarenhet, inlärning och expertis kan man säga att mottagaren har skaffat sig kunskap [TUR98]. Data Mining (DM) är ett exempel på sådana beslutstödsverktyg, där man utnyttjar klassiska statistiska metoder och dels mer avancerade analysmetoder. Användningen av DM kan ge företagen möjligheten att hitta nya, gömda eller oväntade datamönster, dvs. upptäcka kunskap som finns gömd i databaserna och på så sätt stödja företagens beslut [MAR99].
Vi tycker därmed att det skulle vara intressant att undersöka vilken nytta företagen verkligen har av beslutsstödsverktygen för att analysera kundinformationen. Problemet med att analysera informationen finns, men frågan är om företagen utnyttjar användningen av beslutstödsverktyg för att ta vara på informationen som ges av kundkorten. Om så är fallet, vilka analytiska uppgifter kan verktygen utföra för företagens räkning och kommer då verktygens användning att fungera som ett stöd till att hitta kunskap om kunderna?
1.2 Syfte
Vi vill med vår uppsats förstå beslutstödsverktygens inverkan på analysarbetet i syfte att hitta kunskap om kunderna hos företagen.
1.3 Forskningsfrågor
Hur kan beslutstödsverktyg stödja företagens analysarbete för att hitta kunskap om kunderna?
Har företagen samlat in all information (data) på ett och samma ställe?
Hur pass kraftfulla beslutsstödsverktyg behöver företagen i strävan efter att hitta kunskap om kunderna i analysarbetet?
Vilken betydelse har den mäskliga faktorn dvs. kunskap, erfarenhet, intuition vid beslutsfattandet?
Vilken roll har beslutsstödverktygens användargränssnitt för användaren?
1.4 Avgränsningar
Vi kommer att studera företag ute i detaljvaruhandeln och inrikta oss mot dem som erbjuder kort till sina kunder.
1.5 Disposition
I kapitel två presenterar vi metoden dvs. tillvägagångssättet under uppsatsens gång där motiveringar finns för de olika val vi har gjort. Kapitel tre och fyra innefattar vår teoridel i uppsatsen och behandlar två viktiga begrepp dvs. CRM och beslutstödsverktyg. Vi har valt att dela upp teorin på detta sätt för att en bredare förståelse ska kunna ges. I dessa kapitel har vi använt oss av en modell (process) där kopplingarna mellan CRM och beslutsstödsverktyg åskådliggörs, samt att vi fortlöpande i texten gör anknytningar mellan begreppen. Det
kommande kapitlet (kapitel fem) behandlar empirin dvs. vår fallstudie som vi har utfört på två företag. Vi har valt att presentera resultat av vår fallstudie i en deskriptiv form vilket leder till att de blir lättare att läsa och ev. följa med i texten. I kapitel sex har en analys genomförts där vi först jämför resultat av empirin från företagen mot teorin separat och därefter jämför vi mellan företagen och teorin. Analysen har givit oss olika resultat och därifrån har vi härlett fram de slutsatser som presenteras i kapitel sju samt förslag till vidare forskning.
2 METOD
2.1 Forskningsansats
Vi har valt att framhäva två olika angreppssätt för att du som läsare ska få en bättre förståelse om hur vi har gått tillväga med vår uppsats. De angreppssätt vi har valt att framhäva är de induktiva och deduktiva sätten.
I induktiv forskning inleds arbetet med insamling av data ute på fältet – empiriska iakttagelser eller mätningar av något slag. Därefter analyseras det man har och en teori genereras. Här utvecklas abstraktioner, begrepp, hypoteser och teorier snarare än att pröva existerande teorier. Induktiva forskare vill hitta en teori som kan förklara den information de har [MER94].
I den deduktiva inriktningen läser man först igenom litteraturen inom området. Utifrån detta härleds en referensram som vanligtvis är teoretisk till sin natur och som ska studeras och verifieras under forskningens gång. Därefter samlas data in utifrån den referensram som har skapats. En deduktiv forskare hoppas finna information som passar in på teorin [MER94].
Angreppssättet vi har valt i vår uppsats ”påminner” om den deduktiva ansatsen. Anledningen till att vi skriver påminner är att vi till en stor grad gått deduktivt tillväga. Dock har vi blivit tvungna till att gå tillbaka till teorin efter att intervjuerna har gjorts för att komplettera teorin.
Det ledde till att vi även fick komplettera intervjuerna vilket har lett till en sorts pendling mellan empiri och teori. Därmed kan vi inte säga att vi går deduktivt tillväga ev. kan vårt angreppssätt ses som en kombination av deduktiv och induktiv ansatts, där den induktiva ansatsen har en minimal inverkan. Detta kan styrkas genom att vi först läste igenom ett antal böcker och artiklar vilket har resulterat i en teoretisk referensram. Denna referensram har fungerat som en grund till våra empiriska undersökningar och därefter har vi att jämfört resultatet från empirin mot den teoretiska referensramen. Här ligger tyngdpunkten i vår ansats.
2.2 Litteraturstudie
För att finna litteraturen som skulle passa in på vår uppsats har vi använt oss av olika informationskällor. Dessa är universitetets bibliotek och Internet.
Den litteratur vi har tagit del av rör sig inom ämnesområdena marknadsföring och systemvetenskap. I marknadsföringen hämtar vi kunskap om CRM som tar upp strategin om kundhantering samt hur CRM kan tillämpas med hjälp av teknik. För att få ett bredare perspektiv på det har vi grävt fram kunskap ur litteratur som behandlar beslutstödsverktyg tillämpade i CRM. Vi har även tagit del av renodlade beslutsstödsverktygs teori. Teorin har valts på detta sätt för att vi var tvungna att få en helhetsbild av de olika ämnesområdena, som i sin tur gett oss en uppfattning om var saker och ting hamnar. På detta sätt har vi haft möjlighet att strukturera vårt teoriavsnitt och placera de olika momenten i sin ordning.
Viktigt att tillägga här är att vi blev tvungna att komplettera teorikapitlet 4 med underkapitlet 4.2. Detta gjordes efter undersökningen hos det första företaget (Företag A) där de använde sig av en marknadsdatabas, istället för en DW. Vi hade inte skrivit någon teori om det innan
undersökningen. Vi fann det svårt att hitta många litteraturkällor som innehöll information om detta verktyg och nöjde oss med en bok och en artikel där vi anser att teorin är ändå tillräcklig.
När det gäller Internet har vi använt oss av dess sökmotorer för att finna det som är av intresse. När verktyget användes var vi mest angelägna att hitta information om forskningsmetodik som kunde hjälpa oss att styrka våra olika arbetssätt med uppsatsen.
Internet har även används till att finna olika artiklar som berör vårt ämne. Artiklarna är hämtade från universitetsbiblioteks databaser.
2.3 Undersökningsansats
För att genomföra undersökningen har vi använt oss av fallstudie som är en strategi för vetenskaplig forskning. Fallstudier lämpar sig bäst när ”hur” och ”varför” frågor ska besvaras [YIN94]. Vår forskningsfråga är en hur- fråga och ska med hjälp av fallstudiestrategin besvaras.
Kriterierna för urval av företag var först och främst att de verkade inom detaljvaruhandeln.
