Tämä kirjoitus perustuu Helsingin kaupungin elinkeino-osaston (HKEO) jakamaan dataan yritystutkimushaastattelusta vuosilta 2016-2018. Kiitos heille!
NPS (Net Promoter Score ®) on yksi käytetyimmistä ja tutuimmista asiakaskokemuksen mittareista. Pohjimmiltaan se perustuu kahteen kysymykseen:
1) "Kuinka todennäköisesti suosittelisit palvelua/yritystä/jne. ystävillesi/kollegoillesi/jne.? Anna arvosana välillä 0-10."
2) "Mikä on pääperuste antamaasi arvosanaan?
Arvosanan 0-6 antaneita kutsutaan kriitikoiksi ('detractor'), 7-8 neutraaleiksi ('neutral') ja 9-10 suosittelijoiksi ('promoter'). NPS-arvosana muodostuu näiden vastaajaryhmien suhteista. Esimerkiksi HKEO:n datassa ykköskysymyksen arvosana- ja luokkajakaumat menivät seuraavasti:
Pohjimmiltaan hyvin simppeli, ja monistettava kysely ja mittari, jonka hyvien arvosanojen on joissain selvityksissä yhdistetty jopa yritysten tuplaantuneeseen kasvutahtiin huonoihin arvosanoihin verrattuna. Esim. HKEO:lla vuoden 2016 arvosanana oli 13 ja vuonna 2018 arvosana 15. Eli kasvua on!
Usein kuitenkin NPS:ssä huomio kiinnittyy ensimmäisen kysymyksen tuloksiin toisen kysymyksen jäädessä lainauksiksi asiakaskokemusraporttiin. Syynä on, että ensimmäinen kysymys tuottaa vertailtavissa olevan ja seurattavan numeromittarin ja jälkimmäinen tuottaa sotkuisia avovastauksia, jotka pitäisi jonkun lukea, luokitella ja tehdä joku päätelmä. Ihminen on hyvä aistimaan tunnelmia ja hahmottamaan taustalla vaikuttavia tekijöitä, mutta pikkutarkka samankaltaisuuksien etsiminen käy nopeasti puuduttavaksi ja uuvuttavaksi. Varsinkin jos vastauksia on paljon tai niissä on paljon asiaa. Tässä tulee tekoäly apuun.
Luonnollista kieltä käsittelevän tekoälyn (oppivien algoritmien yms.) avulla voidaan saada tekstimassoista esille toistuvia, pinnan alla lymyviä rakenteita esiin. Helsingin kaupungin 2000 NPS arvosanan lisäksi saatiin myös 2000 avovastausta. Näiden arvioiminen käsin (1 min / vastaus) olisi vienyt yli neljä työpäivää. Koneella luokittelu syntyi alle minuutissa. Vaikka työn olisikin tehnyt käsin, olisi viimeisen vastauksen kohdalla aivan eri ymmärrys kuin ensimmäistä luokitellessa, ja työ olisi pitänyt toistaa muutaman kerran. Kone tekee tämän syklin sekunneissa.
Löysimme vastauksista 9 eri asiakaskokemusta ajavaa aihetta: Kalleus, sijainti ja saatavuus, etäisyys ja yhteydet, Helsinki kaupunkina, yritystoiminnan paikka, kilpailu ja verkostot, pääkaupunkiasema, elinvoimaisuus sekä lopuksi liikenne. Osassa vastauksia on useita luokkia läsnä, mutta selkeyden vuoksi tässä käsitellään todennäköisin.
Tekstimassan sijaan meillä on nyt selkeät asiakaskokemukseen vaikuttavat luokat. Voimme esim. katsoa, mitkä näistä esiintyvät kriitikoiden viesteissä useammin kuin suosittelijoiden.
Eniten suositteluja saa kaupungin elinvoimaisuus, yhteydet sekä sijainti sekä mm. työntekijöiden saatavuus. Hintataso ja liikenne taas hiertävät eniten.
Kyselyssä oli myös muita taustamuuttujia, esim. yrityksen koko ja tyyppi. Alla esimerkki yritystyypistä "Innovatiiviset ja nopean kasvun yritykset" ja mikä heitä hiertää.
Muuten asiakaskokemus on päätyypeittäin samanlainen kuin muillakin, mutta Helsinki yritystoiminnan paikkana aiheuttaa eniten närää. Näitä taustamuuttujia on sitten useampia, joiden kautta asiakaskokemusta voi katsoa. Luokittelun pohjalta voidaankin sitten perehtyä yksittäisiin vastauksiin (esim. "Helsinki on Suomen suurin kaupunki, tilaa monelle toimijalle ja terveellistä kilpailua. Tietoja Helsingin kaupungin erilaisista tukitoimista ei ole yrittäjille näkyvillä.") ja ryhtyä toimiin.
Mitä siis tekoäly tässä tapauksessa mahdollistaa?
1) Isojen tekstimassojen kustannustehokkaan käsittelyn
2)Toistettavasti ja luotettavasti löydettävät asiakaskokemuksen kipu- ja kehukohdat
3) Nopeat ja ennakoivat korjausliikkeet ennen seuraavaa asiakaskokemusmittausta ja arviota
4) Systemaattinen tilanteen seuranta
5) Ison kuvan ja yksityiskohtien ymmärtäminen ilman suurta ajan investointia
6) Asiakaskokemuksen datapohjainen johtaminen
Tiedätkö, mitkä asiakkaitasi hiertää? Ota yhteyttä, niin selvitetään.
Seuraavassa osassa tarkastellaan, mitä samasta datasta saadaan irti pelkkien yhteisesiintymisien esiintymisten avulla.
-Olli
Comments