Toni Tiilikainen
BIG DATAN HYÖDYNTÄMINEN
ASIAKASKOKEMUKSEN PARANTAMISESSA B2B-SEKTORILLA
Tekniikan ja luonnontieteiden tiedekunta
Tarkastaja: Maija Ylinen
Kandidaatintyö
Huhtikuu 2021
TIIVISTELMÄ
Toni Tiilikainen: Big datan hyödyntäminen asiakaskokemuksen parantamisessa B2B- sektorilla
Improving customer experience by utilizing big data in B2B sector Kandidaatintyö
Tampereen yliopisto
Tietojohtamisen tutkinto-ohjelma Huhtikuu 2021
Big data on noussut uudeksi innovaation kohteeksi sen korkean tietopotentiaalinsa ansiosta.
Uudet teknologiat ja niiden kustannusten aleneminen ovat luoneet uusia mahdollisuuksia datan käsittelyyn, mikä tarjoaa big datan hyödyntämiselle hyvät puitteet useilla toimialoilla. Big datan hyödyntäminen on tunnistettu olevan suurimmalle osalle yrityksistä vielä haaste. Jotta yritykset voivat ylläpitää kilpailukykyään, niiden on hyödynnettävä uusia datalähteitä ja analytiikkaa par- haiten ja luotava uusia liiketoiminnan sovelluksia tai parannettava olemassa olevia liiketoiminta- prosesseja. Tutkimuksessa tutkitaan big datan hyödyntämispotentiaalia asiakaskokemuksen pa- rantamisessa, jonka avulla yritykset voivat ylläpitää kilpailukykyään. Näkökulma on rajattu tarkas- telemaan B2B-sektoria, koska big datan hyödyntämistä on tutkittu laajemmin B2C-sektorilla ja asiakkaiden tyytyväisyystaso on B2B-markkinoilla alhaisempi kuin B2C-markkinoilla.
Tutkimus tehtiin kirjallisuustutkimuksena prosessimallin mukaan, jossa tietoa kerättiin etsi- mällä ja analysoimalla lähteitä systemaattisesti. Tämän avulla työskentely oli mahdollisimman järjestelmällistä ja kaikki relevantit lähteet löydettiin tutkimuksen pääaineistoksi, joka koostui yh- deksästä lähteestä. Tutkimuksen aineisto käsitteli big datan hyödyntämistä ja erilaisia tapauksia, joilla saadaan parannettua asiakaskokemusta ja kasvatettua asiakasarvoa. Taustoittavaa kirjalli- suutta etsittiin myös big datasta ja asiakaskokemuksesta yleisesti. Näitä tuloksia ei käyty syste- maattisesti läpi, sillä niiden tarkoitus oli luoda pohja tutkimuksessa esiintyvien käsitteiden ymmär- tämiselle. Lopuksi tutkittujen aihepiirien tietoja yhdisteltiin ja niistä koostettiin tutkimuksen johto- päätökset.
Tutkimuksen tulokseksi saatiin, että big dataa voidaan hyödyntää monella eri tavalla asiakas- kokemuksen parantamisessa. Sen avulla saadaan kerättyä tietoa asiakkaasta ja ymmärrettyä asiakaspolun vuorovaikutustilanteita, minkä pohjalta niitä pystytään parantamaan. Big datan avulla asiakkaiden tunteita ja tarpeita pystytään ymmärtämään melkein reaaliajassa, jolloin asia- kassuhteita saadaan syvennettyä ja asiakkaiden tarpeita saadaan täytettyä paremmin, jolloin asiakaskokemusta saadaan parannettua. Haasteena B2B-sektorin asiakaskokemuksen ymmär- tämisessä on, että yhden henkilön sijaan B2B-asiakas voi olla monen henkilön organisaatio, minkä takia asiakaspolkuja voi olla useita ja vuorovaikutustilanteet voivat olla monimutkaisia. Tut- kimus yhdistää aikaisempia tutkimuksia ja kirjallisuutta yhteen yhdeksi kokonaisuudeksi, josta saadaan koostetusti tietoa tutkitusta aihepiiristä. Se tarjoaa uuden näkökulman asiakaskokemuk- sen parantamiseen big datan avulla.
Avainsanat: B2B, Big data -analytiikka (BDA), asiakaskokemus, asiakaskokemuksen hallinta (CXM)
Tämän julkaisun alkuperäisyys on tarkastettu Turnitin OriginalityCheck –ohjelmalla.
SISÄLLYSLUETTELO
1. JOHDANTO ... 1
1.1 Tutkimuksen aihe ... 1
1.2 Tutkimusongelma ja rajaukset ... 2
1.3 Tutkimuskysymykset ja rakenne... 3
2. TUTKIMUKSEN TOTEUTTAMINEN ... 5
2.1 Tutkimusmenetelmä ... 5
2.2 Tutkimusaineisto ... 6
3.BIG DATA ... 8
3.1 Data ... 8
3.2 Big datan määritelmä ... 8
3.3 Big datan kerääminen ... 9
3.4 Big data -analytiikka ja sen haasteet ... 9
3.5 Big datan arvonluontipotentiaali ... 10
4.ASIAKASKOKEMUS ... 12
4.1 Asiakassuhteet B2B-sektorilla ... 12
4.2 Asiakaskokemus B2B-sektorilla ... 12
4.3 Asiakaskokemuksen hallinta ... 14
5. ASIAKASKOKEMUS JA BIG DATA ... 16
5.1 Asiakaskokemuksen hallinnan parantaminen ... 16
5.2 Innovoinnin lisääminen ... 16
5.3 Asiakassuhteiden hallinnan parantaminen ... 17
6. YHTEENVETO ... 19
6.1 Tutkimuksen tulokset ... 19
6.2 Tutkimuksen arviointi ... 20
6.3 Jatkotutkimusmahdollisuudet ja rajoitteet ... 21
LÄHTEET ... 22
LIITE A: TUTKIMUKSEN AINEISTO ... 24
LYHENTEET
B2B engl. Business-to-business, markkinointi yritykseltä yritykselle B2C engl. Business-to-consumer, markkinointi yritykseltä kuluttajalle BDA Big data -analytiikka
CRM engl. Customer relationship management, asiakassuhteiden hallinta CXM engl. Customer experience management, asiakaskokemuksen
hallinta .
1. JOHDANTO
1.1 Tutkimuksen aihe
Tieto on aina ollut läsnä inhimillisessä toiminnassa (Laihonen et al. 2013, s. 5). Sen läs- näoloa tietyissä tilanteissa ei välttämättä tule huomattua, sillä esimerkiksi normaalissa arjessa tulee tehtyä useita päätöksiä alitajuntaisesti ilman tiedon läsnäolon tiedosta- mista. Nopeasti muuttuva, digitalisoituva ja tietointensiivinen liiketoimintaympäristö toi- mivat ajureina tiedon merkityksen lisääntymiselle, sillä nykyään yrityksen kilpailukyky ja menestys perustuvat tietoon ja osaamiseen (Laihonen et al. 2013, s. 6).
Yritykset ovat ottaneet käyttöön järjestelmiä, joista saadaan kerättyä ja analysoitua dataa asiakkaista (Schmarzo 2013, s. 1). Data on alhaisin eksplisiittisen tiedon taso, jota jalos- tamalla siitä saadaan informaatiota, jota voidaan hyödyntää päätöksenteossa (Laihonen et al. 2013, s. 18, 20). Nyt on käynnissä uusi vallankumous datan hyödyntämisessä, joten yritysten kilpailukyvyn kannalta on tärkeää pysyä mukana kehityksessä ja kehittää uusia tapoja datan hyödyntämiseen (Schmarzo 2013, s. 2).
Big data on noussut uudeksi innovaation kohteeksi sen korkean tietopotentiaalinsa an- siosta (Wamba et al. 2019). Se koostuu suuresta määrästä dataa, jota syntyy nopeasti suuria määriä ja on myös tietotyypiltään monimuotoista, minkä takia sitä ei voi perintei- sillä data-analytiikan työkaluilla prosessoida (Corea 2019). Big datasta on tulossa yksi tärkeimmistä teknologiatrendeistä, jota hyödyntämällä organisaatiot voivat koostaa suu- rista datamassoista tietoa, joka on oikea-aikaista ja validia (Hurwitz et al. 2013, s. 58).