Med det menar vi företag som vi konsumenter dagligen besöker, det kan röra sig om matbutiker, klädaffärer osv. Det andra kriteriet var att företagen använde sig av kundkort dvs.
att de med kundkorten har någon sorts relation med sina kunder. Vårt tredje kriterium var att företagen var stora på marknaden, för att försäkra oss om att de hade många kunder dvs.
mycket kunddata. Därmed kunde vi logiskt dra slutsatsen, att de på ett eller annat sätt är betvingade till att använda sig av någon sorts teknologi för att hantera sina kunder. Vi hade ett fjärde kriterium och det var geografisk närhet. Om det kan vi säga att företagen vi har kontaktat finns i Luleå, men personerna vi har varit kontakt med inte var lokaliserade här.
Detta medförde att vi blev tvungna att göra vår undersökning genom att använda oss av andra tillvägagångssätt än vi tänkt oss. Dock har det inte gett upphov till några problem för vår undersökning. Det sista kriteriet var att respondenterna hade en ledande roll inom sina företag när det kommer till företeelsen vi behandlar. Genom att personerna är insatta i företeelsen ökar chansen att relevanta svar kan ges.
En fallstudie på två företag har genomförts där företagen tillhör olika branscher. Det första vi gjorde för att finna företag till vår undersökning var att titta bland olika företag på Internet som var allokerade i Luleå. Vi valde slumpmässigt ut ett antal företag som vi kontaktade via e-post. Det visade sig att två av företagen som vi kontaktade ville medverka i undersökningen, eftersom de svarade på vår e-post ganska fort och verkade vara villiga att ställa upp för intervju. När kontakten var ett faktum fann vi att undersökningen inte skulle vara genomförbar i Luleå. Detta för att personerna vi sökte fanns inte i Luleå utan i Stockholm.
Orsaken till val av företag från två olika branscher var att vi inte skulle avgränsa oss mot en specifik bransch. I och för sig har vi avgränsat oss mot företag som verkar inom detaljvaruhandeln men dock behövde företagen inte verka inom samma bransch. Vi anser att företag inom detaljhandeln som har en CRM- strategi samt en mängd kunder att hantera bör använda sig av teknologi för sitt ändamål. Därmed spelar det ingen roll om företagen tillhör samma bransch eller inte, vi är intresserade om beslutstödsverktyg stödjer företagen i sitt
analysarbete gällande sina kunder. Underlaget till fallstudien har varit teoriavsnittet, där vi beskriver vad CRM är och hur den generellt kan tolkas ur ett företags synvinkel. I teorin beskriver vi även var analysarbetet kommer in i CRM, samt hur olika teknologier kan vara till hjälp för beslutsfattaren vid analysarbetet.
I teorin har vi valt att dela upp analysen av kundinformationen i olika grenar beroende på vad de olika beslutstödsverktyg kan utföra samt var de passar in. Med var de passar in menar vi ett antal kategoriseringar som finns uppställda i teorin. Dessa kategoriseringar fungerar som en stomme både för oss men även för dig som läsare. I och med dessa kategoriseringar kunde vi placera ut var verktygen hamnade och vad de kan utföra. Kategoriseringen har även hjälpt oss i fallstudien och analysen, där vi kunnat ställa frågor utifrån dessa och skapat oss en uppfattning om vad företagen är ute efter i sin CRM- strategi, samt hur de gör för att analysera sin information.
2.4 Kvalitativ undersökning
Man kan i sin undersökning välja mellan kvantitativ och kvalitativ forskningsmetod. Syftet med en kvantitativ metod är att fastställa kvantiteten eller utsträckningen av ett resultat i någon företeelse, i form av antal eller exakta mätvärden [ZIK2000]. På detta sätt får man ett objektivt mått på sannolikheten att de slutsatser man kommit fram till är korrekta. I en kvantitativ metod har man på förhand bestämt sig för vilka tänkbara slutsatser och resultat undersökningen kan leda till [GUN02].
De kvalitativa metoderna däremot är subjektiva i sin natur och fokuserar inte på siffror, utan på forskarens observationer och tolkningar dvs. kvaliteten. [ZIK2000]. Detta innebär att man inte vet från början exakt vilka resultat och slutsatser som är tänkbara och resultatet kan vara nya aspekter på ett problem [GUN02].
Vi har valt att använda en kvalitativ metod för att på så sätt få en djupare förståelse över hur beslutstödsverktyg kan hjälpa företag vid analysarbetet för att upptäcka kunskap om sina kunder. Företeelsen vi behandlar är sådan som man inte kan direkt mäta i exakta värden och därför kunde vi inte göra en kvantitativ undersökning. Därmed har vi i vår kvalitativa metod använt oss av egna tolkningar över hur beslutstödsverktyg hjälper företag i dess analysarbete, där det finns en öppenhet inför vad resultatet skulle kunna bli.
2.5 Datainsamlingen
Den lämpligaste datainsamlingsmetoden för vår kvalitativa undersökning anses vara intervjuer. Med detta ges möjlighet att på ett utförligare sätt följa upp frågorna med fördjupningsfrågor, vilket resulterar till en djupare förståelse över företeelsen vi studerar.
Detta kan inte åstadkommas med önskat resultat vid enkätundersökningar, som är en annan datainsamlingsmetod och lämpar sig bättre vid kvantitativa undersökningar [GUN02].
Intervjuer är en väsentlig källa till undersökningar då de flesta undersökningar på något sätt handlar om mänsklig perception. Sådan perception kan med hjälp av intervjuer observeras och tolkas av intervjuaren på ett subjektivt sätt. Den intervjuade kan tillhandahålla relevanta insikter över situationen som studeras [YIN94]. Datainsamlingsmetoden i fråga har av denna anledning varit till stor fördel och försett oss med relevant information. Detta har möjliggjort
syftet att genom egna tolkningar ge ökad förståelse över hur beslutstödsverktyg kan hjälpa företag i dess analysarbete.
Vi hade från början valt att intervjua en person i respektive företag. Efter den första intervjun i företag A fann vi att respondenten hade kunskaper i marknadsföring men dock var kunskaperna angående beslutsstödsverktyg inte tillräckliga. I detta skeende rekommenderade respondenten oss en kollega till honom med kunskaper inom ämnesområdet vi var intresserade för. Den rekommenderande respondenten visade sig besitta dem kunskaperna vi var ute efter. I företag B behövdes endast respondent.
Som vi tidigare nämnt befanns de intervjuade inte i Luleå vilket har lett till att vi har gjort telefonintervjuer. Enligt Paul Hague så finns det vissa hinder med att utföra intervjuer via telefon istället för att utföra dem face-to-face. Han menar att den personliga kontakten förloras med telefonintervjuer, vilket medför risken att kvalitén på intervjun sjunker. Med personliga intervjuer så kan intervjuaren t.ex. tolka respondentens gester och handrörelser och detta kan förstärka eller försvaga uppfattningen av respondentens svar. Paul Hague fortsätter med beskrivningen att i telefonintervjuer kan respondenten få det svårt att förstå och uppfatta frågorna på det sätt som intervjuaren önskar om de är dåligt formulerade.
Orsaken är att det finns en ökad tendens att missuppfatta en fråga om det rör sig om intervjuer via telefon. Enligt Hague är det fullt möjligt att komma över dessa problem.
Framför allt handlar det om att göra en mer detaljerad planering än vad som krävs vid personliga intervjuer. Det kan röra sig om att intervjuaren har ett välformulerat frågeformulär och att intervjuaren styr intervjun efter denna. Förutom detta säger Paul Hague att intervjuaren måste göra ett gott första intryck genom att göra en god presentation av sig själv och vad som vill uppnås med intervjun. Detta är särskilt vikigt vid telefonintervjuer eftersom respondenten ska svara på frågor för en person som för honom är okänd [HAG 93].
