Blogi | Asiakaskokemus esiin - valitse oikea pisteytys oikeaan tarkoitukseen

Julkaistu 23.11.2015 Tuulia Sinijärvi

Asiakaskokemus
Asiakaskokemus esiin - valitse oikea pisteytys oikeaan tarkoitukseen

Asiakaskokemuksen ja sen mittaamisen ammattilaisille erilaiset pisteytysmallit ovat arvokkaita arjen työkaluja. Oli kyse sitten määrään tai laatuun perustuvista malleista, ne vaikuttavat merkittävästi valintoihimme ja siihen tietoon, minkä perusteella näitä valintoja teemme.

Laadullisen ja määrällisen datan paremmuudesta voitaisiin väitellä loputtomiin, mutta ei puututa siihen nyt. Molemmilla on paikkansa ja aikansa sekä hyvät ja huonot puolensa, mutta tässä kirjoituksessa keskitytään kvantitatiiviseen puoleen.

Kun kyselyiden vastaukset tiivistetään numeroiksi, näitä lukuja voidaan pyöritellä kätevästi erilaisten matemaattisten analyysimallien kautta. Kvantitatiivisen tiedon hyöty on kiistaton. Se, miten dataa mallinnetaan ja kvantifioidaan, vaikuttaa voimakkaasti siihen, mitä tuloksista voidaan päätellä.

Tässä kirjoituksessa käydään läpi kolme yleistä, mutta usein väärinymmärrettyä asiakaskokemuksen mittaamisen pisteytysmallia hyvine ja huonoine puolineen. Kun ymmärrät, miten kukin malli vaikuttaa käsiteltävään tietoon, osaat tehdä parempia johtopäätöksiä kulloinkin käsillä olevasta datasta.

Ei-numeeristen vastausten pisteytys

Ennen kuin sukelletaan pisteytysmalleihin, on hyvä huomioida, että myös ei-numeerisia vastauksia voi analysoida matemaattisesti.

Riippumatta siitä, onko vastausasteikko mallia 1–5, "täysin eri mieltä”–"täysin samaa mieltä” tai "surunaama”–"hymiö”, nämä vastaukset voidaan kvantifioida numeroiksi (surunaama = 1, hymiö = 5).

Myös täysin kvalitatiivista dataa (esimerkiksi avoimien kysymysten vastauksia) voi muuttaa numeroiksi esimerkiksi avainsanojen tiheyden perusteella. Lisäksi voit tehdä kvantitatiivista analyysia siitä, mitä sanoja ihmiset käyttävät lauseissa "Pidän…”, "Haluan…”, "Inhoan…” jne.

1. Nettoindeksi

Nettoindeksi (net scoring) tarkoittaa sitä, että yhdestä luvusta vähennetään toinen, jotta saadaan yksi yksinkertainen, helposti mitattava luku.

Yleisin esimerkki tästä pisteytysmallista on nettosuositteluindeksi (NSI tai NPS), joka lasketaan seuraavasti:

  1. Kysy asiakkailtasi, miten todennäköisesti he suosittelisivat yritystäsi, palveluitasi tai tuotteitasi (asteikolla 1–10).
  2. Sivuuta "passiiviset” vastaajat (7/10 tai 8/10). (Nettosuositteluindeksin kehittäjät ajattelivat, että neutraalin asiakaskokemuksen rajan tulisi olla korkeammalla kuin skaalan puoliväli. Kertooko se enemmän asiakkaiden vai kehittäjien subjektiivisuudesta?)
  3. Laske, montako prosenttia kaikista vastaajista osui välille 1–6, ja vastaavasti välille 9–10.
  4. Vähennä ei-suosittelijoiden (1–6) prosenttiluku suosittelijoiden (9–10) prosenttiluvusta.
  5. Tämä on nettosuositteluindeksisi. Jos se on plussan puolella, useampi asiakas suosittelisi yritystäsi kuin jättäisi suosittelematta. Jos indeksi on miinuksella, jokin on pielessä.

Huomaatko, mitä ongelmallista tässä mallissa on? Jos unohdetaan neutraalien asiakkaiden raja-arvon määrittäminen tai neutraalien asiakkaiden sivuuttaminen, nettoindeksi ei siltikään kerro koko totuutta tilanteestasi.

Jos nettosuositteluindeksisi on +15, sinulla voi olla esimerkiksi 20 % suosittelijoita ja 5 % tyytymättömiä asiakkaita. Tai vaihtoehtoisesti 50 % suosittelijoita ja 35 % tyytymättömiä. Tai 15 % suosittelijoita, eikä yhtään pettynyttä asiakasta.