Tämä on suuri mahdollisuus organisaation kilpailukyvyn edistämisen näkökulmasta, koska tavallisesta datasta saatava tieto katsoo taaksepäin, kun taas big datasta saatava tieto on reaaliaikaisempaa. Lisäksi tavallista dataa saadaan kerättyä rajoitetummin, kun taas big dataa saadaan kerättyä kaikenlaisista lähteistä. (Schmarzo 2013, s. 3) Kuten aiemmin todettiin, yrityksen kilpailukyky ja menestys perustuvat tietoon ja osaamiseen, mikä tarkoittaa sitä, että kun organisaatio jalostaa tietoa big datan avulla, se on tiedon hyödyntämisessä kilpailijoita edellä. Tällöin se saavuttaa kilpailuetua muihin organisaa- tioihin nähden.
Nykyään big dataa hyödyntävät yritykset ovat pärjänneet hyvin, sillä sen avulla saadaan luotua kilpailukykyä tunnistamalla pinnan alla olevia näkemyksiä liiketoiminnasta (Yang et al. 2020). Esimerkiksi verkkokauppa Amazonin ostoista 35 % on tehty henkilökohtai- sen suosittelujärjestelmän kautta, joka perustuu big datan analysointiin (Shabbir & Gar- dezi 2020). Nämä osoittavat, että big datalla on potentiaalia kilpailukyvyn lisäämisessä.
1.2 Tutkimusongelma ja rajaukset
Big datan hyödyntäminen on vielä suurimmalle osalle yrityksistä haaste (Wamba et al.
2019). Kuten alaluvussa 1.1 todettiin, datan hyödyntämisessä tapahtuvan vallankumouk- sen takia organisaatioiden on tärkeää pysyä mukana datan hyödyntämisen kehityk- sessä. Kirjallisuudessa on myös tunnistettu, että big datalla voidaan kasvattaa myyntiä ja kilpailuetua (Hallikainen et al. 2020). Parhaiten kilpailukykyä kasvattavat organisaatiot ovat ne, jotka hyödyntävät uusia datalähteitä ja analytiikkaa parhaiten ja luovat uusia liiketoiminnan sovelluksia tai parantavat olemassa olevia liiketoimintaprosesseja. Tämän takia organisaatioiden tulisi keskittyä, miten datalla ja teknologialla voidaan luoda lisää arvoa asiakkaille ja sitä kautta kasvattaa liikevaihtoa. (Schmarzo 2013, s. 24) Yksi tapa lisätä asiakasarvoa on parantaa asiakaskokemusta, sillä siihen liittyy eri elementtejä, joilla voidaan luoda arvoa asiakkaalle (McColl-Kennedy et al. 2019). Havaittujen asioiden pohjalta tutkittavaksi aiheeksi muodostui big datan hyödyntämispotentiaalin tutkiminen asiakaskokemuksen parantamisessa.
Tutkimuksen näkökulma on rajattu tarkastelemaan B2B-sektoria, koska big datan hyö- dyntämistä on tutkittu laajemmin B2C-sektorilla B2B-sektoriin verrattuna (Lilien 2016).
Aiheen tutkiminen on mielekästä, koska asiakkaiden tyytyväisyystaso on B2B-markki- noilla alhaisempi kuin B2C-markkinoilla (Big Data and Cognitive Computing 2021). Edel- lisessä kappaleessa kuvattiin, että big datalla on tunnistettu olevan potentiaalia kilpai- luedun kasvattamisessa ja organisaatioiden tulisi hyödyntää sitä asiakasarvon lisäämi- sessä (Schmarzo 2013, s. 24; Hallikainen et al. 2020). Tämän takia tutkimuksen rajaa- minen B2B-sektorin big datan hyödyntämiseen tuo todennäköisesti enemmän tieteellistä kontribuutiota.
Tutkittavan asian tueksi on tutkittava myös big datan piirteitä ja ymmärrettävä siihen liit- tyvää teoriaa, jotta saadaan syvällisempää käsitystä sen nykytilasta ja saadun tiedon pohjalta osataan tehdä laadukkaita johtopäätöksiä. Big dataa keskitytään tutkimaan eri- tyisesti asiakkaista saatavan datan näkökulmasta. Data itsessään on hyödytöntä, jos sen ympärille ei ole laadittu oikeanlaisia toimintamalleja ja työkaluja (Laihonen et al. 2013, s.
26), minkä takia big datan onnistunut hyödyntäminen vaatii organisaatioilta sijoitusta re- sursseihin (Wright et al. 2019). Organisaation vaadittavat kompetenssit big datan hyö- dyntämiseen ovat rajattu pois tutkimuksesta, jotta tutkittava aihe pysyy tarpeeksi tiiviinä.
Niillä on kuitenkin keskeinen merkitys big datan hyödyntämisen mahdollistamisessa (Schmarzo 2013, s. 65).
Tutkimusta on tehtävä myös asiakaskokemuksesta. On tutkittava, mistä hyvä asiakas- kokemus muodostuu, jotta ymmärretään, miten big datan avulla sitä voidaan parantaa.
Asiakaskokemusta tarkastellaan erityisesti B2B-sektorin asiakkaiden näkökulmasta, sillä B2B-asiakassuhteissa ostopäätökseen voi liittyä monia henkilöitä, kun taas B2C-sekto- rilla ostopäätökseen liittyy yleensä vain yksi henkilö, joten niiden asiakassuhteet ovat erilaisia (Lilien 2016). Tämän takia B2B-sektorin asiakaskokemus muodostuu eri tavalla B2C-sektoriin verrattuna, joten sitä on tutkittava erityisesti B2B-sektorin näkökulmasta.
1.3 Tutkimuskysymykset ja rakenne
Tutkimusongelman esittelyn ja aiheen rajauksen myötä tutkimuksen päätutkimuskysy- mykseksi muodostuu:
- Miten asiakaskokemusta voidaan parantaa big dataa hyödyntämällä B2B-sekto- rilla?
Päätutkimuskysymys saadaan jaettua sitä tukeviksi alatutkimuskysymyksiksi:
- Mitä on big data?
- Mistä hyvä asiakaskokemus muodostuu B2B-sektorilla?
Päätutkimuskysymys saadaan muodostettua alaluvussa 1.2 kuvatun tutkimusongelman pohjalta, jossa tunnistettiin big datan hyödyntämispotentiaali ja organisaatioiden tarve pysyä mukana datan hyödyntämisen kehityksessä. Alatutkimuskysymysten avulla jae- taan päätutkimuskysymys pienemmiksi osakokonaisuuksiksi, joiden pohjalta saadaan vastattua päätutkimuskysymykseen.
Tutkimuksen seuraavassa luvussa käsitellään tutkimuksen toteuttamista, jossa esitel- lään tutkimusmenetelmä ja käytettävä tutkimusaineisto. Kolmannessa luvussa tutkitaan big dataa käsitteenä, sen käytäntöjä ja arvonluontipotentiaalia, joita on tunnistettu kirjal- lisuudesta. Neljännessä luvussa käsitellään asiakaskokemusta ja siihen liittyviä käsitteitä B2B-sektorin näkökulmasta. Siinä tutkitaan myös B2B-sektorin asiakassuhteita ja verra- taan löydöksiä B2C-sektoriin. Viidennessä luvussa vastataan päätutkimuskysymykseen
eli tutkitaan big datan hyödyntämistä asiakaskokemuksen parantamisessa aikaisem- paan kirjallisuuteen perustuen. Kuudennessa luvussa tehdään tutkimuksen johtopäätök- set, arviointi ja käsitellään tutkimuksen jatkotutkimusmahdollisuuksia ja rajoitteita.
2. TUTKIMUKSEN TOTEUTTAMINEN
2.1 Tutkimusmenetelmä
Tutkimus toteutetaan kirjallisuustutkimuksena, joka tehdään Finkin (2014) prosessimal- lin mukaan. Malli koostuu seitsemästä vaiheesta:
1. tutkimuskysymysten muodostus 2. tietokantojen valinta
3. hakusanojen ja -lauseiden valinta
4. hakukriteerien valinta (esimerkiksi tekstilaji tai julkaisuvuosi) 5. metodologinen rajaus
6. katsauksen tekeminen
7. tulosten syntetisointi (Fink 2014).
Tutkimuskysymykset muodostettiin edellisessä alaluvussa 1.3, joten seuraava vaihe pro- sessissa on tietokantojen valinta. Tutkimuksen tietokannoiksi valittiin Scopus ja Andor, joka hakee kirjallisuutta useista tietokannoista. Myös Google Scholaria harkittiin, mutta Scopuksen ja Andorin huomattiin tuottavan relevantimpia hakutuloksia, joten se jätettiin pois. Seuraava vaihe on hakusanojen ja -lauseiden valinta. Tutkimuksen hauissa käytet- tiin aiheen keskeisiä käsitteitä hakusanoina, kuten esimerkiksi ”big data”, ”B2B”, ”custo- mer experience”. Kirjallisuutta haettiin seuraavalla hakulausekkeella, josta tutkimuksen pääaineisto saatiin pääosin muodostettua:
”big data” AND (”customer experience” OR “customer experience management”) AND (B2B OR “business-to-business”)
Hakulauseke tuotti tuloksia Scopuksessa kahdeksan ja Andorissa 6947.
