הארכיטקטורה התהליכית לחוויית לקוח

לצד הטרנספורמציה הדיגיטלית בה נדמה שכולם עסוקים, קיימת טרנספורמציה נוספת משיקה, והיא המעבר של הארגון למיקוד בחוויית לקוח.

למה להשתמש במלים מפוצצות כמו "טרנספורמציה" בהקשר של חווית לקוח? כי מדובר בשינוי תפיסתי, מבני, תהליכי, מחשבתי. ארגונים לא נולדו לתוך מציאות תחרותית בה המנצחים הגדולים הם אלה המצליחים לעצב ולטייב את חוויית הלקוח, רובם נולדו לתוך עידן בו עלויות או טיב המוצר הם המבדלים. כתוצאה מכך, ארגונים בנויים מקטעית (שיווק/מכירות/שירות/תפעול) ומוצרית. אם תסתכלו על מבנה ארגונים חדשים יחסית בעולם ה B2C, ובייחוד על ה Digital Natives הבולטים (נטפליקס, אובר, Airbnb ודומיהם), תבינו מייד שבארגונים כאלה אין צורך בטרנספורמציה שכזו. חוויית הלקוח היא זו המכתיבה את האופן שבו הארגון פועל. המבנה, התהליכים, שיטות העבודה וגם דפוסי המחשבה והתכנון, כולם פועלים כדי לשרת את המטרה הזו. הארגונים האלה נולדו לתוך המציאות הזו.

המשמעויות של ה"טרנספורמציה למוכוונות חוויית לקוח" הן רבות, וכוללות משמעויות ארגוניות (מבנים ארגוניים משתנים), משמעויות פוליטיות (בכ20% מהארגונים הגדולים ממנים CCO/CXO – Chief Customer Officer / Chief Experience Officer לעתים כיחידה נפרדת ולעתים תחת שיווק/גוף עסקי אחר), תהליכיות (הגדרה מחדש של יחסי הגומלין בין שיווק-IT-מכירות-דאטה ואנליזה-תפעול), תרבותיות, טכנולוגיות ועוד. אבל במאמר הזה אנו רוצים להתמקד במשמעויות שקשורות בבניית הארכיטקטורה התומכת שארגונים נדרשים לה, ה"בניין" שיתמוך במאמצי העיצוב, ההפעלה והשיפור המתמיד של חווית הלקוח.

הבנייה הזו כבר כאן ומתחילה להתרחש בפועל ממש בימים אלה. אם בשנה שעברה הרגשנו שארגונים מנסים לעכל את המציאות החדשה, מודעים לכך שעליהם להשתנות אך לא בטוחים איך, השנה אנחנו מתחילים לראות כבר תכניות יותר אופרטיביות, שכוללות יישום של אבני הבניין והתשתית התומכת – חבילות Marketing Automation כשלב ראשוני, אנחנו רואים גם התארגנות מבחינת מבנה אנשים ותהליכים וניסיון להתחיל לגבש ממשקי עבודה בין האגפים השונים – שיווק, טכנולוגיה, דאטה, אסטרטגיה, דיגיטל, שירות, תפעול… זוהי רק ההתחלה, אבל עדיין – התחלה.

אז אנחנו עכשיו בתקופה בה נוצרים מערכים ארגוניים חדשים. כמעט בכל ארגון עמו אנחנו בקשר, בכל תעשיה, אנחנו מרגישים את השינוי. אולם יחד עם ההתקדמות הזו, אנו רואים שלארגונים רבים התמונה כולה עדיין לא ברורה. איך בסוף כל החלקים מתחברים? מה בין Marketing automation למסעות לקוח? מה בין תפעול לאנליטיקה? איך נראית ה"זרימה" בין החלקים השונים? מהם שלבי הפעולה העתידיים?

לצורך זה גיבשנו ארכיטקטורה תומכת חוויית לקוח, זוהי ארכיטקטורה תהליכית שמנסה להראות מצד אחד – איך הכל מתחבר, ומצד שני – מהם הצעדים השונים שמרכיבים את התהליך השלם.

