שנת 2016 הייתה שנת ה"Data-Driven Marketing". ארגונים רבים דיברו על המעבר ל Data-Driven-CX, אבל האם הם באמת מתכוונים לזה? המשמעות של להיות Data-Driven כוללת 3 מיקודים:
דאטה – השקעת מאמץ באיסוף נתוני לקוחות ויצירת תשתית דאטה תומכת טובה עם זהויות לקוח
ניתוח ותובנות – שילוב של אנשים (Analysts/Data Scientists/אנשי מחקר ואנליזה) וכלים טכנולוגיים (כלי אנליזה, אנליטיקה וניתוח נתונים), שעוסקים בניתוח מידע דיגיטלי לטובת גזירת תובנות על התנהגויות לקוחות, סגמנטים, מיקרו-סגמנטים, פערים והזדמנויות
פעולה – יצירת מנגנונים המבטיחים פעולה ממשית על סמך הדאטה (דוגמה לפעולה: המסר שיראה הלקוח, בחירת הערוץ, ה"קמפיין", סוג ה"נגיעה", האם כן / לא נפנה אליו). וכאן זה מתחיל להסתבך, כי מסתבר שאין לנו בעיה עם איסוף דאטה וגזירת תובנות, אבל אנחנו מעדיפים להיות אלה שלוקחים את ההחלטה ולא שהיא תילקח באופן אוטומטי. וזה בדיוק הפער בין Data Driven CX ל- Gut Driven CX/Instincts Driven CX
זה לא מפתיע שחברות Digital eCommerce ו Digital Natives הן במהותן הרבה יותר Data Driven מארגוני Enterprise. פשוט אין להן ברירה אחרת. מספיק לבחון את המציאות העגומה שהן צריכות להתמודד עמה (2% אחוז המרה בממוצע, 70% נטישת עגלת קנייה), ולבצע את התחשיב הפשוט הבא: אם עלות הבאת מבקר חדש לאתר eCommerce עולה כ3.34$ (כולל עלות CPM, CPC), ה breakeven point של הרכישה המינימלית להצדקת עלות זו היא רכישה של כ222$ (תחת הנחה שיחס ההמרה הוא לדוגמה 3% והחברה פועלת על שולי רווח של 50%) או שמשפרים את % ההמרה או שמשקיעים ב Retention וצמיחה של לקוח קיים. כך או כך, כלי הנשק הבסיסי הוא ניתוח דאטה דיגיטלי.
בחברות אלה, אופטימיזציה של יחס ההמרה (Conversion Optimization) היא המאמץ העיקרי והנפוץ ביותר. ובשביל לבצע אופטימיזציה חברות אלה נדרשות לבצע הרבה ניסיונות כדי להעלות היפותזות, לבחון אותן ולראות מה עובד ומה לא. CXOהנו תחום שאכן צמח בקרב חברות Digital Commerce, מהווה חלק בלתי נפרד מאסטרטגיית הצמיחה של חברות SaaS, ועכשיו נכנס גם לארגונים בהם הדיגיטל הנו רכיב משלים (לאו דווקא עיקרי) באסטרטגיית הערוצים. בחברות אלה המחזור של 'דאטה-תובנות-פעולה' למעשה הורחב לאחרונה, ושלב הניסויים מהווה רכיב נוסף בתוך סט הפעולות הנדרשות – המעבר מ Data-Driven ל Experiments-Driven:
לאחרונה גם בחברות Pure Digital, eCommerce וSaaS, מאמץ האופטימיזציה חוצה את גבול ה Conversion ומופנה גם לשיפור של מסע הלקוח כולו – Customer Experience Optimization. המטרה הכללית של כל מי שעוסק באופטימיזציה: Uplift להכנסות הארגון. וחברות אלה הבינו שהן לא צריכות להתמקד רק ב Conversion. אופטימיזציה של המסע כולו משפיעה משמעותית על ה-Customer Lifetime Value ועל ביצועי הארגון.
לפני חודשיים אלכס שולץ, VP of Growth של פייסבוק, העביר מצגת מרתקת, בה הוא נתן הצצה לאופן בו צוות ה Growth בפייסבוק פועל. על אילו מדדים הם מסתכלים, מה נכון יותר למדוד (עבורם) ומה לא, וגם דוגמאות שממחישות עד כמה שינוי קטן יכול להניב תוצאות מדהימות, אם רק מוכנים לעשות שני דברים:
- להתנסות כמה שיותר. Testing זו הדרך הטובה ביותר להתנהל. אינסוף "פגישות הנהלה" נחסכות פשוט על ידי הרצת ניסיונות בפועל על קבוצות לקוחות ובדיקה מה כן עובד ומה לא. מה שכן עובד – מקבל Scale ומופעל על כל הלקוחות הרלוונטיים במהירות. מה שלא – נשכח ולא מדברים עליו יותר. בלי ויכוחים ובלי סנטימנטים.