Finkin (2014) mallin kahden seuraavan vaiheen mukaan Andorin tulokset rajattiin ja nii- den hakukriteereiksi valittiin vertaisarvioidut, verkossa saatavat ja kolme vuotta vanhat lähteet, jolloin tulosten määräksi saatiin 87. Rajaukset tehtiin sillä perusteella, että tutki-
muksen tavoitteena on tuottaa ajankohtaisia tuloksia, joten tuoreen aineiston hyödyntä- minen on tiedon validiuden kannalta oleellista. Scopuksen tuloksissa huomioitiin myös nämä rajaukset katsausta tehdessä.
Tietokantahakujen lisäksi tutkimuksen taustakirjallisuutta etsittiin relevanttien lähteiden viittauksien joukosta ja Andorista erilaisilla hakulausekkeilla. Näiden lähteiden haku teh- tiin esimerkiksi seuraavanlaisilla hakulausekkeilla:
”big data” AND ”value creation”
(B2B OR ”business-to-business”) AND “customer experience”
Edellisillä lausekkeilla hakutuloksia tuli paljon, jotka rajattiin vertaisarvioituihin ja ver- kossa saataviin lähteisiin.
Kuudes vaihe Finkin (2014) mallissa katsauksen tekeminen. Ensimmäisen haun Scopuksen osumat käytiin systemaattisesti läpi kokonaan, kun taas Andorin tuloksia ei ollut mielekästä käydä kokonaan läpi. Kirjallisuutta analysoitiin tarkastelemalla tiivistel- mää, tuloksia ja johtopäätöksiä. Andorin hakutuloksista löytyi samaa aineistoa kuin Scopuksesta, jotka jätettiin käsittelemättä kahteen kertaan. Andorin aineistosta tarkas- teltiin otsikon mukaan oleellisimmiksi luokitellut lähteet. Analysoinnin pohjalta koostettiin päätutkimusaineisto, joka on koottu liitteeseen A. Tutkimusta taustoittavien lähteiden ha- kutuloksia ei käyty systemaattisesti läpi, sillä hakutuloksia tuli paljon. Tutkimuskysymyk- siin vastaamisen kannalta sitä ei koettu relevantiksi, koska taustoittavan kirjallisuuden tarkoitus on luoda pohja tutkimuksessa esiintyville käsitteille ja niiden ymmärtämiselle.
Niiden hakutuloksista poimittiin otsikon ja tiivistelmän perusteella oleellisimmat lähteet, joita käytettiin tutkimuksessa.
Seitsemäs ja viimeinen vaihe on tulosten syntetisointi. Löydetystä aineistosta löydettiin tuloksia ja erilaisia näkökulmia, joilla saatiin vastattua pää- ja alatutkimuskysymyksiin.
Tutkimuskysymyksiin löydetyistä vastauksista laadittiin yhtenäinen kokonaisuus, joka veti tutkimuksen tuloksia yhteen kuudennessa luvussa.
2.2 Tutkimusaineisto
Liitteessä A on kuvattu löydetty ja tutkimuksessa käytettävä päätutkimusaineisto, joka koostuu yhdeksästä lähteestä. Siihen on koottu aineiston tutkimusmenetelmät, tulokset, rajoitteet ja jatkotutkimustarpeet. Tutkimusaineistona pyrittiin käyttämään mahdollisim- man tuoretta aineistoa, sillä kuten alaluvussa 2.1 todettiin, tuoreen aineiston hyödyntä- minen on tiedon validiuden kannalta oleellista.
Tutkimuksen pääaineisto koostuu tieteellisistä artikkeleista ja yhdestä kirjasta. Sen ha- vainnot perustuvat hyvin paljon teoriaan käytännön tutkimuksen sijaan. Neljässä läh- teessä on perusteltu havaintoja myös empiirisiin havaintoihin pohjaten. Yang et al.
(2020) tutkivat yhtä yritystä, Hallikainen et al. (2020) keräsivät dataa useilta toimialoilta, McColl-Kennedy et al. (2019) tutkivat yhtä palvelukontekstia ja Wright et al. (2019) pe- rustelevat havaintojaan neljään case-tutkimukseen. Nämä asettavat tutkimukselle rajoit- teita, mutta määrittävät myös selkeitä jatkotutkimusmahdollisuuksia. Näitä käsitellään tarkemmin kuudennessa luvussa.
3. BIG DATA
3.1 Data
Data on tiedon tasoltaan alhaisin eksplisiittisen tiedon taso, jota jalostamalla siitä saa- daan analysoitua tietoa, jota voidaan käyttää päätöksenteossa. Eksplisiittinen tieto on konkreettisessa muodossa olevaa tietoa, jota voidaan tallettaa ja siirtää. (Laihonen et al.
2013, s. 18) Yritykset voivat saada dataa esimerkiksi ostotapahtumasta tai valmistuk- sesta, jossa voi näkyä ostomäärät, hinnat tai valmistusajat. Taulukossa 1 näkyy yksin- kertainen esimerkki, millaista data voi mahdollisesti olla.
Taulukko 1. Esimerkki datasta
ID Päivämäärä Asiakas Tuote
1 1.2.2021 1 A1
2 20.2.2021 2 A2
3 5.3.2021 1 A2
Datasta voidaan esimerkiksi nähdä, että asiakas 1 on ostanut kaksi kertaa ja tuotetta A2 on myyty kaksi kappaletta yhteensä. Datalla ei voi pelkästään tehdä mitään, vaan sitä on ylläpidettävä ja puhdistettava, jotta sitä saadaan jalostettua tiedoksi, jota voidaan hyö- dyntää (Laihonen et al. 2013, s. 19–20). Data ei ole siis itsessään arvokasta, mutta siitä saadaan arvoa, kun se liitetään relevanttiin kontekstiin (Müller & Jensen 2017). Tutkitta- van aiheen kannalta on tärkeä ymmärtää, että datasta jalostettu informaatio on tärkeää, kun sitä hyödynnetään tietyn tavoitteen saavuttamiseksi, joka voi tässä kontekstissa olla asiakaskokemuksen parantaminen. Se vaatii kuitenkin sen, että osataan määritellä oi- keat tietotarpeet, jotta relevantin tiedon hyödyntämistä edistetään. (Laihonen et al. 2013, s. 13, 25)
3.2 Big datan määritelmä
Uudet teknologiat ja niiden kustannusten aleneminen ovat muuttaneet datan käsittelyä ja luoneet uusia mahdollisuuksia. Big data on tämän tuloksena syntynyt uusi käsite. Pe- rinteiseen dataan verrattuna sillä on vähintään kolme piirrettä:
1. Volyymi eli dataa on määrällisesti paljon.
2. Nopeus eli dataa syntyy nopeasti.
3. Monimuotoisuus eli data on hyvin monimuotoista. (Hurwitz et al. 2013, s. 47–48)
Näiden piirteiden lisäksi big datalle on tunnistettu lisää piirteitä, mutta edellä kuvatut ovat yleisimmin kuvattuja ja oleellisimpia sitä kuvaavia piirteitä.
Big dataa ei muodostu pelkästään ulkoisesta toiminnasta, vaan sitä syntyy myös sisäi- sesti. Esimerkiksi sisäisistä sähköposteista kertyy big dataa, ja ne voivat sisältää hyvin- kin tärkeää informaatiota päätöksenteon kannalta. (Yang et al. 2020) Niitä lähetetään yrityksessä päivittäin useita, ja niiden määrä eli volyymi on hyvin suurta, sillä niitä voi- daan lähettää yrityksen koon mukaan paljon päivässä. Lähetetyistä sähköposteista muo- dostuu dataa nopeasti, mikä on monimuotoisempaa verrattuna taulukon 2 dataan, sillä sähköpostin teksti on strukturoimatonta. Strukturoimattomuus on haaste tekstistä saata- van tiedon louhimisessa. Jos kaikkea tietoa ei saada louhittua sähköposteista, liiketoi- mintamahdollisuuksia voi jäädä hyödyntämättä. (Yang et al. 2020)
3.3 Big datan kerääminen
Aikaisemmin organisaatiot ovat keränneet asiakkaiden toiminnasta asiakasdataa CRM- järjestelmiin, josta voidaan tunnistaa esimerkiksi asiakkaan ostohistoriaa, päätöksente- koa ja käyttäytymistä (Kunz et al. 2017). Monet asiakkaat eivät halua käyttää aikaa an- taakseen palautetta, minkä takia yritysten on löydettävä edistyneempiä tapoja asiakas- datan keräämiseen ja sitä kautta asiakkaan ymmärtämiseen (Hodgkinson et al. 2021).
