30 sn özet
Bir müşterinin iki kez koşu ayakkabısı alması, düzenli koştuğunu düşündürebilir. Ancak alışverişleri başkası için yapmış da olabilir. Müşterinin “Haftada birkaç kez koşuyorum” demesi farklı bir bilgi türüdür. First-party data, şirketin müşterisiyle doğrudan ilişkisi içinde topladığı veridir. Zero-party data ise müşterinin tercih, ihtiyaç veya niyetini bilinçli biçimde paylaşmasını vurgular. Pazarlamada bu ayrım, gözlenen davranışla açık beyanı karıştırmamak için kullanılır. Değer yaratan yaklaşım, veriyi çoğaltmaktan önce hangi karar için gerektiğini belirlemek ve müşteriye anlamlı bir karşılık sunmaktır.
Neden önemli
Pazarlama ekipleri müşteriyi daha iyi tanımak için yeni profil alanları açabilir. Buna rağmen kampanyalar ilgisiz kalabilir. Sorun çoğu zaman veri eksikliğinden önce, eldeki bilginin neyi temsil ettiğinin belirsiz olmasıdır. Sayfa ziyareti ilgiye işaret edebilir; satın alma niyetini veya kalıcı tercihi kesin olarak göstermez.
Doğrudan müşteri ilişkisi içinde toplanan veriler, ürün ve iletişim kararlarını aynı bağlamda değerlendirmeyi kolaylaştırır. Satın alma, kullanım ve destek kayıtları birlikte ele alındığında müşterinin nerede zorlandığı görülebilir. Açıkça paylaşılan tercihler de henüz davranış geçmişi oluşmamış kişiler için yol gösterir.
Yönetim açısından önemli soru, verinin hangi sonucu iyileştirdiğidir. Toplanan alan sayısı büyürken öneriler değişmiyorsa şirket ek karmaşıklık üretmiş olabilir. Gereksiz alanlar bakım, erişim yönetimi ve güncelleme yükü de doğurur. Verinin iş değerini, onu toplamanın ve doğru kullanmanın maliyetiyle birlikte değerlendirmek gerekir.
İş analisti veri alanlarının anlamını ve kullanım kurallarını netleştirir. Ürün yöneticisi soruların müşteri deneyimindeki yerini belirler. Pazarlama ekibi bilgiyi ilgili iletişime dönüştürür. Teknik ekip ise kaynağın, zamanın ve güncellemelerin izlenmesini sağlar. Bu görevler birbirinden koparsa doğru bilgi bile yanlış kampanyada kullanılabilir.
Terim nedir
First-party data, başka bir şirketten satın alınan hedefleme bilgisinden farklı olarak şirketin kendi müşteri etkileşimlerinden doğar. Siparişler, iadeler, uygulama kullanımı, destek talepleri ve hesap bilgileri bu kapsama girebilir. Ayrımın temeli verinin şirketle müşteri arasındaki doğrudan ilişkiden gelmesidir; yalnızca davranış kayıtlarıyla sınırlı değildir.
Zero-party data, müşterinin isteyerek ve bilinçli biçimde açıkladığı bilgiyi öne çıkaran bir pazarlama kavramıdır. Kullanım amacı, ürün tercihi, alışveriş niyeti veya nasıl iletişim almak istediği buna örnektir. Forrester’ın tanımı da bu bilinçli paylaşımı esas alır. Kısa bir tercih formu veya ürün bulma soruları bu tür bilgiyi toplamak için kullanılabilir.
Bu iki etiket bütünüyle ayrı veri depoları gerektirmez. Müşterinin doğrudan şirkete verdiği bir tercih, geniş anlamda şirketin doğrudan topladığı veri içinde de yer alır. Zero-party ifadesinin pratik katkısı, bunun gözlem veya tahmin yerine beyan olduğunu görünür kılmasıdır. Kullanılan sınıflandırma kurum içinde açıkça tanımlanmalıdır.
Üç katmanı ayırmak yararlıdır: müşteri ne yaptı, ne söyledi ve şirket bunlardan ne çıkardı? Bir kişinin belirli ürünleri incelemesi gözlemdir. “Hafif ürün istiyorum” demesi beyandır. “Bu kişi hafif ürünleri tercih ediyor” sonucu ise davranıştan üretilmiş bir çıkarım olabilir. Çıkarımı müşteri beyanı gibi kaydetmek sonraki kararları yanıltır.
Açık beyan da kusursuz değildir. Müşteri fikrini değiştirebilir, soruyu farklı anlayabilir veya o anki alışverişi için cevap verebilir. Bu yüzden bilgiye kaynak, tarih ve kapsam eklenmelidir. Kalıcı profil tercihiyle tek seferlik ihtiyaç aynı biçimde kullanılmamalıdır.
Verinin doğrudan gelmesi, her amaç için kullanılabileceği anlamına da gelmez. Kullanım amacı müşteriye anlaşılır biçimde sunulmalı; tercih paylaşımıyla iletişim izni ayrı değerlendirilmelidir. Müşteriye bilgiyi güncelleme olanağı verilmesi, hem deneyimi hem veri kalitesini destekler.