Problemen ovan som nämns angående telefonintervjuer har vi försökt och tackla genom att skicka frågorna i förhand och därmed kunde respondenterna förbereda sig inför intervjun. Vi anser att det gav oss en större möjlighet att få relevanta svar i och med att de var genomtänkta. När kontakt upprättades med respondenterna fick vi chansen att presentera oss och förklara syftet med vårt arbete. Respondenterna fick en klar bild över vad vi ville och samtidigt ville de hjälpa oss mer än gärna. Därmed anser vi att vårt första intryck var lyckat om man ska följa Paul Hagues riktlinjer. Under intervjuerna har vi använt oss av en konferenstelefon som lett till att vi både kunde vara med i intervjun och kommunicera.
Intervjufrågorna var översiktliga och vi försökte i största möjliga mån undvika ledande frågor, eftersom det kan medföra att undersökningen förlorar sin kvalitativa mening [YIN94].
I längden kan det leda till att en djupare förståelse över företeelsen man studerar går förlorad.
Vi hade även möjlighet att ställa följdfrågor för att få fram ett djupare resultat. För att försäkra oss om att vi inte skulle missa något under intervjuerna har vi bandat samtalen och även fört anteckningar.
2.6 Tillvägagångssättet för analysen
Det sista steget innan slutsatsdragningar var att analysera materialet från empirin för att på så sätt skapa en översiktlig bild inför slutsatserna, där vi försöker svara på forskningsfrågan och syftet. I analyskapitlet har vi då jämfört den empiriska undersökningen med de teoretiska
referenser som finns i teorikapitlen (kap.3 och 4). På samma sätt som i empirikapitlet har vi gjort fyra uppdelningar för varje företag i syfte att strukturera materialet och för att sedan enklare kunna analysera det. Vi har däremot slagit ihop materialet från de två respondenterna hos företag A för att kunna analysera företag A som en helhet. Struktureringen består som sagt av fyra kategorier, nämligen CRM, kundidentifikation, kundsegmentering och kundförutsägelse. Den första kategorin motsvarar kapitel tre (CRM) och de resterande tre motsvarar analyskategorierna i kapitel fyra (Beslutstödsverktyg). Dessa kategorier fungerar som kriterier till analys av den insamlade data vi har fått genom empirin.
Det första vi gjorde för att analysera var att jämföra empirin mot teorin för varje företag.
Därmed kunde vi få fram två olika delresultat av analysen. Därefter jämförde vi företagen mot varandra för att på så sätt uppnå ett slutligt resultat. Struktureringen av analysen har hjälpt oss att enklare upptäcka slutsatserna.
2.7 Metoddiskussion
I metoddiskussionen nedan ska vi försöka vara kritiska mot vårt tillvägagångssätt under undersökningens gång och bedöma det. Validitet och reliabilitet är två viktiga begrepp i sammanhanget.
2.7.1 Validitet
Validiteten avser att man mäter det som är relevant i sammanhanget. Det rör sig om att kunna ange i vilken situation och för vilken population uppsatsens resultat är giltiga [GUN02].
Merriam (1994) menar att det handlar om i vilken utsträckning utredarens resultat stämmer överens med verkligheten. För att göra uppsatsen valid (giltig) har olika metoder under undersökningen använts. Metoden för fallstudien omfattade en undersökning på två företag där intervjufrågorna fungerade som underlag. Vi tycker att antalet företag som undersöktes var tillräckligt för att komma fram till vettiga slutsatser, vilka skulle kunna styrkas ännu mer om företagen var fler. Ju fler företag desto mer generella slutsatser kan man dra. Man bör dock vara medveten om att fallstudiemetoden väljs för att man vill gå på djupet inom ett bestämt ämne, och inte för att ta reda på något som gäller generellt för alla undersökningsenheter [MER94]. Vi vill här uppmärksamma att det skulle vara bättre för vår uppsats om vi hade funnit ett företag som använde sig av DM- verktyg, för att kunna bekräfta det som står skrivet i teorin samt diskussionerna i analysen och slutsatserna. Vi tror att det skulle öka validiteten i vår uppsats. Vi anser dock att det inte påverkar vår uppsats för att syftet lägger tonvikten på beslutstödsverktyg i ett generellt sammanhang och inte på DM- verktyg.
Intervjufrågorna har tagits fram för att kunna svara på vår forskningsfråga. Syftet med frågorna var att försöka täcka så mycket av teorin som möjligt där tyngden lagts på beslutstödsverktyg samt teori om CRM. På detta sätt kunde vi få uppfattning om företagens användning av beslutsstödverktyg i syfte att analysera sin data. Frågorna ställdes till personer som var insatta i ämnet. Det var personer med kunskap om IT-frågor och marknadsföringsfrågor. Vi tror att detta har ökat validiteten i undersökningen, eftersom de intervjuade hade god kunskap och erfarenhet kring ämnet som ledde till att vi fick relevanta svar. Intervjufrågorna baserades på teorin med utgångspunkt från CRM- teorin. Sedan har vi försökt att strukturera upp frågorna runt tre kategorier för analys av kundinformation. Dessa
kategoriseringar har vi sedan försökt att placera in mot olika beslutsstödsverktyg. Det har vi gjort för att kunna se vilka verktyg företagen använder sig av för olika syften. Problemen vi har haft i uppsatsen ligger i teorin. I och med att vi fann ämnet som vi valt mycket komplext hade vi från början problem med att tolka vad vi läste. Det rörde sig främst om DM- teori, olika författare definierade DM på avvikande sätt, vilket i sin tur skapade förvirring hos oss.
Vi försökte läsa in oss på ämnet så gott vi kunde och till slut skapade vi en egen uppfattning om DM samt den resterande teorin. I teorin finner ni som läsare motiveringarna till de olika tolkningarna. Vi kan dock konstatera att det hela har löst sig ganska bra. Det grundar vi på de kategoriseringar vi gjort för att dessa har fungerat som ett underlag under hela uppsatsen.
Detta ledde i sin tur till att vi lättare kunde skapa förståelse över företeelsen. Därmed tycker vi att det som avsågs undersökas har faktiskt undersökts. Detta innebär att de krav som ställs på validiteten har uppfyllts.
2.7.2 Reliabilitet
Med reliabilitet menas att resultaten ska vara tillförlitliga [SVE99]. Målet är att försäkra sig att om andra utredare vid ett senare tillfälle använder sig av exakt samma metod som oss och utför samma undersökning, ska komma fram till likadana observationer och slutsatser [YIN94]. Här vill uppmärksamma att det är svårt att utföra samma undersökning senare. Det grundar vi på att följdfrågorna vi har ställt under intervjuerna är svåra att upprepa samt att organisationerna vi har varit i kontakt med förändras över tiden.
För att stärka reliabiliteten i studien har intervjuer utformats där ett specifikt antal frågor fungerat som en mall. Med dessa frågor som utgångspunkt kunde vi ställa följdfrågor under intervjun för att på så sätt få bättre förståelse. Möjligheten gavs till de intervjuade att tala fritt och öppet om forskningsämnet, någonting som inte skulle åstadkommas om vi hade ställt ledande frågor. Någonting som även fungerade som underlag till undersökningen var att vi spelade in intervjuerna för att försäkra oss att ingenting som sagts skulle glömmas bort vid analysen. I samband med inspelningarna antecknade vi de intervjuades svar för att på så sätt kontrollera att ingenting hade missuppfattats.