CX Architecture

Data Platform: פלטפורמת הדאטה וניהול זהויות
הכל ייפול ויקום על הדאטה, זוהי מנטרה שאנחנו לא מפספסים הזדמנות להדגיש. דאטה = הלב של הארכיטקטורה. אין דבר חשוב יותר להשקיע בו בזמן הקרוב מאשר בפלטפורמת הדאטה שלכם.
אל תתפתו לקפוץ לשלב ה ENGAGEMENT והערוצים לפני שיש לכם גרעין טוב של פלטפורמת דאטה המכילה זהויות לקוחות עם "הכנה למזגן" להתחברות למקורות מידע רבים ככל האפשר.
אבל "דאטה" זה לא מספיק, אותה פלטפורמת דאטה צריכה להיות מאורגנת סביב "זהויות" של לקוחות. אחד העיסוקים המאתגרים בשנה הקרובה יהיה לנהל את אותן זהויות – Customer Identities, ולחבר כמה שיותר פיסות מידע לאותה הזהות, לא משנה באיזה ערוץ אותו לקוח משתמש, באיזה device/מכשיר, האם משוחח עם הארגון ב online או ב offline. כאן טמון האתגר של חיבור מידע בין לקוחות "מזוהים" ו"לא מזוהים", מידע על נקודות מגע "פרסומיות" לעומת "שיווקיות"/"שירותיות"/"תפעוליות", והרחבה מתמדת של אותה פלטפורמת דאטה שחייבת להיות אמינה, איכותית, רחבה ורלוונטית.
בשלב זה לא רק חשוב אלא קריטי לקיים שיתוף פעולה הדוק עם אגף הטכנולוגיות, ה- Data Officer, וכל מי שאמון על ניהול הדאטה בארגון (עוד שינוי מהותי שמתרחש במקביל בארגונים כיום – ההסתכלות על דאטה בצורה מרכזית והניהול היותר מסודר של הנתונים). לכל אחד מהשחקנים יש חלק חשוב בהקמת ה Data Platform, בתחזוקה, בניהול, ב Governance ובהרחבה שלה לאורך זמן.

Content – תוכן:
עוד יכולת (וכרגע לגמרי מפוספסת בישראל!) שנמצאת בלב הארכיטקטורה היא יכולת התוכן. הרי ללא התוכן, מדובר במבנה מפואר בעל צינורות ומנגנונים מתוחכמים שכלום לא זורם בתוכן. התוכן רק כעת מתחיל לקבל את החשיבות הראויה לו – כ"נשא" העיקרי שמסיע את הערך ללקוח. יש כאן הרבה מקום ליצירתיות, חדשנות, והתקרבות אמתית לצורך האמתי של הלקוח לקבל מידע ושירותים המותאמים לו אישית.
בתחום זה אנו מזהים פער משמעותי כיום, בין החשיבות המאוד גבוהה שניתנת לתחום התוכן, ניהולו, שימוש בכלים טכנולוגיים התומכים באסטרטגיית Content Marketing, ובין החשיבות הפחותה יחסית שהתחום מקבל בישראל. שימו לב לאסטרטגיות ניהול, יצירה, אצירה, הפצה והתאמה של תוכן, והתחילו לבחון כלים תומכים לניהול תוכן כמו כלי Content Marketing, כחלק ממכלול הכלים הטכנולוגיים המאומצים כיום.

אנליטיקה:
אנליטיקה עוטפת את כל מחזור החיים של ניהול חויית לקוח ומשמשת אותנו בכל שלב, החל משלב ה"גילוי" בו אנו מגלים תובנות בדאטה, דרך שלב עיצוב חויית הלקוח (עדיין בשלב התיאורטי), ולבסוף אופטימיזציה שבוחנת בדיעבד מה קרה ועוזרת לנו לגזור תובנות המוזנות בחזרה לפלטפורמת הדאטה.
אנליטיקה תמיד הייתה ותמיד תהיה, אז מה השתנה? השינוי העיקרי לדעתנו הוא שהאנליטיקה שעד כה ישבה לצד המאמצים ה"תפעוליים", משולבת אינהרנטית בכל שלב בתהליך ניהול חויית הלקוח. אי אפשר כבר להפריד! אם היינו יכולים לחבר את האנליטיקה, עיצוב מסעות הלקוח, ואת התפעול שלהם לכדי אדם אחד שיידע לעשות את הכל – היינו עושים זאת. ואכן כיום זהו הפרופיל הרצוי לעובדים דרושים עבור מחלקות שיווק/חויית לקוח/מנהלי מסעות לקוח. כשאי אפשר לגייס אדם אחד שיעשה הכל, מגדירים צוותי עבודה שיהיו כמה שיותר "מעורבבים". המטרה שלכם צריכה להיות לערבב ולשלב כמה שניתן את היכולות האנליטיות בארגון שלכם עם היכולות התפעוליות. תושיבו אנשים יחד, תגדירו צוותי עבודה, תדאגו להעברת ידע ביניהם, תחפשו אנשים מצויינים עם יכולת למידה ולמדו אותם את מה שחסר.
בגזרת הכלים הטכנולוגים מגיעה עזרה במאמץ זה – כאשר כלי האוטומציה השונים מתחילים לשלב גם יכולות של בינה מלאכותית ובעיקר Machine Learning כדי לסייע לנו לבצע את אותם התהליכים (סגמנטציות, טירגוט, פרסונליזציה וכד') יותר חכם, תוך כדי קבלת "תובנות" והמלצות מהמערכות לגבי הצעד הבא הנכון ביותר, בהסתמך על כל הנתונים שכבר נצברו.