- לתת לנתונים לדבר בעד עצמם. פתיחות ואמונה בנתונים שיספרו את הסיפור האמיתי. כי מסתבר שאנשים טועים די הרבה.
בהתייחס לקהל יעד משמעותי מאוד עבור פייסבוק – המפרסמים, שולץ שיתף בדוגמה מצוינת שממחישה עד כמה לדבר כ"כ פעוט כמו שינוי המלל שפייסבוק ביצעה ב icon ה- Call to action שפונה למפרסמים – מהמילה: "Advertise" לניסוח: “Create an Advertisement” הניב שיפור של 40% במספר המפרסמים! שיפור משמעותי מאוד בתוצאות העסקיות.
איך מגיעים לתובנות קטנות/גדולות כאלה? על ידי התנסויות ולמידה. כמה שיותר התנסויות קטנות. 90% מהן כנראה יהיו לא מוצלחות ואולי אפילו ייראו "מטופשות", אבל האחוזים הבודדים – אותן תובנות קטנות שכן נצליח לעלות עליהן, עשויות להיות מאוד משמעותיות. הערך העיקרי שאנחנו יכולים לצפות לקבל מיוזמות אופטימיזציה הוא היכולת לחשוף דפוסים חבויים של התנהגות לקוחות (=תובנות). מכאן נוכל לגזור הבנה לגבי "מה הוא ערך" עבור הלקוח (=תובנות), איפה זה פוגש את המטרות העסקיות שלנו (=תובנות), מה כדאי לבצע כתוצאה מכך (=פעולות), ולבחון את התוצאות (=דאטה).
זה יכול להישמע די מתיש וכאוטי. ואכן לא מדובר על פרויקט אנליזה חד-פעמי, מדובר על למידה מתמשכת.
מתי לא להיכנס לCXO?
- אם אין מוכנות בארגון להיכשל
- אם מנהלי הארגון לא מוכנים "לסמוך" על הנתונים ומעדיפים תמיד לקחת החלטות שמונעות משיקולים אחרים
- אם אין מחויבות ללמידה מתמשכת (זהו לא פרויקט חד פעמי אלא מסע מתמשך של ניסוי ולמידה, צריכה להיות פונקציית אנליזה שתעסוק בכך באופן מתמיד ותלך ותשכלל כישוריה בתחום. להערכתנו פונקציה זו תהפוך להיות נכס משמעותי מאוד לארגון (בין אם מדובר באיש/אשת אנליזה, במישהו/י שעוסק בזה כחלק מתפקידו, או ביחידה עם מספר אנשי אנליזה)
אם כך, אנו מתחילים לראות שהמונח היותר מדויק ל Data-Driven CX הוא Experiments-Driven CX.
מיהם האנשים המומחים בהתנסויות ומציאת דרכים מתוחכמות לאופטימיזציה?
אחד מהתחומים ה"נוצצים" ביותר בסצנת הסטארטאפים כיום הנו תחום ה Growth Hacking (מונח אותו כנראה טבע ב-2010 Sean Ellis – Growthhackers.com).
המטרה של Growth Hacking היא אחת ויחידה: להביא לצמיחה, בדר"כ כלכלית. לדוגמה, עבור סטארטאפ שמספק פלטפורמה של רשת חברתית, Growth = מספר משתמשים; עבור סטארטאפ בעולם התוכן, Growth = ויראליות גבוהה של תוכן; עבור סטארטאפ בעולם הeCommerce, Growth = אחוז המרה/הכנסות.
לאחרונה מעצבי חוויית לקוח (CX) מתחילים לעשות שימוש בטקטיקות של Growth Hackers. לא מדובר על תחומים זהים. המטרה בעיצוב חווית הלקוח היא שיפור החוויה הכוללת מנקודת המבט של הלקוח, בעוד ש Growth Hacking עוסק בצמיחה וגידול ההכנסות בכל דרך אפשרית.
אולם הטקטיקות והעקרונות של Growth Hackers יכולים להיות מאוד שימושיים עבור מעצבי CX: שימוש בכלים אנליטיים שעוזרים לזהות דפוסים חבויים בהעדפות לקוחות; חשיבה יצירתית שיוצאת מחוץ לגבולות ה"חוקיות" הברורה של engagement עם לקוחות (מכאן המונח "Hacking" – לא מדובר על האקינג במובן ה"עברייני", אלא על Hacking במובן של שבירת החוקים של "איך מגיעים לצמיחה במודל הקלאסי" והמצאת דרכים חדשות ויצירתיות, שרובן יעבדו היטב רק בפעם הראשונה וחיקוי של Hacks אחרים כבר לא יעבוד באותה האפקטיביות).
ניתן לתאר את תהליך ה Growth Hacking ב-4 שלבים:
- שלב הרעיון – העלאת היפותזות ורעיונות שכדאי לבחון
- שלב התיעדוף – איזה רעיונות אכן יגיעו לבחינה, ובאיזה סדר תיעדוף?