Onekligen genomfördes intervjuerna via telefon istället för på plats vilket enligt Paul Hague innebär vissa problem man bör ta itu med. Detta kan leda till att undersökningen försämras.
Dock anser vi att så är inte fallet i och med att vi innan intervjuerna beaktade de råd Paul Hague gav för att lyckas med telefonintervjuer. Därmed anser vi att vi uppfyller kraven som ställs på reliabiliteten.
3 CRM
I det här kapitlet kommer vi att klargöra vad Customer Relationship Management (CRM) handlar om och hur det kan anknytas till användning av kundkort. Tanken är att innehållet i detta teorikapitel ska ge en förståelse av bakgrunden till beslutstödsverktygens användning inom kundhanteringsbeslut. Exempel på frågor som besvaras i kapitlet är: Vad är CRM?
Varför använder sig många företag av CRM? Vilken är kundkortens roll inom CRM? Vilka beslut är viktiga för företagen inom kundhanteringen?
3.1 Kundhantering
De senaste åren har kundernas interaktion med företagen förändrats dramatiskt. Kundernas relationer till företagen är ingen garanti [BER99]. Faktorer som påverkar denna relation är:
Informationssamhällets framväxt – Företagens budskap drunknar lätt i det oerhörda informationsflödet som når kunderna via olika media. Kundernas kunskap ökar vilket leder till att de upptäcker alltfler valmöjligheter och därmed minskar köptroheten gentemot företagen.
Kundernas behov – Behoven blir alltmer högt utvecklade, där kunderna hävdar sin personlighet och markerar sitt oberoende. Detta ställer ökade krav på unika lösningar där individens behov uppmärksammas.
Konkurrens ökar både nationellt och internationellt – Servicens betydelse ökar som konkurrensmedel vilket leder till att kundanpassade lösningar blir nödvändiga för att höja det kundupplevda värdet.
Ny teknologi – I takt med att nya kommunikationsmetoder utvecklas (ex. Internet) förändras konkurrensförutsättningar snabbt i många branscher [BLO99].
I och med dessa faktorer har företagen upptäckt att de behöver förstå sina kunder bättre och snabbt kunna tillfredsställa deras behov. För att nå upp till detta kan man inte längre vänta tills en kund blir missnöjd, vilket därmed ökar chansen till att han/hon vänder sig till en konkurrent. Därför bör företagen hantera sina kunder genom att utveckla goda kundrelationer för att på så sätt kunna förutsäga deras behov innan ett missnöje uppstår [BER99].
De förändringsfaktorer som har beskrivits har bidragit till att marknadsföringslitteraturen gett oss nya begrepp. Två sådana begrepp är relationsmarknadsföring (RM) och Customer Relationsship Management (CRM). I dessa begrepp står företagens kunder i centrum, där marknadsföringen bör ses som en process vars syfte är att etablera och upprätthålla långsiktiga kundrelationer.
Nedan följer en definition av dessa begrepp där skillnaderna mellan begreppen tydliggörs:
RM: ”Relationsmarknadsföring innebär att medvetet arbeta för att etablera, utveckla och avveckla relationer med kunder och andra intressenter så att ömsesidiga värden och konkurrenskrafter skapas.” [BLO00 s. 23]
CRM: ”Customer relationship management it the term used for business practice and associated tools and infrastructure allowing business that have more than a few customers to better serve and manage the interaction with those customers” [BER99 s. 237].
Begreppen kan uppfattas som synonymer men skillnaden ligger i att CRM är en strategi för automatisering av RM. CRM handlar med andra ord om att hantera kundrelationerna på ett systematiskt sätt, dvs. organisera kundinformationen med hjälp av olika teknologier (databaser, beslutstödsverktyg osv.).
3.2 Vad är CRM?
Vi har tidigare poängterat att konkurrensen mellan företag ökar samtidigt som kunderna har mer kunskap om marknaden. Detta resulterar i att företag utvecklar kundfokuserade strategier, dvs. CRM- strategier. Det gäller att samla in så mycket information som möjligt om kunderna och därefter bearbeta informationen för att kunna vårda dem. Att vårda kunderna är samma sak som att skapa långsiktiga kundrelationer [BER99].
Men vilka är möjligheterna och syftet med CRM? Och varför ska man satsa på långsiktiga relationer? Jo, syftet är helt enkelt att uppnå kundlojalitet och kundlönsamhet, eller med andra ord att försöka behålla kunderna för att på så sätt öka försäljningen. Möjligheterna som ges av CRM är:
1. Att kunna identifiera kunderna
2. Att kunna ta reda på hur kunden skiljer sig från andra kunder
3. Att kunna arbeta interaktivt med kunden och låta kunden tala om hur han/hon vill bli behandlad
4. Att kunna erbjuda kunden en skräddarsydd lösning
5. Att alltid kunna ge kunden god service som i sin tur leder till ökad lönsamhet [CRM02]
CRM är baserad på den kända marknadsföringspremissen att det kostar mindre att hålla kvar sina existerande kunder än att försöka skaffa nya. Genom att lyckas hålla kvar kunderna hos sitt företag, ökar chansen att man uppnår långsiktig lönsamhet med de kunderna [SWI01]
[BLO00].
3.3 CRM och Kundkort
Ett kundkort, eller ett lojalitetsprogram som det brukar kallas i marknadsföringstermer är, enligt Ralf Blomqvist, följande:
”Ett lojalitetsprogram är en formaliserad sammanslutning av kunder vilka uppfyller vissa kriterier som företaget ställt upp, vilka utför någon form av prestation för sitt medlemskap och som belöning för detta erhåller förmåner som bara är tillgängliga för lojalitetsprogrammets medlemmar.” [BLO00 s. 38].
Kundkort är det vanligaste sättet för företag inom detaljhandeln att skapa kundrelationer.
Alla köp som kunden gör registreras i korten och på detta sätt samlar kunden på bonuspoäng som kan ge olika förmåner. Syftet med att erbjuda sådana medlemskort till kunder är att skapa bindningar mellan företagen och kunderna, för att fördjupa och utveckla kundrelationer och därmed öka kundlojaliteten hos företagen. Fördelen med användningen av kundkort ur kundernas synvinkel är att någon form av medlemsmentalitet skapas hos dem [BLO00].
Författaren Michael Berry förklarar syftet med användningen av kundkorten på ett annat sätt.
Han betonar att syftet är att belöna kunden för att han/hon besöker företagets butik ofta och spenderar pengar [BER00]. Om man slår ihop de två olika syfteformuleringarna kan man konstatera att Berrys formulering egentligen fungerar som medel till Blomqvists målformulering dvs. genom att belöna kunden (medel) kan ett företag utveckla goda kundrelationer (mål).
Som det har påpekats i inledningen av uppsatsen anses en kund vara lojal när han/hon anlitar ett företag för att tillfredsställa hela eller en del av sitt behov. Kundlojalitet kan ses som ett begrepp för det slutliga resultatet av en kundrelation [BLO00]. Med detta menas att genom utveckling av goda relationer till kunderna, dvs. genom att vårda kunderna, strävar företagen efter att få dessa kunder till att bli lojala. Här är det lätt att lägga märke till kopplingen mellan användning av kundkort och en CRM- strategi. Kundkort är en del av CRM, det är alltså ett sätt att hantera kundrelationerna i syfte att få konkurrensfördelar.