Big data on osoittautunut siinä hyväksi ratkaisuksi, sillä se mahdollistaa datan keräämi- sen ulkoisten sidosryhmien alustoilta (Kunz et al. 2017). Sitä voidaan kerätä esimerkiksi sosiaalisesta mediasta, ihmisen ja koneen välisestä vuorovaikutuksesta ja transaktioista internetissä, mikä mahdollistaa sen, että toimittajat voivat kehittää paremmin uusia tai olemassa olevia tarjoomia (Chan 2014; McColl-Kennedy et al. 2019).
Big dataa voidaan kerätä myös asiakkaiden kommenteista ja sähköposteista, jotka ovat strukturoimatonta dataa. Sen keräämisessä hyödynnetään tekstinlouhintaa, josta saata- van datan pohjalta saadaan tietoa asiakkaiden tunteista. Kerätystä datasta voidaan kar- toittaa asiakkaiden mielipiteitä ja tyytyväisyyttä kustannustehokkaasti. (McColl-Kennedy et al. 2019; Sivarajah et al. 2020; Yang et al. 2020)
3.4 Big data -analytiikka ja sen haasteet
Big data -analytiikka (BDA) tarkoittaa kerätyn big datan koostamista teknologioilla, josta saatavaa tietoa voidaan käyttää yrityksen päätöksenteon tukena. (Shabbir & Gardezi 2020) BDA:lla koostetaan suurista määristä heterogeenistä dataa (Manyika et al. 2011, Wright et al. 2019 mukaan), ja datasta jalostetusta tiedosta voidaan optimoida organi- saation liiketoimintaprosesseja ja saada parempaa ymmärrystä asiakkaista (Wamba et
al. 2017, Hallikainen et al. 2020 mukaan). BDA:aa voidaan soveltaa myös asiakkaista saatavaan dataan, minkä tuloksena voidaan saada aikaisempaa nopeammin ymmär- rystä asiakaspolusta (Wedel & Kannan 2016, Holmlund et al. 2020 mukaan).
BDA:n hyödyntämisessä on tunnistettu olevan haasteita, jotka vaikeuttavat sen hyödyn- tämistä. Asiakkaasta kerätty data on osoittautunut olevan usein hyödytöntä, sillä on vai- kea hahmottaa, missä määrin kerätty data kuvaa asiakaskokemusta. Tämä johtuu siitä, että asiakaskokemuksen muodostuminen on hyvin subjektiivista, eli se voi muodostua eri tavoilla asiakkaasta riippuen, koska eri asiakkailla voi olla eri tarpeita. (Zolkiewski et al. 2017; Holmlund et al. 2020) Se luo haasteita BDA:n hyödyntämiseen, sillä asiak- kaasta saatava data ei välttämättä kuvaa asiakaskokemusta niin yksiselitteisesti.
3.5 Big datan arvonluontipotentiaali
Big datalla on arvonluontipotentiaalia laajasti eri organisaatioissa. Brynjolfsson et al.
(2011, Corea 2019 mukaan) osoittivat, että se parantaa liiketoimintaa arviolta 5–6 % verrattuna kilpailijoihin. Schmarzon (2013, s. 5) mukaan BDA:aa voi hyödyntää muun muassa tuotekehityksessä, tuotannossa ja logistiikassa: Sillä voidaan saada syvää ym- märtämistä tuotteen käytöstä, tunnistaa muutoksia prosesseissa laatuongelmien yhtey- dessä ja analysoida toimitusketjua suhteessa ulkoisiin muuttujiin, kuten esimerkiksi sää- hän. BDA:lla saadaan siis tehostettua organisaation prosesseja monissa eri käyttökon- teksteissa.
Big datalla on tunnistettu olevan sovelluskohteita myös myynnissä ja markkinoinnissa (Schmarzo 2013, s. 5). Menestyvät organisaatiot ovat tunnistaneet, että big data on avainasemassa differoinnin mahdollistamisessa (Shabbir & Gardezi 2020). BDA:n avulla voidaan saada esimerkiksi syvällisempää ymmärrystä asiakkaista, minkä avulla voidaan tunnistaa organisaation kohdeasiakkaat. Sen pohjalta voidaan tunnistaa tarvittavat rat- kaisut kohdeasiakkaiden tarpeiden täyttämiseksi ja differoitua eli erottua kilpailijoista luo- malla uusia sovelluksia asiakkaiden tarpeisiin. Tämä vaikuttaa yrityksen toimintaan po- sitiivisesti lyhyellä aikavälillä, mutta BDA:n avulla voidaan tunnistaa myös pitkäaikaisem- mat muutokset asiakkaiden tarpeissa. (Schmarzo 2013, s. 24, 33–35; Gnizy 2020) Tun- nistamalla pitkäaikaisemmat muutokset asiakkaiden tarpeissa yritykset voivat hyötyä big datan käytöstä myös pitkäaikaisemmalla aikavälillä (Gnizy 2020).
Yritykset voivat mitata asiakkaan kokemaa arvoa reaaliajassa big dataa hyödyntämällä, mikä mahdollistaa asiakkaan tarpeiden ymmärtämisen moniulotteisella tasolla. Tulok- sena voidaan tehdä parempia päätöksiä big dataan perustuen, mikä sitouttaa asiakkaita.
Bowden (2009, Kunz et al. 2017 mukaan) määrittelee, että asiakkaiden sitoutuminen tarkoittaa kognitiivisia ja emotionaalisia vastauksia, jotka johtavat uusien ja olemassa olevien asiakkaiden lojaaliuteen. Sitä tapahtuu enemmän, jos organisaatio tarjoaa asi- akkailleen aktiviteetteja, jotka ylittävät asiakkaan odotuksia tai vähintään vastaavat niitä (Kunz et al. 2017). Asiakkaita voidaan sitouttaa esimerkiksi tarjoamalla personalisoidum- pia tuotteita tai palveluita asiakkaille asiakkaiden yksilöllisiin tarpeisiin, mikä näkyy sitou- tumisen lisäksi organisaation tuloksessa myynnin lisäyksenä (Bartosik-Purgat & Ra- tajczak-Mrożek 2018). Kunz et al. (2017) mukaan personointi lisää asiakkaiden sitoutu- mista, sillä personalisoidut palvelut tarjoavat asiakkaille niiden odotuksia vastaavia akti- viteetteja, minkä myötä asiakkaiden odotuksiin saadaan vastattua paremmin.
4. ASIAKASKOKEMUS
4.1 Asiakassuhteet B2B-sektorilla
Ennen kuin käsitellään asiakaskokemusta B2B-sektorilla, on tutkittava asiakassuhteita ja verrattava, miten B2B- ja B2C-sektorien asiakassuhteet eroavat toisistaan. Yksi kes- keinen ero on, että B2C-asiakkaiden ostokäyttäytymistä ohjaa paljon markkinointi. Li- säksi B2C-asiakkaana on yksi henkilö, joka on tuotteen tai palvelun arvoketjun lopussa, kun taas B2B-asiakas voi olla sijoittunut arvoketjun väliin. B2B-asiakas voi olla myös yhden henkilön sijaan organisaatio, johon kuuluu monia henkilöitä. (Lilien 2016) Asia- kassuhteet eivät siis ole niin yksinkertaisia B2B-sektorilla, koska palvelun tai tuotteen toimittaja voi olla tekemisissä useiden henkilöiden kanssa joko samaan aikaan tai erik- seen.
B2B-sektorilla on myös vähemmän asiakkaita ja heidän ostomääränsä ovat suurempia.
Tämän takia yksittäinen asiakas voi olla B2B-puolella merkityksellisempi yrityksen liike- toiminnan kannalta kuin yksittäinen B2C-asiakas. (Lilien 2016) Asiakassuhteiden hallin- nan merkitys korostuu B2B-sektorilla, koska siellä yksittäisen asiakkaan tyytyväisyydellä voi olla suurempi vaikutus yrityksen liiketoimintaan.
4.2 Asiakaskokemus B2B-sektorilla
Asiakaskokemuksen merkitys on jatkanut kasvuaan edelleen yrityksissä. Gartnerin vuonna 2019 tekemän kyselyn mukaan 74 % asiakaskokemusjohtajista odottivat asia- kaskokemukseen käytetyn budjetin nousevan vuonna 2020 (Targeted News Service 2020). Asiakaskokemusta on tutkittu niin toimittajan kuin myös asiakkaan näkökulmasta (Holmlund et al. 2020). Sitä muodostuu B2B-sektorilla kolmessa eri vaiheessa, jotka ovat ennen ostoa, oston aikana ja oston jälkeen (Lemon & Verhoef 2016, Lecoeuvre et al.