איך זה עובד? איך נראה התהליך?
איך נראה תהליך העבודה של עיצוב חוייות לקוח? מהם השלבים?
1. בניית פלטפורמת הדאטה הרחבה: איסוף, התחברות למקורות מידע שונים, יצירת APIs, יצירת תשתיות דאטה תומכות
2. יצירת, ניהול וטיוב של זהויות לקוח (multi-device, multi-channel).
3. גילוי תובנות בדאטה הקיימת, תכנון והגדרת מטרות ו-KPIs למדידה.
4. עיצוב חויית הלקוח: עיצוב מסעות לקוח, מקטעים, קהלים, טריגרים ועוד
5. תכנון, יצירה והתאמת התוכן לכל חלק במקטע.
6. תכנון orchestration של ערוצי ההתקשרויות לפי המסעות, המקטעים והמטרות שהוגדרו.
7. יצירת המלצות לפעולה (עם או בלי סיוע אנליטי, עם אופציה לשימוש במודלים מבוססי Machine Learning)
8. הוצאה לפועל תוך עריכת נסיונות – Testing & Optimization
9. אופטימיזציה – בדיקה מה עובד בפועל לאיזה תרחיש ולאיזו מטרה, והתאמת התכנית.
10. המידע מוזרם לפלטפורמת הדאטה. חזרה לשלב 1.

נשמע דמיוני? כך חברות מוצר טכנולוגי (Digital Natives) עובדות כיום. בלב העיסוק של חברות כאלה – המוצר שלהן – יושבים אלגוריתמים שבעצם ממכנים את כל הסעיפים למעלה. בכל רגע נתון בו אנו עושים שימוש באמאזון/Uber/ AirBnB וכד', כל השלבים מתקיימים. אבל בחברות אלה זהו תהליך ממוכן לחלוטין, אלגוריתמי, מונע-נתונים, נערכים כל הזמן נסיונות כדי לטייב את המודל ולייצר המלצות פעולה יותר חכמות. יש המכנים תהליך זה “The Brand Algorithm”.
אז גם אם לא נהפוך להיות האמאזון הבא (למה לא בעצם?!) אפשר לשאוב השראה רבה מהמנגנונים שחברות אלה מצליחות לייצר, באופן שמשפיע על המוצר שלהן בזמן אמיתי – ה Brand Algorithm שייחודי רק להן. חויית הלקוח לא מלווה את המוצר, היא מוטמעת בו כ"כ חזק שהיא הופכת להיות המוצר עצמו במידה רבה.

מהם החסמים?
ישנם עדיין אתגרים רבים, שימשיכו ללוות אותנו, וכדאי להיות מודעים אליהם:
1. יצירה וניהול של "זהויות לקוח" מהווה סוגיה משמעותית, עדיין לא פתורה גם לא אצל "מיטיבי הלכת". בשוק ה AdTech, מסעות הרכישות של יכולות אלה (DataTech) כבר החלו, אורקל לאחרונה רכשה את Crosswise שמתמחה בניהול זהויות לקוחות cross-device (איך אפשר לזהות שאני בנייד ואני בדסקטופ זה אותו לקוח לא מזוהה?)
2. איסוף הדאטה (התחברות למקורות מידע שונים, חיצוניים-פרסומיים ב paid media, פנים ארגוניים ב owned media, מובנה ובלתי מובנה וכד') וניהול אפקטיבי של הדאטה
3. אקטיבציה והוצאה לפועל של התכניות אל מחוץ לחומות הדיגיטליים של הארגון (יכולת שליטה מועטה, קבלת מידע מוגבל בחזרה).
אלו רק חלק מהחסמים, והם כמובן טכנולוגיים (עוד לא נגענו בחסמים הארגוניים, תרבותיים, תהליכים, כישורים, אנשים, פוליטיקות וכד'). מעניין לראות שהחסמים ברובם נוגעים בדאטה ובאנליטיקה. עם ה"צנרת" – תשתית האוטומציה, Marketing automation כבר פחות או יותר הסתדרנו.