Kundkorten är medel för att utnyttja möjligheterna med CRM som har beskrivits ovan.
Genom att utnyttja informationen som finns lagrad i korten kan företagen identifiera sina lojala och lönsamma kunder samt identifiera de kunder som värdesätter företagens erbjudande mest. Frågan är då hur de olika företagen uppfattar kunderna som lojala eller lönsamma. Hur mycket pengar ska en kund spendera i företagets butik för att betraktas som lönsam? Företagens marknadsföringsstrategier skiljer sig säkert från varandra men kanske inte till en så hög grad. Det som de i alla fall har gemensamt oavsett hur en lojal eller lönsam kund definieras hos företagen är att de satsar på CRM i och med att de inför kundkort [BLO00].
3.4 Beslut inom CRM
Innan vi går vidare med att illustrera och redogöra för arkitekturen av CRM tänker vi redogöra vilka beslut som ett företag ska samla in underlag för, inom CRM. CRM handlar om kundrelationer och kundlojalitet men för att hantera dessa relationer måste företagen se till att kommunicera med kunderna på rätt sätt. Företagens beslut inom CRM rör sig om att ge:
• Det rätta erbjudande
• Till den rätta kunden
• I rätt tid och
• Via den rätta kommunikationskanalen [BER99]
Med det rätta erbjudandet menas att företag måste prioritera vissa erbjudande som verkar vara mer intressanta för kunderna och minimera vissa andra. Beslut om vilka kunder som ska få vilka erbjudande är av relevans eftersom alla kunder inte har samma köpbehov och önskemål. Frekvensen av erbjudandetillfällen är också viktig att tänka på därför att interaktioner med kunderna måste äga rum kontinuerligt för att kunden inte ska känna att han/hon ibland glöms bort. Sist men inte minst måste företagen besluta om vilken eller vilka kommunikationskanaler är mest lämpliga för kommunikationen med kunderna. Exempel på olika kommunikationskanaler är brev, e- post, telemarketing osv. [BER99]. Ett sådant beslut har idag blivit allt viktigare eftersom informationsteknologin har gjort det möjligt för företagen att använda sig av olika elektroniska och multimedialösningar för att hantera kundrelationer [STO00].
För att företagen effektivt ska brottas med hanteringen av besluten som har beskrivits ovan måste de analysera kundinformationen som finns till deras förfogande. Resultatet av analysen kan ge goda underlag till besluten [BER99]. Ny teknologi i form av avancerade tekniker för databehandling och grafisk presentation kan bidra till effektivare och snabbare beslut [SWI01]. Ju större mängd kundinformation som lagras desto större är behovet att analysera informationen. Företag inom detaljhandeln hanterar en oerhört stor mängd kundinformation eftersom många kunder kommer i kontakt med dem och är medlemmar, genom att anskaffa kundkort. Detta innebär att de måste bearbeta och analysera kundinformationen i syfte att fatta bra beslut inom CRM. Vägen från användningen av kundinformationen som lagras i kundkorten samt information från andra källor till att fatta beslut inom kundhanteringen är inte kort. Ett nyckelord som man stöter på vägen är kunskap1. Syftet med att analysera informationen är att få kunskap om kunderna och deras köpbeteende som ska senare ge underlag till företagens beslut [STO00]. Hur företag kan fånga in kunskap för bättre beslutsfattande beskrivs längre fram i teorin.
3.5 CRM- processen
Många företag har samlat in en mängd data om sina kunder, men förmågan att upptäcka viktig information som finns gömd i all data är begränsad. Detta leder till att många företag inte kan omvandla data till kunskap. Idén i CRM- processen är att hämta korrekt, tidigare okänd, och förståelig information från databaser och använda det till sin fördel. För att uppnå dessa mål måste företag göra detta [BER99]:
- Fånga och samla in både intern och extern data
- Analysera den integrerade data för att få kunskap om kunderna
- Organisera och presentera informationen och kunskapen på ett sätt som underlättar komplexa beslut [BER99]
CRM är en iterativ process som omvandlar kundinformation till kundrelationer, genom att aktivt använda sig och lära sig av informationen. Den mest betydelsefulla aspekten i processen är den kontinuerliga inlärningen och kunskapen om kunderna, för att på så sätt uppfylla företagens mål och nå högre lönsamhet i det långa loppet. Nedan (Figur 3.1) illustreras CRM- processen som består av fyra faser, nämligen kundinteraktion, analys, kunskap om kunder och till sist planering och beslut [SWI01]:
Figur 3.1 CRM- processen [SWI01]
3.5.1 Den iterativa CRM- processen
Kundinteraktion: Den här fasen fungerar både som startfas och slutfas i CRM- processen för att processen är iterativ. Kundernas interaktioner med företagen via kundkorten hamnar i denna fas och utgör därmed startfasen i CRM- processen [SWI01]. Allt börjar med att en kund genomför ett köp och använder sig för detta ändamål av sitt kundkort. Nödvändig data om det specifika köptillfället lagras i kortet, t.ex. vilka produkter kunden har köpt samt totalsumman. Därefter analyseras informationen som tillsammans med information om kundens tidigare köptillfälle kan göra det möjligt för marknadsanalytikerna att hitta olika mönster om kundens köpbeteende. Sedan återstår för företagsledningen att planera hur kundrelationerna ska hanteras och fatta beslut. Företagen interagerar med kunden genom att utnyttja olika kommunikationskanaler som t.ex. e- post, nyhetsbrev eller företagets hemsida på Internet [BLO00].
Analys: Analysfasen präglas av kontinuerlig inlärning från interaktionerna med kunderna (kundkort, brev, Internet osv.) genom att samla in och analysera kunddata för att i nästa fas få kunskap om kundernas köpbeteenden [SWI01]. Det kan kännas att den här fasen och
Analys Kunskap om
kunderna
Kund- interaktion
Planering och beslut ERBJUDANDE
D A T A
INFORMATION
K U N S K A P
”Inlärning”
”Handling”
kunskapsfasen är samma sak. Sanningen är att syftet med båda faserna är att lära sig mer om kunderna än det man redan vet. Själva analysarbetet ligger mellan faserna och skillnaden är att under den här fasen inleds arbetet med att bearbeta kundinformationen och i den senare fasen (kunskap om kunderna) produceras resultatet av hela analysarbetet [SWI01].
För att göra det lättare för er som läsare och för oss som författare kommer vi utifrån ett antal kategorier dela in analysen. Nedan kommer ett förtydligande av kategoriseringen:
- Kundidentifiering - Kundsegmentering - Kundförutsägelse
Kundidentifiering: Att försöka finna vilka ens kunder är kan vara en långvarig process, men det kan förenklas genom att samla in all information, som finns utspridd i ett företags olika databaser till en och samma plats. Det är möjligt genom att använda sig av DW, som fokuserar på att upptäcka kundernas egenskaper och vanor. Nu kan frågor som exempelvis vilka är våra kunder hanteras [SWI01].
Kundsegmentering: När vi nu har kundinformationen tillgänglig kan vi börja segmentera (dela in kunderna i olika grupper/kategorier) och analysera våra kunders beteende. Det kan göras med hjälp av exempelvis DM och statistiska modeller. Frågor som varför vi inte sålde så mycket kan nu svaras [BER99].
