Ik vind het heel erg plezierig om in een kledingwinkel geholpen te worden door iemand die in de gaten heeft wat mijn smaak is en die mij dus kledingartikelen laat zien, die ik mooi vind, waarnaar ik op dat moment op zoek ben en die bij mij passen.

Het is absoluut zinloos om te proberen om mij iets aan te smeren, wat ik totaal niet wil hebben. Ook al laat ik mij soms verleiden en koop ik iets waar ik eigenlijk over twijfel, het zal mij geen postieve ervaring opleveren, waardoor ik zal terugkeren naar deze winkel.

Deze persoonlijke benadering van klanten waarbij je relevante suggesties geeft met betrekking tot producten en diensten over alle kanalen heen, kun je vandaag de dag optimaliseren met behulp van “CRM next best action tools”.

Het is absoluut zinloos om te proberen om mij iets aan te smeren, wat ik totaal niet wil hebben.

De kracht van voorspellingen en relevante suggesties

Forrester Research schrijft hierover in het rapport The Power Of Predictions. Veel bedrijven of organisaties maken gebruik van persoonlijke suggesties om retentie, cross- en upsell te verhogen en om de customer experience te verbeteren. Op basis van betrouwbare klantdata, geavanceerde analyses en business rules worden multi-channel klantinteracties ondersteund door relevante suggesties te geven. Onder geavanceerde anlalyse modellen verstaan we “predictive analytics” en andere op statistiek gebaseerde modellen.

Omnichannel inbound marketing suggesties

Deze suggesties kunnen worden ingezet in verschillende fases van de marketing en sales funnel, dus bijvoorbeeld zowel voor verkoop als voor customer service.
De “engine” genereert peroonlijke, aan de klant aangepaste en vooral ook context-gedreven suggesties om de medewerker of een geautomatiseerd systeem (of een combinatie van beiden) tot aktie aan te zetten en de klant een relevante suggestie te geven. Dus geen aanbieding voor een speciale spaarrekening voor de studie van een kind aan een student, maar wel aan een jong stel met een pasgeboren kind.

Relevante marketing suggesties

 In het Forrester rapport gaat de analyst in op meerdere cases. Onder andere een case bij de ANWB. De ANWB wilde met het next best action project natuurlijk een positieve impact realiseren op de bottom line maar vooral ook meer “ANWB fans” krijgen. Het is in ieder geval gelukt om een duidelijke ROI te behalen door het verbeteren van hun retentie met 50% . Ook zijn de Cross & Upsell resultaten met 200% omhoog gegaan. Indrukwekkende getallen!

Als oplossing heeft de ANWB gekozen voor Portrait Interaction Optimizer geïntegreerd met Siebel. Vooralsnog wordt deze “recommendation engine”- iSuggest – gebruikt in het call center. Het systeem genereert suggesties op basis van persona profielen, en geeft klant-specifieke gegevens aan de agent en de reden van de call. Resultaat hiervan is dat de gesprekken van de agent met de klant productiever en zinvoller zijn en tot een hogere kanttevredenheid leiden. iSuggest geeft ook aan wanneer de agent belangrijke informatie aan de klant moet vragen, om het klantprofiel te perfectioneren.

Omdat de resultaten zo postief zijn, gaat de ANWB dit programma uitbreiden eerst naar de online omgeving en daarna naar de winkels. Volgens mij is de volgende logische stap de mobiele omgeving , de ANWB heeft immers al meer dan 20 apps draaien en waarom zouden zij niet gebruik maken van die contactmomenten met de leden ??