2021 mukaan). Vaiheiden aikana asiakkaan ja organisaation välillä on useita vuorovai- kutustilanteita, jossa asiakas kokee tunteita organisaation ja ostamansa tuotteen tai pal- velun välillä (Lecoeuvre et al. 2021). Tunteiden lisäksi asiakkaalla voi olla kognitiivisia vastauksia (McColl-Kennedy et al. 2019). Tunteita ja vastaavia kognitiivisia vastauksia voivat olla esimerkiksi ilo ja kehuminen tai pettymys ja valittaminen. Asiakaskokemuk- sessa toimittaja voi luoda arvoa resursseilla, aktiviteeteilla ja vuorovaikutuksella, joihin nämä tunteet ja vastaukset liittyvät (McColl-Kennedy et al. 2019)
Asiakaskokemuksen parantamiseksi yritysten on muutettava näkökulma myynnin kas- vattamisesta asiakkaan näkökulmaan. Kokemusorientoituneita kysymyksiä asiakasläh- töisen liiketoiminnan suunnittelussa ovat:
- Miten yritys integroituu asiakkaiden elämään?
- Mitä ominaisuuksia asiakas haluaa hyödyntää omaksi edukseen?
- Kuinka näitä ominaisuuksia voidaan hyödyntää asiakkaalle parhaalla mahdolli- sella tavalla?
- Voiko asiakkaan toimintaa hänen kontekstissaan parantaa? (De Keyser et al.
2015, s. 28, Hodgkinson et al. 2021 mukaan)
Ensimmäisessä kysymyksessä B2B-sektorin kontekstissa organisaatiossa voitaisiin ky- syä, miten yritys integroituu asiakkaiden liiketoimintaan.
Oleellinen käsite asiakaskokemuksessa on asiakaspolku (engl. Customer journey). Se koostuu asiakkaan ja organisaation vuorovaikutustilanteista, joita tapahtuu eri vaiheissa palvelua käytettäessä. (Holmlund et al. 2020) Kuvassa 1 on havainnollistettu asiakkaan ja toimittajan välillä tapahtuvaa vuorovaikutusta asiakaspolun aikana edellisten kuvaus- ten pohjalta.
Kuva 1. Asiakaskokemuksen muodostuminen vuorovaikutustilanteessa Vuorovaikutustilanteita voi olla jokaisessa asiakaskokemuksen muodostumisen vai- heissa, joissa asiakas käyttää tuotetta tai palvelua. Toimittaja on vuorovaikutuksessa asiakkaan kanssa resursseilla ja aktiviteeteilla, ja asiakaskokemusta muodostuu asiak- kaalle vuorovaikutuksessa. Asiakaskokemuksessa asiakkaalle välittyy tunteita, jotka asiakas voi ilmaista kognitiivisina vastauksina vuorovaikutustilanteen aikana.
Jotta asiakaskokemuksesta saadaan myönteinen, asiakaspolun on oltava osallistava (Lecoeuvre et al. 2021). Koska asiakaskokemukseen liittyy asiakkaan kokemat tunteet ja niitä vastaavat vastaukset ja asiakaspolun osallistaminen vaikuttaa asiakaskokemuk- sen muodostumiseen, voidaan todeta, että hyvän asiakaskokemuksen mahdollistaa se,
että asiakaspolussa tapahtuvat vuorovaikutustilanteet synnyttävät positiivisia tunteita ja osallistavat asiakasta. Näitä voidaan konkreettisesti parantaa hyödyntämällä De Keyser et al. (2015, s. 28, Hodgkinson et al. 2021 mukaan) laatimia kokemusorientoituneita ky- symyksiä.
B2C-sektorin asiakaskokemus on hyvin samankaltainen kuin B2B-sektorin asiakaskoke- mus, sillä ostoprosessissa tapahtuvat vuorovaikutustilanteet tapahtuvat samoilla tavoilla henkilöiden ja teknologian välityksellä (Witell et al. 2020). B2B-sektorin asiakaskoke- musta on kuitenkin vaikeampi ymmärtää kokonaisuudessaan, sillä ostotapahtumassa voi olla osallisena monia eri henkilöitä, jotka ovat vuorovaikutuksessa keskenään (Zol- kiewski et al. 2017). Lisäksi B2B-sektorin ostoprosessissa muodostuu yleensä useita asiakaspolkuja, sillä B2B-asiakkaat yleensä ostavat useita tuotteita samalta toimittajalta (Witell et al. 2020).
4.3 Asiakaskokemuksen hallinta
Yritykset ovat alkaneet tiettyjen vuorovaikutustilanteiden sijaan parantamaan koko asia- kaspolkua. Tämä on laaja-alaisempi näkökulma asiakaskokemuksen parantamiseen, jota kutsutaan asiakaskokemuksen hallinnaksi (CXM). Tutkimuksen mukaan vuonna 2016 89 % yrityksistä odottavat kilpailevansa pääasiassa asiakaskokemuksen hallin- nalla, kun vuonna 2010 vastaava luku oli 36 % (Gartner 2014, Homburg et al. 2017 mu- kaan). Schmitt (2003, s. 25) esittelee CXM-viitekehyksen, jolla voidaan ymmärtää asia- kaskokemusta ja lisätä arvoa:
1. Asiakkaan kokemusmaailman analysoiminen 2. Kokeellisen alustan rakentaminen
3. Brändikokemuksen suunnitteleminen 4. Asiakkaan käyttöliittymän rakentaminen
5. Jatkuvaan innovaatioon sitoutuminen (Schmitt 2003, s. 25)
Kyseisellä viitekehyksellä voidaan analysoida asiakkaan kokemusta useissa vuorovai- kutustilanteissa. Se ottaa huomioon segmentoinnin ja kohdentamisen, asemoinnin, brändäyksen, palvelun ja innovaation. (Schmitt 2003, s. 42)
CXM:n keskeinen ajatus on, että suunnitellaan asiakaskokemus sellaiseksi, että se luo arvoa sekä asiakkaalle että yritykselle (Verhoef et al. 2009). Erona CXM:n ja asiakas- suhteiden hallinnalla (CRM) välillä on, että CRM keskittyy asiakassuhteiden suunnitte- luun, käyttöönottoon ja seurantaan, jotka perustuvat asiakkaan historiatietoon ja men- neeseen, kun taas CXM keskittyy jatkuvaan asiakaskokemuksen kehittämiseen. Se siis pohjautuu enemmän nykyhetkeen ja tulevaisuuteen menneen tarkastelun sijaan. (Ver- hoef et al. 2009; Holmlund et al. 2020)
Yleisimmissä tapauksissa yritysten digitaalisten teknologioiden hyödyntäminen perustuu CRM:n tarpeisiin, jossa selvitetään, mitä asiakkaista tiedetään. Ongelmana on, että yri- tykset keskittyvät usein yhteen vuorovaikutustilanteeseen jättäen huomiotta muut vuoro- vaikutustilanteet asiakaspolussa. (Meyer & Schwager 2007, Hodgkinson et al. 2021 mu- kaan). Vaikka asiakaspolkua voidaan parantaa CXM:n avulla, siihen liittyy kuitenkin te- kijöitä, joihin yritys ei pysty itse vaikuttamaan (Witell et al. 2020).
5. ASIAKASKOKEMUS JA BIG DATA
5.1 Asiakaskokemuksen hallinnan parantaminen
BDA:lla on tunnistettu olevan paljon potentiaalia CXM:n parantamisessa, sillä sen avulla voidaan saada nopeammin ymmärrettyä asiakaspolkua ja tehtyä saadun ymmärryksen pohjalta parempia parannuksia (Wedel & Kannan 2016, Holmlund et al. 2020 mukaan).
Tehdyn tutkimuksen (McColl-Kennedy et al. 2019) mukaan organisaation on mahdollista tunnistaa ja eritellä vuorovaikutustilanteet, jotka toimivat hyvin tai vaihtoehtoisesti toimi- vat huonosti ja tarvitsevat kehittämistä. Esimerkiksi osa vuorovaikutustilanteista olivat sellaisia, joita tutkittava organisaatio ei olisi tunnistanut kriittiseksi, mutta asiakkaiden mielestä ne olivat kriittisiä.
Organisaation on tärkeää kehittää vuorovaikutustilanteita asiakaskeskeisesti, sillä asiak- kaat tietävät toimittajien sijaan itse paremmin, mitä he haluavat (McColl-Kennedy et al.