Kundförutsägelse: De företag som kan förutse trender och fånga dessa trender innan de blir självklara på marknaden har en kraftig fördel. Användning av DW samt ”analytiska” verktyg (ex, DM) tillhandahåller sådan kunskap. Här gäller det att titta på den information man har och försöka förutse med hjälp av olika verktyg vad som kommer att ske [SWI01].
Kunskap om kunderna: Här analyseras kundinformationen för att identifiera specifika marknadsmöjligheter och investeringsstrategier. Detta sker genom kundidentifiering, kundsegmentering och kundförutsägelse. Genom att upptäcka kunskap om kunderna som är gömd i databaserna kan marknadsanalytikerna få tillgång till detaljerad kundinformation.
Denna detaljerade information kan avslöja kundernas köpbeteende och på detta sätt ge bra underlag till företagens beslut inom kundhanteringen [SWI01].
För att allt detta ska vara uppnåbart är det viktigt att olika teknologier utnyttjas så som t.ex.
DW och DM osv. Dessa teknologier kan stödja analysarbetet av den stora kundinformationsmängden som företag inom detaljhandeln behandlar. Kundinformation som finns utspridd måste på ett eller annat sätt samlas. Informationen kan samlas in i en DW som innehåller detaljerade historiska data om kunderna. DW samlar in data från olika källor till en enda resurs (en enda stor databas) [BER99]. Denna information måste integreras och analyseras för att man ska skapa sig en korrekt och komplett bild av kunderna. Det kan röra sig om dess preferenser, behov, klagomål osv. Integrationen och analysen av data sker med hjälp av olika analytiska verktyg (ex. DM och statistiska verktyg). Hur dessa verktyg spelar sin roll i detta system kommer vi att ta upp senare [BER00]. Denna fas kan betraktas som
inlärningsmomenten i CRM- processen, där behandlingen av kundinformationen leder till kunskap om kundernas behov och köpbeteende [SWI01].
Planering och beslut: Under planerings- och beslutsfasen ska företagen fatta viktiga beslut som berör relationerna till kunderna, nämligen CRM. När man är färdig med analysen har en bild förhoppningsvis skapats av exempelvis ett antal kunder [SWI01]. Nu gäller det att med nyttjande av olika kommunikationskanaler (e-post, direktreklam osv.) försöka nå ut till dessa kunder [BER99]. Besluten har kategoriserats tidigare i teoriavsnittet. Det gäller alltså här att kommunicera med kunderna på de mest lämpliga sätt samt att ge de mest lämpliga erbjudande [SWI00]. Vikten av att analysera kundinformationen för att lära sig om kundernas köpvanor är enormt stor eftersom inlärningsfasen framstår som en avgörande faktor vid besluten [BER99].
Var kommer vi att befinna oss i den här CRM- processen?
Som vi tidigare har nämnt sker det interaktioner mellan företag och kunder (kundinteraktionsfasen). I vårt fall är denna interaktion kundkorten. Informationen som finns i korten samlas in av företagen som sedan bearbetas på ett eller annat sätt (analysfasen) för att till slut tillhandahålla företaget kunskap om kundernas köpbehov och köpbeteende (kunskapsfasen). Hur denna bearbetning görs är något vi kommer att utreda senare, dvs.
inlärningen i figur 3.1 som ska resultera till kunskap om kunderna. Hela den del av processen som vi koncentrerar oss på bör ge goda underlag till företagens beslut inom kundhanteringen (beslutsfasen). Vilka beslut som fattas och varför, ligger dock inte i vårt intresse.
3.6 Sammanfattning
I det här kapitlet har vi lagt stor vikt på CRM- teorier. CRM är en marknadsföringsstrategi där företag hanterar kundrelationerna på ett sådant sätt att kunden känner sig speciell och blir därmed lojal mot företaget. Dessa teorier ska fungera som bakgrund till kärnan av vår undersökning, nämligen beslutstödsverktygens användning inom CRM. För att lyckas med sin CRM- strategi går man igenom en iterativ process som består av fyra faser:
Kundinteraktion, Analys, Kunskap om kunderna och Planering/beslut. Det som måste beaktas vid beslut inom CRM är att kundinformationen tillsammans med annan information måste analyseras så djupt att det bildas kunskap hos beslutsfattarna om hur besluten ska hanteras.
4. BESLUTSSTÖDSVERKTYG INOM CRM
I detta kapitel kommer vi att nämna de beslutsstödsverktyg som kan användas vid analysen av kundinformationen. När vi pratar om analys menar vi egentligen inlärningsfasen.
4.1 Data Warehouse
Företag behöver i dagsläget förutsäga kundernas behov för att kunna vinna konkurrensfördelar. Med andra ord kan man konstatera att företagen behöver ha
”kundkunskap” för att kunna förstå sina existerande kunder och förvärva nya.
Kundkunskapen, dvs. kunskap om kunderna, finns i så kallade Data Warehouse (DW), som innehåller historiska kunddata och möjliggör för företag att fatta bra beslut [SWI01]. Företag inom detaljhandeln brottas med enormt stor mängd data för att hantera beslut gällande kunderna. Problemet ligger dock i svårigheten att integrera eller koppla ihop dessa data för att ge företagen de kunskaper de behöver inför olika beslut. Med DW som en lösning till problemet har företagen möjligheten att hitta de kunskaper genom att upptäcka nya samband mellan data som tidigare var okända [MAR99]. En klar definition av Data Warehouse- konceptet är följande:
”The data warehouse is a collection of integrated, subject-oriented databases designed to support decision support function, where each unit of data is non-volatile and relevant to some moment of time.” [MAR99]
En DW är med andra ord en insamling av integrerad information som är hämtad från företagets operationella system och från externa datakällor. För att bättre förstå definitionen av DW kommer vi att klargöra de karaktäristiska dragen som ingår i definitionen:
Subject- oriented
All data är organiserade utifrån detaljerade subjekt t.ex. kunder där informationen är relevant för beslutstöd [TUR98]. Den operationella världen i ett företag dvs. de olika databaserna, är utformad utifrån processer och funktioner där det finns data som behövs för att processerna eller funktionerna ska fungera. DW å andra sidan, innehåller data som är avsedd för beslutsfattande och är organiserad efter subjektområderna som är relevanta för företaget, i vårt fall kunderna [MAR99].
Integrated
Det är möjligt att data från olika databaser kodas på olika sätt. Data om kön kan till exempel kodas som ”0” eller ”1” i en databas och ”m” eller ”f” i en annan. I DW är dessa data konsistenta och kodas på samma sätt för enklare åtkomst [TUR98].
Nonvolatile
Data är lagrad i ”read- only” format och kan inte ändras över tiden. De typiska operationerna av data, nämligen, ”lägg till”, ”ta bort” och ”ändra” som utförs i en operationell applikationsmiljö (databas) existerar inte i en DW- miljö. Där finns det bara två operationer:
dataladdning och dataåtkomst [MAR99].
Time-variant
Data i DW existerar i 5-10 år och ofta används för prognoser, trender och jämförelser till skillnad från de operationella databaserna där data finns i 60-90 dagar i och med att dessa data förändras över tiden [TUR98].