- שלב הניסוי – בחינה בפועל של הרעיונות (הרצת מבחן + קבוצת בקרה, הרצת מספר וריאציות במקביל)
- שלב הניתוח – בחינת התוצאות כדי להחליט האם יש הזדמנות לגדילה
מספר דוגמאות ל Growth Hacking ידועים, שהיוו רכיב משמעותי בצמיחה וגדילה של חברות ידועות:
- Dropbox – יצירת תכנית תמריצים ל"צרף חבר" (החבר מקבל disk space חינם וכך גם הממליץ), התוצאות היו מדהימות. קפיצה מ 100K משתמשים ב 2008 ל4 מיליון ב 2010 ועד היום 35% מלקוחותיהם מגיעים מה Referral program הזו
- YouTube – הוספת קישור ה “Embed” שמאפשר שיתוף הסרטונים בכל מדיה דיגיטלית בקלות הקפיצה משמעותית את השימוש
- Hotmail – הוספה אוטומטית של המלל "קבל אימייל חינם" + לינק להצטרפות בסוף החתימה של Hotmail emails
- LinkedIn – פישוט הוספת endorsements ל- Connections על ידי קליק אחד
- Airbnb – הדוגמה המפורסמת ביותר כנראה וגם ה"אפורה" ביותר (חוקית אבל מעט בעייתית מבחינה אתית). בתחילת הדרך כשנה לאחר שעלה האתר והוא קצת דשדש, הם שאלו לקוחות היכן הם פרסמו דירות לפני שהגיעו ל Airbnb והבינו ש Craigslist הייתה התשובה הנפוצה ביותר. הם ייצרו API ל Craigslist בעצמם, כך שכל דירה שפורסמה ב Airbnb אוטומטית פורסמה גם ב Craigslist. אנשים שהקליקו על מודעה שהופיעה ב Craigslist לעוד פרטים הגיעו ל Airbnb. הם גם פרסמו Reviews שהובילו לאתר שלהם, ובעצם רכבו על פלטפורמה של מתחרה. ל Craigslist לקח כשנה וחצי לעלות על זה ובינתיים Airbnb הפכה למפלצת שכבר לא ניתן לעצור.
כל הדוגמאות האלה (כאן ניתן לשמוע על עוד) הנן תוצאה של התנסויות ובחינות של מה עובד, Scaling ודברים שעובדים, ותוצאות משמעותיות מאוד שהתקבלו כתוצאה מהמהלך.
המכנה המשותף: OPN (Other People’s Network) – אנשים כבר נמצאים במקום אחר. במקום לבנות רשת חדשה ולשכנע את כולם לעבור אליי, מתחברים לרשת הנפוצה ביותר ורוכבים עליה להשגת צמיחה מאוד מהירה. זהו נדבך נוסף בכלכלת הפלטפורמות עליה אנו מדברים הרבה לאחרונה.
כלי אופטימיזציה: אילו כלים טכנולוגיים נכללים תחת הגדרה זו?
המונח "אופטימיזציה" בהקשר של חויית לקוח כולל כמה תתי תחומים:
- מנועי המלצה
- כלי פרסונליזציה ו Behavioral Targeting
- Online Testing (הכוללים A/B Testing, Multivariate Testing, Multi page Testing )
- VoC– כלי משוב ו Voice of the Customer
- כלי Web Analytics, Mobile Analytics ו Interaction Analytics, כלי CX Analytics
- מעבדת שימושיות
- ועוד
מסתבר שליותר ממחצית מהארגונים כיום יש כבר כלי אופטימיזציה קיימים בארגון. אולם בקרב ארגונים אלה, השימוש אינו מספק. רוב הארגונים פשוט אינם מצליחים לנצל את הכלים מסיבות שונות (העיקרית: מחסור בכ"א מתאים, חוסר מוכנות ארגונית, חוסר מחויבות ללמידה מתמדת). לדעתנו, הסיבה המשמעותית ביותר היא תרבותית. Testing זו לא טכנולוגיה, זו תרבות ארגונית. רוב הארגונים לא באמת מוכנים לפעול על סמך מה שעולה מן הדאטה, לא מוכנים להתנסות בדברים שלא ברור מה ייצא מהם, ולא מוכנים להיכשל.
לסיכום, החסמים העיקריים להצלחה הנם של יוזמות אופטימיזציה של חוויית הלקוח בארגון:
- החסם הפסיכולוגי
- חוסר מחויבות לתהליך הלמידה האדפטיבי הנדרש (הנחה כי זהו "פרויקט")
- חוסר מוכנות להיכשל
- אין מספיק דאטה (בתצורה הנדרשת) או שאין אפשרות לקבלו מספיק מהר
STKI's research sharing of information, insights & analysis 