2019). Sen avustamisessa BDA:aa voidaan hyödyntää asiakaskokemuksen parantami- sessa, sillä kuten McColl-Kennedy et al. (2019) osoittivat, organisaatio ei välttämättä tunnista aidosti kriittisiä vuorovaikutustilanteita ilman BDA:n hyödyntämistä. Kun asiak- kaan kannalta kriittiset vuorovaikutustilanteet saadaan tunnistettua, organisaatio kyke- nee parantamaan vuorovaikutustilanteita ja asiakaskokemusta, jotka ovat merkitykselli- siä asiakkaalle. Jos asiakaskokemusta keskityttäisiin parantamaan merkityksettömissä vuorovaikutustilanteissa, parannukset eivät välttämättä välity asiakkaalle ja asiakasko- kemus ei parane.
B2B-sektorilla asiakaskokemuksen hallinnan parantamisessa on haasteena alaluvussa 4.1 havaittu ostoprosessin monimutkaisuus, sillä siinä voi olla osallisena monia eri hen- kilöitä ja asiakaspolkuja voi olla useita (Zolkiewski et al. 2017; Witell et al. 2020). Orga- nisaatiolle voi olla tämän takia haastavaa tunnistaa tietyt asiakaspolun vuorovaikutusti- lanteet, joita sen kannattaa kehittää. BDA:lla on tunnistettu kuitenkin olevan paljon po- tentiaalia CXM:n parantamisessa (Holmlund et al. 2020), joten kun organisaatio kykenee selvittämään tämän haasteen, aidosti kriittisiä vuorovaikutustilanteita saadaan parannet- tua, mikä parantaa myös asiakaskokemusta.
5.2 Innovoinnin lisääminen
Organisaation innovatiivisuus tarkoittaa halua onnistua ja selvitä innovoimalla ja luomalla uusia ideoita (Ruvio et al. 2014, Wright et al. 2019 mukaan). Big datan mahdollistama
tiedon luonnin nopeus toimii ajurina innovoinnille (Erevelles et al. 2016, Hallikainen et al.
2020 mukaan), sillä sen hyödyntämisen myötä päätöksenteko tehostuu. Päätöksenteon tehostuminen tehostaa itsessään myös innovointia (Wright et al. 2019), sillä organisaatio kykenee luomaan paremmin uusia ideoita big dataa hyödyntämällä.
Innovointia voidaan hyödyntää strategisessa suunnittelussa. Big datalla on tunnistettu olevan arvoa markkinointiongelmien ratkaisemisessa ja differoinnin mahdollistamisessa (Gnizy 2020; Shabbir & Gardezi 2020). Kuten alaluvussa 3.5 kuvattiin, sen avulla voi- daan saada syvällisempää ymmärrystä asiakkaista, minkä avulla voidaan tunnistaa or- ganisaation kohdeasiakkaat ja differoitua kilpailijoista. Tämän johdosta voidaan luoda strategioita, joilla voidaan luoda kilpailijoista erottuvia tarjoomia markkinoille. Tämä tar- koittaa asiakaskokemuksen parantamisen kannalta sitä, että BDA:lla saadaan tunnistet- tua asiakkaiden tarpeita ja kehitettyä organisaation strategiaa siihen suuntaan, että kye- tään luomaan innovatiivisia ratkaisuja, jotka erottuvat kilpailijoista ja tarjoavat heitä pa- rempaa asiakaskokemusta asiakkaille.
Asiakkaan sitoutumista tapahtuu enemmän, jos organisaatio tarjoaa asiakkailleen akti- viteetteja, jotka ylittävät asiakkaan odotuksia tai vähintään vastaavat niitä (Kunz et al.
2017). Innovoinnin lisääntymisen seurauksena asiakaspolun vuorovaikutustilanteita voi- daan kehittää innovatiivisesti luomalla uusia ideoita, kun BDA:n avulla tunnistetaan kriit- tiset vuorovaikutustilanteet, kuten alaluvussa 5.1 kuvattiin. Kun vuorovaikutustilanteita kehitetään innovatiivisesti, ne vastaavat paremmin asiakkaiden odotuksia ja voivat jopa ylittää ne. Tämän tuloksena asiakkaan sitoutumista tapahtuu enemmän ja asiakaskoke- musta voidaan parantaa entistä paremmin, sillä asiakkaista saadaan kerättyä entistä enemmän dataa pidemmän asiakassuhteen varrelta.
Innovatiivisuudella on merkitystä myös uusien B2B-asiakassuhteiden luomisessa. Case- tutkimuksissa luotiin B2B-asiakassuhteita, joiden ostettujen palveluiden arvo saatiin toi- mitettua arvoketjussa loppuasiakkaalle asti B2C-sektorille. Big datan rooli oli merkityk- sellinen, sillä case-tutkimuksissa B2C-sektorin asiakaskokemusta saatiin parannettua innovoinnin tuloksena B2C-sektorilla, sillä B2B-sektorin tuotteet palvelivat paremmin lop- puasiakkaita. (Wright et al. 2019)
5.3 Asiakassuhteiden hallinnan parantaminen
B2B-sektorilla on tärkeää ymmärtää markkinoita ja sen sidosryhmiä reaaliaikaisesti.
BDA:lla voidaan saada enemmän ymmärrystä asiakkaista ja liiketoiminnasta melkein re- aaliajassa, jolloin voidaan kehittää personalisoituja asiakassuhteita. (Hallikainen et al.
2020) Sen avulla voidaan myös tunnistaa, ketkä asiakkaat ovat kustannustehokkaimpia ja parhaimpia kumppaneita (Schmarzo 2013, s. 24). Tällöin voidaan tehdä valintoja siitä, keiden asiakkaiden asiakaskokemuksen parantamiseen on ensisijaisesti keskityttävä, sillä eri asiakkailla voi olla erilaisia vaatimuksia ja B2B-sektorilla yksittäisten asiakkaiden ostomäärät ovat yleensä suurempia (Lilien 2016). Tämän takia yksittäisen asiakkaan vaatimukset täyttämällä voidaan vaikuttaa huomattavasti yrityksen liiketoimintaan ja or- ganisaatio pystyy kohdistamaan resurssinsa paremmin kriittisten asiakkaiden asiakas- kokemuksen parantamiseen.
BDA mahdollistaa organisaation asiakaskunnan tuntemisen tunteellisemmalla tasolla, mikä parantaa tarjooman lisäksi myös vuorovaikutusta toimittajan ja asiakkaan välillä (Sivarajah et al. 2020). Kun asiakaskunta tunnetaan paremmin, vastaavasti tunnetaan myös heidän tarpeensa paremmin, jolloin asiakaskokemusta voidaan parantaa vastaa- malla heidän yksilöllisiin tarpeisiinsa ja synnyttämään positiivisia tunteita (Kunz et al.
2017). Personalisoidut asiakassuhteet lisäävät paremman asiakaskokemuksen lisäksi asiakassuhteen suorituskykyä, joka korreloi myynnin kasvun kanssa. Asiakassuhteen suorituskyvyn lisääntyessä saadaan siis myös kasvatettua myyntiä. (Hallikainen et al.
2020)
6. YHTEENVETO
6.1 Tutkimuksen tulokset
Tutkimuksen päätutkimuskysymys oli ”Miten asiakaskokemusta voidaan parantaa big dataa hyödyntämällä B2B-sektorilla?”. Tutkimuksesta ilmenee, että big datalla on hyö- dyntämispotentiaalia asiakaskokemuksen parantamisessa. Sillä voidaan luoda arvoa eri organisaatioissa ja eri toimialoilla, ja sitä voidaan hyödyntää strategisella ja operatiivi- sella tasolla. Uudet teknologiat ja niiden kustannusten aleneminen ovat luoneet uusia mahdollisuuksia datan käsittelyyn, mikä tarjoaa big datan hyödyntämiselle hyvät puitteet.
Etuna big datan keräämisessä on normaaliin dataan verrattuna, että sillä saadaan kerät- tyä tietoa asiakkaista useammilta alustoilta ilman asiakkaan osallistamista, sillä monet asiakkaat eivät halua käyttää aikaansa esimerkiksi palautteen antamiseen. Tämä palve- lee asiakaslähtöistä ajattelutapaa, sillä big datan avulla saadaan kerättyä asiakasdataa ilman asiakkaalta vaadittavaa erillistä syötettä. Datan keräämisen ja hyödyntämisen haasteeksi ilmeni, että asiakkaan ja toimittajan välisestä vuorovaikutuksesta muodos- tuva data on osoittautunut olevan usein hyödytöntä asiakaskokemuksen kuvaamisessa.