DW är mest passande för företag där:
• Data är lagrade i olika system
• Det finns en stor och olikartad kunddatabas
• Samma data är representerad olika i olika system
• Det finns behov av att upptäcka relationer och mönster i kunddata [TUR98]
Eftersom företagen som vi har undersökt är inom detaljhandeln och brottas med de ovanstående antagandena i punkterna, tycker vi att DW är lämplig för dessa företag.
Informationen som utvinns från kundkorten lagras i olika databaser, men med hjälp av DW kan t.ex. denna information som associeras till en kund integreras och hämtas för att sedan vidareanalyseras. Syftet med DW är att etablera en dataförvaringsplats (repository) som gör operationell data åtkomlig på ett sådant sätt att den stödjer beslut. Med hjälp av DW kan företagen skaffa sig goda underlag till beslut inom kundhanteringen. Genom att använda DW kan intern och extern data organiseras och integreras. Tillsammans med andra beslutstödsverktyg (statistiska verktyg, DM, OLAP) bearbetas informationen på ett sådant sätt att beslutsfattaren får bra kunskap om beslutsalternativen och dess konsekvenser [TUR98]. I figur 4.1 illustreras en DW- miljö där DW står i centrum och tillsammans med olika verktyg tillhandahåller kunskap till användarna som på så sätt får beslutsunderlag.
Kundinteraktion
Analys
Kunskap om kunderna
Figur 4.1 Data Warehouse- miljö [SWI01], [BER99], [TUR99]
Extern Data
Data warehouse
Förfrågnings
verktyg
OLAP Data Mining
Statistiska Modeller Integrera
Selektera Intern
Data
Data som lagras i kundkorten hamnar i företagets olika databaser. Dessa databaser innehåller både intern och extern data som integreras och selekteras till DW. Intern data är uppgifter om t.ex. kunder, personalen, produkter till skillnad från extern data som kan vara uppgifter om t.ex. marknaden och konkurrenterna. Vi vill tillägga här att stor mängd extern data bör fångas och integreras in i DW för att försäkra sig om att viktig data inte har missats vid beslut. Efter att man har bildat en DW- struktur med all beslutstödjande data återstår det att analysera, eventuellt med hjälp av andra verktyg, och till slut få beslutsunderlag som i vårt fall är kunskap om kunderna [SWI01], [BER99], [TUR99].
Härmed tänker vi referera till Ronald Swifts redogörelse för DW: s inverkan på beslut inom CRM. Vi har tidigare nämnt att det finns behov för att stödja tre analytiska uppgifter i syfte att förstå sina kunder, nämligen kundidentifiering, kundsegmentering och kundförutsägelse.
Sanningen är att DW kan stödja alla dessa tre uppgifter men behöver kombineras med andra verktyg, speciellt i de två sistnämnda analysuppgifterna som kräver en djupare förståelse [SWI01]. Genom att använda sig av DW kan ett företag definiera de karaktäristiska dragen och vanor av kunder, dvs. identifiera kunderna. Svar på frågor som kan fås är t.ex. Vilka är våra kunder? (här hämtas data om ålder, inkomst, kön och kundgrupp), var bor de?
(geografiska data, ekonomi osv.), Vad har de köpt hos oss? (historiska data). Givetvis måste DW användas tillsammans med förfrågningsverktyg för att kunna ta fram data som identifierar kunderna. Dessa verktyg (SQL) kan för det mesta svara på användarnas frågor angående kunderna i form av tabeller. Kundsegmentering och kundförutsägelse kräver en djupare analys av kunddata där frågorna är mer sofistikerade och komplexa än vid kundidentifiering. Vid kundsegmenteringen försöker man förstå de faktorer som resulterade till de kunskaper som upptäcktes vid kundidentifieringen. Den här typen av analysen kan omfatta användning av DM- verktyg och OLAP samt traditionella statistiska modeller, eftersom syftet är att hitta mönster och trender hos kunder som inte var uppenbara vid den tidigare analysfasen. Typiska frågor här är t.ex.: Varför ökar inte försäljning på en specifik produkt? (utifrån demografiska data kan man hitta samband mellan kundgrupper och produkter), varför har vi tappat många kunder det sista året? (samband mellan kunddata för att förstå deras köpbeteende). Sist men inte minst har man, utifrån en DW- miljö möjligheten att förutsäga kundernas beteende och behov. Även här bör man utnyttja avancerade beslutstödsverktyg (DM) och utifrån de historiska data som DW tillhandahåller kan ett företag få kunskap om hur kunderna troligen kommer att bete sig i framtiden. Exempel på frågor är: Vilka kunder är sannolika att lämna företaget? (hitta mönster mellan historiska data), Vilken är den bästa kommunikationskanalen att nå en specifik kund med? Observera att för att hämta data från DW behöver man alltid använda sig av förfrågningsverktyg. Det är nämligen så att utan förfrågningsverktyg (databasspråk) kan data inte hämtas från databaserna. Detta innebär att förfrågningsverktyg används i hela analysarbetet.
4.2 Marknadsdatabas
I metodkapitlet har vi poängterat att vi blev tvungna att komplettera med teori om marknadsdatabaser eftersom det ena företaget använde sig av en sådan i beslutstödjande syften. Nedan kommer en beskrivning av detta beslutsstödsverktyg .
Det är viktigt att skilja på DW och marknadsdatabaser för att det nämligen inte är samma sak. En marknadsdatabas kan uppfattas som en liten variant av DW. Det finns en tendens hos
företag som är nybörjare i införandet av beslutstödsverktyg att först anskaffa en databas (marknadsdatabas) för rapporteringsfrågor där information av en specifik organisations aktivitet samlas in. Fokusen i sådana system ligger i ett enda subjekt eller en enda avdelning, t.ex. kunder [SWI01].
Transaktionsfiler från ett företags databaser kopieras eller extraheras till en marknadsdatabas.
Detta kan vara mycket produktivt ur det kortsiktiga perspektivet och även lärande för användarna som interagerar med denna databas. Trots detta finns det begränsade möjligheter att dela informationen bland ett företags olika avdelningar. Det kan t.ex. hända att beslutsfattarna inom kundhanteringen behöver information om produkter eller leverantörer som inte finns i marknadsdatabasen. Man kan då konstatera att marknadsdatabasen inte kan lagra och bearbeta lika stora mängder data som DW kan [SWI01].
Ett av företagen som vi undersökte använde sig av en marknadsdatabas. Till vår förvåning hittade vi en artikel på Computer Sweden som handlar om just detta företags marknadsdatabas. Artikeln skrevs när marknadsdatabasen skulle installeras hos företaget och där den hade testats i en annan miljö i Norge. Författaren av artikeln refererade till tre möjligheter med denna databas:
1. Större precision vid utformning av personliga erbjudanden. Marknadsdatabasen ska hjälpa beslutsfattarna att skapa erbjudanden som träffar rätt kund.
2. Ökad svarsfrekvens vid användarnas frågor.
3. Segmentering av smala undergrupper, exempelvis, kön, ålder och postnummer [HOI00].
Dessa är möjligheterna som bör finnas i en marknadsdatabas, men stämmer de verkligen?
Och om de stämmer har företaget utnyttjat dessa möjligheter? Sådana frågor besvaras i vår analys och slutsatser där vi jämför det som står under det här avsnittet med hur det faktiskt har funkat för det undersökta företaget efter införandet av marknadsdatabasen.