חסם נוסף ומאוד משמעותי בעיניי הוא בכיוון אחר, והוא החסם היצירתי. העיסוק בטכנולוגיה, דאטה, אנליטיקה, ואוטומציה, לעתים מושך את תשומת הלב מהדבר החשוב ביותר – יצירתיות.
נדרשת כאן יצירתיות מסוג אחר, יצירתיות מחשבתית, חיפוש אחר שימושים מעניינים בדאטה, עיצוב מסעות לקוח חדשניים/מיוחדים/ פורצי דרך שמספקים תועלת באופן בו אף אחד אחר עוד לא עשה. הרי אותה ארכיטקטורה לחויית לקוח הולכת להתקיים אצל כל ארגון בסופו של דבר, אז איפה כאן הבידול? איך מוודאים שחוויות הלקוחות שאתם מעצבים ללקוחות שלכם ישקפו את המהות של החברה והמותג? איך אותו Brand Algorithm הולך לבדל את הארגון שלכם מ Brand Algorithms אחרים? זהו בדיוק האתגר הקריאטיבי של השנים הקרובות.

הארכיטקטורה התהליכית לחוויית לקוח

מהי ארכיטקטורת הדאטה של תחום השיווק וחויית לקוח?

זהו הפוסט השלישי בסדרת פוסטים בנושא Data driven businesses. בפוסט הראשון סקרנו את הסיבה בגינה אנחנו מדברים כ"כ הרבה על דאטה וההקשר הרחב של Data driven Businesses. בפוסט השני עשינו זום אין לצורך, לתועלות, לאף לצעדים הדרושים כדי להפוך ל Data Driven Marketer.

כעת אנחנו רוצים להגיע לשאלת ה"איך": איך צריכה להיראות ארכיטקטורת הדאטה שלנו. מדוע הארכיטקטורה הקיימת (ברוב המקרים) אינה מספקת את הצורך ב" Customer experience view" לשנים הקרובות, וננסה להבין מהן אבני הבניין של ארכיטקטורה זו, מהו הדבק שיאחד בין הדברים ועוד שאלות יותר פרקטיות.

דוגמא אחת נהדרת לארכיטקטורה כזו, בעלת 5 שלבים:

Data architecture

מקור: ChiefMarTech

ארכיטקטורה זו מכילה 5 רכיבים שהם מהווים גם 5 שלבים:

  1. Backbone: זוהי תשתית הנתונים. השלב בו אנו אוספים ואוגרים נתונים (בין אם פנימיים או חיצוניים, מובנים או לא מובנים). יש כאן מספר שינויים עליהם נדבר בהמשך, החשוב שבהם הוא שמקורות המידע ילכו ויתרבו כל הזמן, חלקם לא ישבו פיזית אצלנו, ואנחנו צריכים לפעול כדי לנהל אותם וירטואלית בצורה מרכזית ולחבר אותם חיבורים לוגיים (לאו דווקא פיזיים) לישות אחת כדי להבין יותר טוב את חויית הלקוח הרציפה.
  2. Discover: השלב האנליטי בו אנחנו מייצרים מודלים אנליטיים, עושים סגמנטציות, עושים פרדיקטיב, דיגיטל אנליטיקס וכד'.
  3. Delivery: החלק של קבלת החלטה או "איך הנתונים משפיעים על קבלת ההחלטות בפועל" – ה SHARE של הנתונים בארגון, חשיפה שלהם, שילוב התובנות בתהליכי קבלת החלטות, תכנון מסעות הלקוח… "ניהול התובנות" וגם governance.
  4. Activation: החלק התפעולי – הוצאה לפועל של תהליכים המושפעים מהתובנות – לדוגמה קמפיינים שמערכות מרקטינג אוטומיישן מפעילות, אותם ניסיונות של AB testing שמועלים לאוויר….
  5. Automation: כשעושים "SCALE" לאותם טסטים, עוברים לשלב הסיסטמתי.