Se johtuu mahdollisesti siitä, että B2B-sektorin asiakaspolkua on vaikeampi ymmärtää, sillä ostotapahtumia voi tapahtua monia samaan aikaan ja useat henkilöt voivat olla vuo- rovaikutuksissa keskenään. Oleellinen asia big datan hyödyntämisessä on, että oikeaa dataa käytetään oikeassa kontekstissa.
Asiakassuhteet eroavat B2B- ja B2C-sektorien välillä merkittävimmin ostokäyttäytymi- sessä, sillä B2B-asiakas on tyypillisesti paljon rationaalisempi ostaja, ja yhden henkilön sijaan B2B-asiakas voi olla monen henkilön organisaatio. Asiakkaita on myös vähem- män, mutta ostomäärät ovat suurempia, joten yksittäinen B2B-asiakas on merkitykselli- sempi liiketoiminnan kannalta. Koska B2B-asiakas on rationaalisempi ostaja, hänen tar- peitaan on vaikeampaa tyydyttää. Tämän takia asiakassuhteiden hallinta ja asiakasko- kemuksen parantaminen on B2B-sektorilla tärkeää.
Tutkimuksen tärkeimmät tulokset ovat konkreettiset big datan hyödyntämismahdollisuu- det asiakaskokemuksen parantamisessa, joita tunnistettiin olevan useita. Ensimmäiseksi BDA:aa hyödyntämällä saadaan parempaa ymmärrystä asiakaspolusta, minkä pohjalta asiakaskokemusta saadaan parannettua. Organisaation on mahdollista eritellä vuorovai- kutustilanteet asiakaspolussa ja tunnistaa sellaiset, jotka vaativat kehittämistä.
Toiseksi organisaatio voi lisätä innovointia BDA:n avulla, jonka avulla voidaan differoitua strategisesti ja kehittää innovatiivisia tarjoomia markkinoille, jotka erottuvat kilpailijoista ja tarjoavat heitä parempaa asiakaskokemusta. Innovoimalla organisaatio kykenee tar- joamaan myös asiakkaan odotuksia ylittäviä uusia aktiviteetteja, jotka lisäävät asiakkaan sitoutumista. Se mahdollistaa paremman asiakaskokemuksen parantamisen, sillä asiak- kaasta saadaan kerättyä enemmän dataa pidemmän asiakassuhteen varrelta. Lisäksi organisaation innovatiivisuutta saatiin ylläpidettyä BDA:n avulla, millä saatiin parannet- tua asiakaskokemusta. Case-tutkimuksessa big datan avulla saatiin luotua B2B-asiakas- suhteita, jotka toimittivat arvoa loppuasiakkaalle arvoketjussa, mikä paransi loppuasiak- kaan asiakaskokemusta.
Viimeiseksi BDA:lla löydettiin olevan potentiaalia myös asiakassuhteiden hallinnassa, sillä sen avulla saadaan ymmärrystä asiakkaasta melkein reaaliajassa. Tällöin pystytään kehittämään personalisoituja asiakassuhteita tärkeiden asiakkaiden kanssa. Heidät on myös mahdollista tuntea tunteellisemmalla tasolla, mikä luo hyvät lähtökohdat entistä tehokkaampaan asiakaskokemuksen parantamiseen ja organisaatio kykenee tunnista- maan kriittiset asiakkaat, joihin asiakaskokemuksen parantaminen täytyy ensisijaisesti kohdistaa.
Asiakaskokemusta voidaan siis parantaa monella tavalla big dataa hyödyntämällä. Or- ganisaatioiden on kannattavaa hyödyntää BDA:aa osana päätöksentekoa, sillä tunniste- tuilla asiakaskokemusta parantavilla hyödyntämismahdollisuuksilla huomattiin olevan myös muita positiivisia vaikutuksia. Asiakaskokemuksen parantamisen lisäksi tunnistet- tiin, että samalla voidaan kasvattaa organisaation myyntiä ja luoda kilpailuetua muihin nähden. BDA:n hyödyntämisen lisäksi organisaation on muutettava omaa näkökulmaa toimittajalähtöisestä näkökulmasta asiakaskeskeiseen näkökulmaan, jotta asiakaskoke- muksen parantaminen oikeasti palvelee asiakkaiden tarpeita. Tarkoituksena asiakaskes- keisessä näkökulmassa on, että yrityksen ratkaisut integroituvat asiakkaiden liiketoimin- taan, minkä tuloksena asiakkaan kokema arvo lisääntyy paremman asiakaskokemuksen kautta.
6.2 Tutkimuksen arviointi
Tutkimus toteutettiin kirjallisuustutkimuksena hyödyntämällä Finkin (2014) prosessimal- lia. Löydettyjä päätutkimusaineiston lähteitä selattiin osittain systemaattisesti läpi ja lop- putuloksena löydettiin sopiva määrä pääaineistoa, joka koostui yhdeksästä lähteestä.
Kaikki tutkimuksessa käytettävä aineisto oli vertaisarvioitua ja kaikki relevantiksi luoki-
teltu tutkimusaineisto otettiin mukaan kirjallisuustutkimukseen. Tutkimuksen taustakirjal- lisuutta ei käyty ollenkaan systemaattisesti läpi, sillä sitä ei katsottu kannattavaksi tutkit- tavan aiheen kannalta, koska sillä ei vastattu suoraan päätutkimuskysymykseen.
Tutkimus yhdistää aikaisempia tutkimuksia ja kirjallisuutta yhteen yhdeksi kokonaisuu- deksi, josta lukija saa tarvittaessa tutkitusta aihepiiristä tietoa koostetusti. Se tarjoaa lu- kijalle uuden näkökulman asiakaskokemuksen parantamiseen big datan avulla. Tässä työssä sitä tutkittiin B2B-sektorin näkökulmasta. Samalla tutkimuksessa sivutaan muita vaikutuksia, joista organisaatio voi asiakaskokemuksen parantamisen ohella hyötyä.
Tutkimuksen tavoitteena oli löytää ja analysoida asiakaskokemuksen parantamismah- dollisuuksia B2B-sektorilla big datan avulla sekä tutkia asiakaskokemusta ja sen muo- dostumiseen liittyviä eroja B2B- ja B2C-sektoreilla. Molempiin kysymyksiin löydettiin sel- keitä vastauksia, joten siltä osin tutkimuksen voidaan todeta olevan onnistunut.
6.3 Jatkotutkimusmahdollisuudet ja rajoitteet
Tutkimuksen rajauksessa jätettiin organisaatioiden big datan hyödyntämisen kompe- tenssit pois, joka on selkeä rajoite tässä tutkimuksessa. Tämä on vastaavasti myös sel- keä jatkotutkimusmahdollisuus, johon tutkimusta voisi laajentaa, sillä big datan hyödyn- täminen vaatii organisaatiolta investointeja resursseihin ja muutosta organisaation kult- tuurissa analyyttiseen suuntaan, jotta big dataa voidaan ylipäätään hyödyntää päätök- senteossa (Schmarzo 2013, s. 63; Wright et al. 2019).
Toinen rajoite tutkimuksessa on, että tutkimusaineistossa oli suhteellisen vähän empiiri- seen tutkimukseen perustuvaa tietoa ja suurin osa niistä oli keskittynyt tietyille toimi- aloille. Jatkotutkimusta voisi tehdä tutkimalla aihetta lisää empiirisellä tasolla ja mielel- lään mahdollisimman monella eri toimialalla. Tällöin tuloksia voisi soveltaa mahdollisim- man laajasti ja ne olisivat yleispätevämpiä.
LÄHTEET
2020. Gartner Says 74% of Customer Experience Leaders Expect Budgets to Rise in 2020. Targeted News Service. Saatavilla www-osoitteessa:
https://www.proquest.com.libproxy.tuni.fi/docview/2338969214?accountid=14242 (Lu- ettu 14.4.2021).
Bartosik-Purgat, M. & Ratajczak-Mrożek, M., 2018. Big Data Analysis as a Source of Companies' Competitive Advantage: A Review. Entrepreneurial Business and Econom- ics Review, vol. 6, no. 4, pp. 197.
Big Data and Cognitive Computing, 2021. NLP-Based Customer Loyalty Improvement Recommender System (CLIRS2). Big Data and Cognitive Computing, vol. 5, no. 1, pp.
4.
Chan, J.O., 2014. Big data customer knowledge management. Communications of the IIMA, vol. 14, pp. 45.
Corea, F., 2019. An introduction to data: everything you need to know about AI, big data and data science. Cham, Switzerland: Springer, pp. 131.