Olisiko yrityksen kannalta hyödyllistä tietää, onko tyytymättömiä asiakkaita 0 vai kolmasosa? Totta kai olisi. Pelkkä nettoindeksi ei kuitenkaan paljasta tätä tilannetta.

2. Suhdelukupisteytys

Suhdelukupisteytys (ratio scoring) on nollasummapeliä, ikään kuin piirakkakaavion numerovastine. Se asettaa vastakkain kaksi mitattavaa asiaa, joista toisen kasvattaminen pienentää toista. Jos saat mielipidekyselyssä 120 positiivista vastausta ja 60 negatiivista, positiivisen ja negatiivisen mielipiteen suhdeluku on 2:1.

Suhdeluvulla voi ilmaista myös astetta (kuten konversioastetta, tuotteiden palautusaste). Jos konversioasteesi on yksi kymmenestä, sen suhdeluku on 1:9 (konversio:ei-konversio). Yhden prosentin palautusaste on suhdelukuna 1:99 (palautettu, ei palautettu).

Suhdeluvut ja asteet ovat käteviä mittareita. Ne on helppo ymmärtää ("yhdeksän kymmenestä asiakkaasta aikoo ostaa meiltä jatkossakin”). Toisaalta, suhdelukuihin pohjautuvat luvut saattavat vaihdella päivästä tai viikosta toiseen paljonkin, eikä suhdeluku itsessään kerro vielä, kumpi puoli suhteesta on muuttunut.

Esimerkki: jos asiakaskyselysi kertoo, että palaamisaikeissa olevien asiakkaiden määrä on tänään laskenut viiteen kymmenestä, johtuuko se siitä, että myymälässä kävi bussilastillinen turisteja, jotka eivät todennäköisesti tule takaisin lähitulevaisuudessa? Vai johtuiko se siitä, että myymälässä tapahtui jotain sellaista, joka aiheutti uskollisten asiakkaiden joukkopaon?

Suhdeluvut auttavat sinua tunnistamaan sellaisia osa-alueita, joiden jatkoanalyysi voi olla hyödyllistä, mutta suhdeluvusta on vaikea päätellä suoraan, mikä todellinen tilanne on – sitä varten pitää tarkastella lähdetietoja huomattavasti tarkemmin.

3. Sijoituspisteytys

Valtaosa liikevaihdostasi tulee todennäköisesti hyvin pieneltä osalta asiakkaitasi. Ketkä asiakkaistasi ovat uskollisuutensa suhteen kärkiprosentissa? Ketkä ovat 100 arvokkainta asiakastasi?

Prosenttiasteikkojen, top100-listojen tai muiden sijoitukseen perustuvien asteikkojen hyvä puoli on se, että ne kertovat helposti skaalan ääripäät ja keskikohdan. Kun valitset yhden asteikon ja laitat mitattavat asiat järjestykseen sen perusteella, näet suoraan parhaat, huonoimmat ja keskinkertaiset asiakkaat (tai tuotteet, työntekijät, jne.).

Tämän pisteytyksen ongelmana on se, että se luo keinotekoisia rajoja esimerkiksi sijoilla 100 ja 101 olevien asiakkaiden välille. Näiden asiakkaiden arvon ero voi olla vain sentin. Jos kohtelet heitä eri tavalla, koska he osuvat kuvitteellisen rajan eri puolille, menetät ison mahdollisuuden.

Kannattaa siis miettiä tarkasti, mitä mittaat sijoitusten kautta – ja miten.

Varo objektiivisuuden illuusiota

Pisteytysmallista riippumatta tiedon laatu riippuu sen lähteestä. Jos keräät datan ihmisiltä, vastaukset ovat lähtökohtaisesti subjektiivisia. Tämä tarkoittaa, että myös näiden vastausten tulkinnat ovat aivan yhtä subjektiivisia.

Sinulle voi olla itsestään selvää, että palaute 5/10 tarkoittaa neutraalia. Asiakaskyselysi vastaajat voivat olla eri mieltä. Saatat olla tyytyväinen 70 prosentin konversioasteeseen, mutta johtoryhmää voi kiinnostaa, mitä sille 30 prosentille tapahtui.

Riippumatta siitä, miten tarkkaan ja mistä näkökulmasta lukuja tarkastelet, niiden takana on aina ihmisiä. Oikeita, ajoittain hyvinkin irrationaalisia ihmisiä, jotka tarkastelevat maailmaa lähtökohtaisesti omasta vinkkelistään.

Lue ilmaisesta oppaastamme lisää asiakaskokemuksen mittaamisesta:

Maailman asiakkaasi silmin


Haluatko tietää, kuinka Questback voi auttaa yritystäsi menestymään?