בין שלבים אלה קיימים "גשרים" וחיבורים, שגם הם תהליכים בפני עצמם.

מהם השינויים בשכבת ה Backbone, שכבת איסוף וארגון הנתונים?

DW

הדבר הראשון הוא ההבנה שה- Data Warehouse הוא לא מענה מספק עבור הבנת חויית הלקוח, הוא מספק רק חלק מהתמונה, וזה נובע מכמה סיבות:

  • בתחום השיווק / חויית לקוח מתבקשת גישה "חקרנית" (Exploratory) לנתונים. ה- DW הקלאסי נבנה סביב סכימות דאטה מתוכננות היטב שבאות לספק מענה לחקר מבוסס שאילתות 'ידועות מראש'. כאן לא מדובר על שאילתות, אפשר להקביל את זה יותר ל"נבירה" בדאטה כדי למצוא דברים מעניינים, תובנות שעולות, קורלציות, קשרים שלא חשבנו שקיימים.
  • עבור צרכי השיווק (חלק מהם) לעתים המידע הגולמי עדיף ממידע מסוכם ואגרגטיבי.
  • אג'יליות ו Time to market הם קריטיים. DW הוא עדיין תהליך Batchy, והוספת נתונים נוספים אליו לוקחים זמן בשל הצורך לחבר לסכימות המידע.

אפשר להגיד שהDisruptor הראשון ל-DW עבור צרכי השיווק היה מידע דיגיטלי, וזה רק יילך ויתגבר. כיום אנחנו צריכים לכלול גם מידע התנהגותי, מידע המגיע מנכסים דיגיטליים שלנו וחיצוניים, מידע על קהלים חיצוניים, מידע טבלאי ומובנה, לצד מידע לא מובנה ועוד ועוד.

מהם DMPs וכיצד הם מהווים חלק מארכיטקטורת הדאטה שלנו?

ה- DMPs (Data Management Platforms) הם סוג של DW שנבנה ספציפית לטובת ניהול נתוני "אנשים" (לא מזוהים / IPs) – בעיקר cookies, לבנות ממידע זה קהלים, לייצר סגמנטים, וגם להפיץ מסרים לאותם הקהלים תוך הפצתם לגופי מדיה ו DSPs שונים.

DMP

מקור: Yashi.

אותם DMPs מכילים 3 סוגי מידע:

1st Party Data: מידע בבעלותו של הארגון: CRM, DW, מערכות ליבה, נקודות המכירה, וגם מידע מה Owned media, מהאתר, אימיילים, מובייל…. לחברות בתחום B2C הכי קל להתחיל לשפוך מידע זה לתוך DMPs ולהתחיל ליצור קהלים מתוך מידע זה (ה"לבנה" הראשונה). עוד לפני הוספת מידע חיצוני על קהלים נוספים, ניתן לטרגט לקוחות עם מאפיינים שונים בהתבסס על הדאטה שכבר יש לנו.

2nd Party Data: מידע שאנו מקבלים מחברה אחרת, שמהווה שותפת-מידע שלנו (לדוגמה, אם אני חברת אשראי אני יכולה לחבור לרשת שיווק ולעשות שימוש, בהסכמת הלקוחות שלה, במידע הנצבר על לקוחותיה ממועדון הנאמנות שלה). יש כאן בעצם שימוש שלי ב 1st party data של חברה אחרת. כאן ניתן לטרגט ולהגיע לקהלים נוספים בעלי מאפיינים דומים ללקוחות הטובים שלי, ולבצע שילובים מעניין בין 1st party ל 2nd party כמו לדוגמה, להציג את המסר השיווקי ללקוחות שעונים על קריטריונים מסוימים, ובתנאי שהם לא לקוחות כבר של השירות הזה).