Gerçek vaka: Starbucks’ın sipariş geçmişiyle öneri üretmesi
Microsoft’un 6 Mayıs 2019 tarihli yazısı, Starbucks’ın mobil uygulamasında kişiselleştirilmiş yiyecek ve içecek önerileri sunduğunu anlatıyor. Önerilerde önceki siparişlerin yanında mağaza stoğu, günün saati, hava durumu ve topluluk tercihleri gibi bilgiler kullanılıyordu.
Sistem, geri bildirimden öğrenerek öneri kararlarını geliştiren pekiştirmeli öğrenme yönteminden yararlanıyordu. Yazıda, düzenli olarak süt içermeyen içecekler sipariş eden bir müşterinin bu yönde tercihi olduğunun çıkarılabileceği örneği veriliyor.
Bu örnek, veri türlerini ayırmak açısından önemlidir. Sipariş geçmişi şirketin müşteriyle doğrudan ilişkisinden gelen davranış verisidir. Bu geçmişten üretilen süt içermeyen ürün tercihi ise bir çıkarımdır. Müşterinin tercihini açıkça belirtmesiyle aynı şey değildir. Hava durumu ve mağaza stoğu da müşteri beyanı olarak sınıflandırılamaz.
Vakadan çıkarılabilecek yorum, müşteri bilgisinin operasyonel bağlamla birleştiğinde daha uygulanabilir öneriler üretebilmesidir. Bir önerinin kişiye uygunluğu kadar mağazada bulunması da önemlidir. Kaynak, bu uygulamanın satış veya müşteri sadakati üzerindeki etkisini kontrollü bir karşılaştırmayla ölçmüyor; buradan kesin bir performans artışı hesaplanamaz.
Varsayımsal örnek: Evden çalışma ekipmanı seçimi
Bir e-ticaret şirketi masa, sandalye ve aydınlatma ürünleri satıyor. Ziyaretçinin baktığı ürünlere göre öneri yapıyor; fakat aynı oturumda farklı kategoriler incelendiğinde ihtiyacı anlamakta zorlanıyor.
Ekip, ürün bulma akışına isteğe bağlı sorular ekliyor. Müşteriye çalışma alanının büyüklüğü, önceliği ve alışverişin kimin için yapıldığı soruluyor. Yanıtların uygun seçenekleri daraltmak için kullanılacağı açıklanıyor. Müşteri isterse soruları geçerek kataloğa devam edebiliyor.
Dar alan ve taşınabilirlik yanıtları bu alışverişin beyanları olarak saklanıyor. Ürün görüntülemeleri, satın alma ve iade kayıtları ise davranış verisi olarak tutuluyor. Sistem bunları kullanarak bir öneri üretiyor; önerinin dayandığı çıkarım müşteri beyanından ayrı kaydediliyor.
Müşteri daha sonra bir çalışanı için ekipman aldığında önceki tercihler otomatik olarak yeni alışverişe uygulanmıyor. Akış, ihtiyacın aynı olup olmadığını soruyor. Pazarlama mesajları için de ürün bulma yanıtını tek başına iletişim tercihi saymıyor.
Başarı, doldurulan form sayısıyla sınırlanmıyor. Önerilerin kullanımını, satın alma davranışını, iadelerin nedenlerini ve sorular yüzünden akışı terk edenleri birlikte inceliyor. Böylece bilgi toplamanın faydası, müşteriye getirdiği ek çabayla karşılaştırılıyor.
Yaygın 3 hata
- Çıkarımı kesin müşteri tercihi saymak
Davranışın birden fazla açıklaması olabilir. Gözlem, beyan ve çıkarımı ayrı işaretleyin. Karar önemliyse müşteriye kısa bir doğrulama olanağı sunun.
- Her ihtimale karşı veri toplamak
Kullanılmayan alanlar formu uzatır ve bakım yükünü artırır. Her sorunun hangi kararı değiştireceğini belirleyin. Anlamlı karşılık üretmeyen soruyu kaldırın.
- Tercihi kalıcı ve sınırsız kabul etmek
Bir yanıt belirli alışverişe veya döneme ait olabilir. Kapsamı ve güncelleme tarihini saklayın. Ürün tercihleriyle iletişim tercihlerini ayrı yönetin.
Mini uygulama/şablon
Bir veri alanını toplamadan önce aşağıdaki sorulara cevap verin.
- İş kararı
- Bu bilgi hangi kararı değiştirecek?
- Müşteri faydası
- Paylaşım karşılığında ne iyileşecek?
- Kaynak
- Gözlem, açık beyan veya çıkarım mı?
- Anlam
- Alan tam olarak neyi temsil ediyor?
- Kapsam
- Oturum, alışveriş veya kalıcı profil bilgisi mi?
- Kullanım
- Hangi ürün ve iletişim süreçlerinde değerlendirilecek?
- Güncellik
- Ne zaman yeniden sorulacak veya kontrol edilecek?
- Kontrol
- Müşteri yanıtını nasıl değiştirebilecek?
- Sorumlu
- Kalite ve kullanım kurallarını kim yönetecek?
- Ölçüm
- Fayda ve müşteri çabası nasıl karşılaştırılacak?
İlgili terimler
Kişiselleştirme, Müşteri Segmentasyonu, Tercih Merkezi, Veri Kalitesi, Veri Minimizasyonu, Davranışsal Veri, CRM, CDP, Pazarlama Otomasyonu, Müşteri Deneyimi