4.3 Data Mining
Data Mining är användbar där det finns stora mängder data och någonting som är värt att lära sig om. I affärslivet kan något vara värt att lära sig om, ifall den resulterade kunskapen är värd mer pengar än vad det kostar att upptäcka kunskapen. De mest framgångsrika applikationerna av DM finns i marknadsföringens arena, speciellt känt som databas- marknadsföring. Med databas i detta sammanhang menas en samling data med presumtiva mål av en marknadsföringskampanj [BER00]. Att använda sig av DM mot databaser med marknadsinformation medför olika användningsområden inom CRM. Informationen som finns tillgänglig kan användas till att hålla kvar kunderna (customer retention) genom att identifiera kunder som är sannolika att byta företag. Eftersom det kostar mer att hitta nya kunder än att sälja till sina existerande kan denna applikation ha en signifikant effekt på vinsten. När kunskap om kunderna kombineras med produktinformation kan specifika kampanjer göras som ökar köpandet av just detta kundsegment [BIG96]. DM spelar en ledande roll när det kommer till CRM. Endast genom applikationer av DM- tekniker kan ett företag hoppas på att vända de oändliga mängderna data av sina kunder till en överblickbar bild av sina kunder [BER00].
Vad är då data mining? Data mining kan definieras på följande vis:” (DM) is the set of activities used to find new, hidden, or unexpected patterns in data. Using information contained within the data warehouse, data mining can often provide answers to questions about an organization that a decision maker had previously not thought to ask”
[MAR99 s. 356]
Härmed vill vi tydliggöra att Data Mining inte är något verktyg utan en hel process för att analysera data och hitta kunskapen som finns i dessa data. Många skulle kunna tolka innebörden av DM som ett verktyg och därför följer en till definition av DM: ”Data Mining is the process of extracting and presenting new knowledge, previously undetectable, selected from databases for actionable decisions.” [SWI01 s. 93]
Många DW- användare upplever problemet att transformera data till information. DW innehåller enormt stora databaser som bara växer med tiden men oftast saknar DW förmågan att utföra djupa analyser av kunddata utan hjälp av andra teknologier för dataanalys [SWI01].
Det som alla litteraturböcker påpekar är beroendet mellan DW och DM. Det är nämligen så att DM inte kan fungera som bäst, om data som går igenom mining- processerna inte är organiserade. Detta kan medföra långa åtkomsttider. Om däremot data är organiserade och preparerade i DW, så kan DM-verktygen gå igenom analyser mycket snabbare och effektivare.
Vilka är då Data Mining-verktygen? Hur ska man klassificera de? Vi har skrivit ovan att DM är olika aktiviteter som görs för att hitta nya och okända datamönster eller för att hitta ny kunskap. Utifrån definitionerna kan det råda tvivel om vad som är eller inte är DM-verktyg.
Det kan lätt uppfattas som att alla verktyg avsedda för dataanalys kan klassificeras som DM- verktyg. Men så är inte fallet. Författarna inom området har faktiskt olika uppfattningar om dessa verktyg. Man kan till en början bli förvirrad om man läser de olika litteraturböckerna som handlar om DM och därmed ha svårt att enas om vilka verktyg som klassificeras som DM-verktyg. Tvivelaktigheterna finns i rapporterings- eller statistiska verktyg som t.ex.
OLAP. Denna förvirring är inte så konstig och kan till och med bekräftas av Joseph Bigus:
”The only problem is that not everyone agrees on what it is. To some, it is client/server queries. To others, it is multidimensional databases. To still others, it is OLAP with drill down capabilities. Seemingly the only points of agreement are that it has to do with database systems and that it is important.” [BIG96 s. 9]. Hursomhelst är författarna eniga om att DM- verktyg ska kunna transformera data till kunskap som har varit gömd i stora databaser. Denna kunskap ska kunna fångas genom de nedanstående aktiviteterna:
• Klassificering (Classification)
• Gruppering (Clustering)
• Association (Association)
• Sekvens (Sequence or time-series analysis)
• Visualisering (Visualisation) [MAR99], [BER99], [SWI01]
Klassificering: Den här tekniken används för att klassificera kunddata i databaserna i ett antal fördefinierade klasser eller grupper som baseras på vissa kriterier [BER99]. Klassificeringen
inkluderar processer som avser att upptäcka regler som definierar ifall ett dataobjekt tillhör en specifik klass av data. En klassificeringsmodell kan t.ex. konstrueras för att hitta mönster mellan olika kundattribut (ålder, kön etc.) och olika kundköpsattribut (kläder, mat etc.).
Matchningen mellan de två olika sorters attribut kan hjälpa beslutsfattarna att t.ex.
segmentera kunderna och förutsäga vilka av de som är mest troligt att köpa en viss vara under en viss tidpunkt [MAR99].
Gruppering: Här försöker man gruppera (dela in) kunder i grupper baserat på likartade egenskaper som t.ex. vilka produkter kunder köper eller genom demografi. Denna information kan användas till att segmentera och sikta in sig på specifik målgrupp där många av de kanske tidigare har köpt likartade produkter [BIG96]. Det som skiljer grupperingen från klassificeringen är att grupperingen innehåller inte fördefinierade klasser. Data grupperas automatiskt baserad på likheten med andra data [BER00]. På detta sätt kan all kunddata, och annat data som är relevant för beslut inom CRM, placeras i olika segment och göra det enklare för beslutsfattaren att hantera målgrupperna.
Association: Uppgiften här handlar om att klura ut vilka saker som passar ihop. I en matbutik vill man kanske placera ut varor som hör ihop och som kan skapa associationer till andra varor [BER00]. Association är en teknik som korrelerar närvaron av ett objekt med ett annat [SWI01]. Genom att analysera varje köptillfälle av kunderna kan man ta reda på vilka produkter som köps under samma köptillfälle. Ett exempel skulle kunna vara att sextiofem procent av tiden som en kund handlar produkt A, köper han också produkt B [MAR99].
Sekvens: Den här tekniken/aktiviteten hjälper analytiker att identifiera mönster över långa tidsperioder genom att analysera kundköp under olika köptillfällen [BER99]. Företagen kan alltså upptäcka gömda trender och på så sätt förutsäga kundernas köpbeteende [MAR99].
Resultatet av en sådan analys kan vara katalogutskick bestående av produkttyper som riktas till kunder som associeras med köpsekvensen av dessa produkter. Ett exempel för att tydliggöra detta är när föräldrar har en tendens att köpa leksaker till sina barn som är associerade till en specifik film, några veckor efter att filmen har setts. Den här sekvensen skulle kunna resultera till att företag gör kampanjerbjudande, där filmen och de leksaker som associerad till den filmen ingår [MAR99].
Visualisering: Visualisering används kontinuerligt genom DM-processen och består av tekniker som reducerar stora mängder data till en förståelig bild. Visualisering används för att illustrera resultat av ett analytiskt problem och förslag till nya angreppssätt på ett problem.
Genom att bearbeta den stora mängden av informationen och presentera den grafiskt kan komplexa mönster och relationer lättare identifieras [SWI01]. Därför bör DM-verktygen innehålla eller kombineras med visualiseringstekniker som OLAP (multidimensionella grafiska presentationer), multimedia lösningar etc. [TUR98].
Det gemensamma målet med de ovanstående teknikerna är att segmentera kunderna och förutsäga deras behov och köpbeteende. Resultatet av det hela blir viktig kunskap om kunderna som bör användas som underlag till företagens beslut angående kundhanteringen.