3rd Party Data: מידע על קהלים במרחב הדיגיטלי שנצבר על ידי חברות צד שלישי. לדוגמה, לקוחות המחפשים מידע על טיסות ליעד מסוים; אנשים חובבי ספורט המבלים באתרים מסוג זה; אנשים בגילאים מסוימים שאוהבים בישול וגרים באזור ספציפי ועוד ועוד אינסוף חיבורים של קריטריונים שונים שמגדירים קהלים חדשים שיכולים לעניין את המותג שלי.

מימד נוסף בארכיטקטורת הדאטה שלנו הודות להתפתחות תחום ה-IoT והמידע הסנסוריאלי:

Context is King!

טשטוש הגבולות בין העולמות הפיזיים והדיגיטליים כבר מתרחש כיום, הרבה בזכות Internet of things. אינטרנט כבר חיבר בין האנשים, כעת הוא מחבר גם בין מכשירים ודברים שונים, והרבה מהם! יש לזה משמעות עצומה על חיי היום-יום שלנו, על התארגנות ארגונית ועל מאקרו כלכלה בכלל. מגזין "כלכלה דיגיטלית" (אשר הקדיש מהדורה שלמה רק לנושא אינטרנט של הדברים) ציין כי בתקופה הקרובה יצאו לשוק בין 3 ל-5 מיליארד "צרכנים חדשים", אותם נצטרך לשדרג, לתמוך,  להתקין ולתת להם שירות, אשר לא היו קיימים קודם לכן.

Internet of things הנה החוליה החסרה במהפכה הדיגיטאלית, המאפשרת להפוך את חוויית הלקוח לחכמה ורלוונטית. חוויה שהלקוחות כבר מצפים לקבל מנותני השירותים שלהם. מי שלא הבין עדיין כי התחרות האמיתית של בנק, למשל, איננה בנק אחר, אלא חווית השירות של אמזון, Uber ו Airbnb.

לחוויה דיגיטאלית כזאת, מתמשכת וכזאת המטשטשת גבולות במעברים בין מכשירים, מקומות ורגעים שונים במסע הלקוח, קוראים Ambient computing. מדובר בשירות מדויק המבוסס על הפעילות הפרסונלית וההעדפות האישיות של האדם. Internet of things יחבר בין נתונים ו"דברים" ויספק ניתוח מידע ותובנות בזמן אמת, וזה ירגיש מאוד מאוד טבעי ומתבקש.

תחום ה Internet of Things משנה את המציאות שלנו ללא הכר. IoT רלוונטי לכל תעשיה, מגזר ותהליך אישי ועסקי. ניטור וניתוח מתמיד של מידע המתאפשר היום בזכות מיליוני סנסורים, ענן, אנליטיקה דיגיטאלית, מזהה דפוסים שלא היינו ערים להם קודם לכן, מקצר לנו את תהליך קבלת ההחלטות, מציע ומבצע את הדבר המומלץ ביותר עבורי. ועל אף לא מעט אתגרים לא פתורים של התחום, הצדקתו הכלכלית ברורה וקלה להוכחה. אנו צופים בתקופה הקרובה כניסה רחבה של ארגונים לפרויקטי IoT, הן פרויקטים הפונים לקהל הרחב, אשר משדרגים את חווית הלקוח וחדשנות, והן פרויקטים ארגוניים Internet of Corporate Things-, אשר מייעלים תפעול, חוסכים העלויות ומציעים תהליכי עבודה שלא התאפשרו קודן לכן.

לעתים, אותו מידע סנסוריאלי, הוא בדיוק ה"חוליה החסרה" בהבנה של הצורך/ההקשר או במלים אחרות ה “Magic moment” בו נוכל לספק ערך ממשי עבור הלקוחות שלנו.

 

 

 

מהי ארכיטקטורת הדאטה של תחום השיווק וחויית לקוח?

מה זה בכלל Digital Analytics (ובמה זה שונה מ Web analytics)?

הדגש ההולך וגובר על נושא חוויית לקוח דיגיטלית מביא עמו פרויקטים "דיגיטליים" רבים – ערוצים חדשים הולכים וצצים (לרוב בנוסף, ולא במקום, ערוצים קיימים) ומתחיל להיווצר צורך בכלים אנליטיים שיספקו תמונת לקוח דיגיטלית לאורך ערוצים אלה.

מדובר במאמץ די גדול, שכן באופן היסטורי, ,כל ערוץ נבנה בבחינת "אי" מנותק מהערוצים האחרים. לרוב נבחרים פתרונות best of breed, ללא אפשרות מעבר מערוץ לערוץ, וללא אפשרות ל"תמונת לקוח" רוחבית (בדומה ל"תמונת לקוח" המוכרת לנו מעולם ה CRM). ארגונים (שהחלו מערוץ ה- Voice) פשוט מוסיפים עוד ערוץ ועוד ערוץ לפי דרישת הצרכנים או השוק, והאסטרטגיה הנפוצה ביותר כיום בתחום הערוצים היא גישת הטלאי על טלאי. אז בתוך מציאות שכזו, בעלת מיעוט ממשקים בין ערוץ אחד לשני, איך ניתן לקבל תמונת מצב של "חויית לקוח" חוצת ערוצים בזמן אמיתי, או לפחות בזמן הרלוונטי שנדרש לתגובה?

לא מדובר בצורך חדש שצץ פתאום משום מקום. זוהי אבולוציה של צרכים שנבנית לאט-לאט, עם ההתקדמות האבולוציונית בפני עצמה שלנו בעולם ה Engagement הדיגיטלי. ככל שאנו מעמיקים את ה engagement עם הלקוח, כך הצורך לנתח אינטראקציות אלה הולך ועולה. כיום אנו מסוגלים לתת מענה אנליטי לחויית הלקוח במוקד ובערוצי האופליין, אך מעטים הארגונים אשר מסוגלים לעשות זאת בהקשר הערוצים הדיגיטליים. ומעטים עוד יותר הארגונים שמסוגלים לקשר את המידע הדיגיטלי עם המידע האופלייני (שלא לדבר על האינטראקציות הפיזיות – בנקודת המכירה עצמה).

מ Web Analytics ל Digital Analytics

כאשר ארגונים החלו להסתכל על אתרי ה- Web כערוץ משמעותי, הצורך בכלי Web analytics עלה. כיום רוב הארגונים משתמשים בכלי Web analytics כדוגמת Web Trends, גוגל אנליטיקס ועוד. מה השלב הבא? נראה שהאבולוציה של תחום ה Web analytics, שמספק תשובה לשאלה "מה קורה באתר של החברה? מה אנשים עושים?" מובילה לתחום חדש שנקרא Digital Analytics המתמודד עם השאלה "למה זה קורה?" ולעתים אף "מה אני עושה עם זה?" כלומר – לא רק איסוף המידע והצגתו, אלא גם אופטימיזציה שמסייעת לתת מענה בזמן אמיתי לסוגיות שעולות בערוצים הדיגיטליים, באופן שמשפיע ומשפר את חוויית הלקוח.

לאן כל זה הולך?

ניתוח חוויית הלקוח לא תיעצר רק באינטראקציות הטלפוניות, ווביות, ומוביליות. הערוצים "הבאים" כבר ממש כאן: טכנולוגיות ה-IoT מתחילות לייצר ערוצים חדשים, המועצמים על ידי מידע סנסוריאלי שהולך לזרום אלינו מכיוון הלקוחות בצורה מדהימה, ככל שתחום זה יילך ויתפוס תאוצה ב Engagement אל מול הלקוחות. ברגע שלקוחות מבצעים מולנו אינטראקציות באמצעות "דברים" הם מספקים לארגון מידע רב-ערך המספק את ההקשר: מה הלקוח עושה כרגע? מה סביר להניח שירצה מאיתנו? ליד מה הוא נמצא? איך בדר"כ הוא מתנהג? מתי הרגע הנכון לספק או להציע לו מוצר או שירות או מידע מסוים? ההקשר הוא הדבר החשוב ביותר באינטראקציות שכן הוא מספק את הפרסונליזציה שכולם כ"כ שואפים להגיע אליה. אם כך, ברור שזה רק עניין של זמן עד שנעשה שימוש גם במידע זה לצורך השלמת ה"תמונה" של חויית הלקוח בין אם היא בדיגיטל/ בערוצי האופליין/ ערוצים פיזיים או אחרים.

 

אין ספק שעם התפתחות ערוצי ה Engagement העתידיים האלה, אנו צפויים לראות יותר ויותר ""קטגוריות חדשות" של כלי אנליטיקה שיודעים לספק לנו תמונה רוחבית של חוויית הלקוח, והדבר נעשה רק יותר ויותר מאתגר.

מה זה בכלל Digital Analytics (ובמה זה שונה מ Web analytics)?