Fink, A., 2014. Conducting research literature reviews: from the Internet to paper. 4th ed. Thousand Oaks (Calif.): Sage
Gnizy, I., 2020. Applying big data to guide firms’ future industrial marketing strategies.
The Journal of Business & Industrial Marketing, vol. 35, no. 7, pp. 1221–1235.
Hallikainen, H., Savimäki, E. & Laukkanen, T., 2020. Fostering B2B sales with cus- tomer big data analytics. Industrial Marketing Management, vol. 86, pp. 90–98.
Hodgkinson, I.R., Jackson, T.W. & West, A.A., 2021. Customer experience manage- ment: asking the right questions. The Journal of Business Strategy, vol. ahead-of-print.
Holmlund, M., Van Vaerenbergh, Y., Ciuchita, R., Ravald, A., Sarantopoulos, P., Or- denes, F.V. & Zaki, M., 2020. Customer experience management in the age of big data analytics: A strategic framework. Journal of Business Research, vol. 116, pp. 356–365.
Homburg, C., Jozic, D. & Kuehnl, C., 2017. Customer experience management: toward implementing an evolving marketing concept. Journal of the Academy of Marketing Sci- ence, vol. 45, pp. 377.
Hurwitz, J., Nugent, A., Halper, F. & Kaufman, M., 2013. Big data for dummies. 1st ed.
Indianapolis, Ind: John Wiley & Sons, pp. 472.
Kunz, W., Aksoy, L., Bart, Y., Heinonen, K., Kabadayi, S., Ordenes, F.V., Sigala, M., Diaz, D. & Theodoulidis, B., 2017. Customer engagement in a Big Data world. The Journal of Services Marketing, vol. 31, no. 2, pp. 161–171.
Laihonen, H., Hannula, M., Helander, N., Ilvonen, I., Jussila, J., Kukko, M., Kärkkäinen, H., Lönnqvist, A., Myllärniemi, J., Pekkola, S., Virtanen, P., Vuori, V. & Yliniemi, T., 2013. Tietojohtaminen. Tampereen teknillinen yliopisto, Tietojohtamisen tutkimuskes- kus Novi.
Lecoeuvre, L., Turner, R. & Kuppelwieser, V.G., 2021. Customer experience in the B2B area: The impact of age-related impressions. Journal of Retailing and Consumer Ser- vices, vol. 58, pp. 102–216.
Lilien, G.L., 2016. The B2B Knowledge Gap. International Journal of Research in Mar- keting, vol. 33, no. 3, pp. 543–556.
McColl-Kennedy, J., Zaki, M., Lemon, K.N., Urmetzer, F. & Neely, A., 2019. Gaining Customer Experience Insights That Matter. Journal of Service Research: JSR, vol. 22, no. 1, pp. 8–26.
Müller, S.D. & Jensen, P., 2017. Big data in the Danish industry: application and value creation. Business Process Management Journal, vol. 23, no. 3, pp. 645–670.
Schmarzo, B., 2013. Big data: understanding how data powers big business. 1st ed. In- dianapolis, IN: John Wiley & Sons, pp. 242.
Schmitt, B.H., 2003. Customer Experience Management: A Revolutionary Approach to Connecting with Your Customers. Hoboken: John Wiley & Sons, pp. 259.
Shabbir, M.Q. & Gardezi, S.B.W., 2020. Application of big data analytics and organiza- tional performance: the mediating role of knowledge management practices. Journal of Big Data, vol. 7, no. 1, pp. 17.
Sivarajah, U., Irani, Z., Gupta, S. & Mahroof, K., 2020. Role of big data and social me- dia analytics for business to business sustainability: A participatory web context. Indus- trial Marketing Management, vol. 86, pp. 163–179.
Verhoef, P.C., Lemon, K.N., Parasuraman, A., Roggeveen, A., Tsiros, M. & Schle- singer, L.A., 2009. Customer Experience Creation: Determinants, Dynamics and Man- agement Strategies. Journal of Retailing, vol. 85, no. 1, pp. 31–41.
Wamba, S.F., Akter, S., Trinchera, L. & De Bourmont, M., 2019. Turning information quality into firm performance in the big data economy. Management Decision, vol. 57, no. 8, pp. 1756–1783.
Witell, L., Kowalkowski, C., Perks, H., Raddats, C., Schwabe, M., Benedettini, O. &
Burton, J., 2020. Characterizing customer experience management in business mar- kets. Journal of Business Research, vol. 116, pp. 420–430.
Wright, L.T., Robin, R., Stone, M. & Aravopoulou, D.E., 2019. Adoption of Big Data Technology for Innovation in B2B Marketing. Journal of Business-to-Business Market- ing, vol. 26, no. 3-4, pp. 281–293.
Yang, Y., See-To, E.W.K. & Papagiannidis, S., 2020. You have not been archiving emails for no reason! Using big data analytics to cluster B2B interest in products and services and link clusters to financial performance. Industrial Marketing Management, vol. 86, pp. 16–29.
Zolkiewski, J., Story, V., Burton, J., Chan, P., Gomes, A., Hunter-Jones, P., O'Malley, L., Peters, L.D., Raddats, C. & Robinson, W., 2017. Strategic B2B customer experi- ence management: the importance of outcomes-based measures. The Journal of Ser- vices Marketing, vol. 31, no. 2, pp. 172–184.
LIITE A: TUTKIMUKSEN AINEISTO
Tutkimus Tutkimuksen tyyppi
Tutkimusmenetelmät ja -aineisto
Tulokset Rajoitteet ja jatkotutkimustarpeet
Schmarzo 2013, kap- paleet 1, 3 ja 6
Kirja Ei tiedossa Big datan yleistyminen muuttaa liiketoi- mintaa. Se on kuitenkin enemmän liike- toiminnan muutosta kuin IT:n muutosta.
Organisaation on luotava big data -stra- tegia, jotta big datan hyödyntäminen tuo arvoa liiketoimintaan.
Ei tiedossa
Yang et al.
2020
Tieteellinen artikkeli
Empiirinen tutkimus:
Yrityksen datan analy-
sointi ja sen
benchmarkkaus yrityk- sen asiantuntijoiden kanssa
LDA-mallin tarkkuus oli 80 % asiantunti- joiden määrittelemistä aiheista. Big da- tasta saadaan NLP-metodilla tehokkaasti tietoa ulos. Se on myös tehokasta, kun dataa hyödynnetään organisaation si- sältä, tässä tapauksessa sähköpostit.
Vain yhtä yritystä tutkittiin, joten big datan prediktiivinen mahdollisuus voi olla muilla toimialoilla heikompi. Tätä voisi tutkia muilla toimialoilla.
Hallikainen et al. 2020
Tieteellinen artikkeli
Empiirinen tutkimus:
Korkean tason johtajille lähetetty kysely big da- tan käytöstä (n = 551, joista 417 on B2B-sek- torilla)
Asiakkaiden BDA parantaa asiakassuh- teiden hallintaa ja kasvattaa myyntiä.
Siten siihen investointi on kannattavaa.
Tutkimus keskittyi tutkimaan B2B asiakas- suhteita ja mallintamaan BDA:n tuomia hyötyjä. Dataa kerättiin useilta toimialoilta.
Tutkimusta voisi jatkaa johtamisen ja IT:n tasolle, jotta ymmärretään, millä puitteilla BDA:lla saadaan kilpailuetua.
Sivarajah et al. 2020
Tieteellinen artikkeli
Kirjallisuustutkimus ja empiirinen tutkimus:
Kestävyys- ja teknolo- giajohtajia suurista yri- tyksistä haastateltiin (n
= 9)
Liiketoiminta pitäisi olla sisällytetty kestä- vyystavoitteisiin. Johtajien on tärkeä huo- mioida sidosryhmien tarpeita, jotta liike- toiminta on kestävää.
Tutkimustulokset eivät perustu empiirisiin havaintoihin. Big datan ja someanalytiikan väärinkäyttöä voisi tutkia lisää.
Zolkiewski et al. 2017
Tieteellinen artikkeli
Kirjallisuustutkimus Asiakaspalautetta saadaan kerättyä mo- nilla tavoilla. Tärkeää olisi tietää, mitä tunteita asiakkaalla on palvelun käytön eri vaiheissa.
Tutkimustulokset eivät perustu empiirisiin havaintoihin. Jatkotutkimusta voisi tehdä empiirisesti testaamalla esim. kuinka eri vuorovaikutustilanteet vaikuttavat asiakas- kokemukseen ja miten aika myös vaikuttaa tähän.
Holmlund et al. 2020
Tieteellinen artikkeli
Kirjallisuustutkimus Dataa kertyy paljon eri kosketuspin- noissa asiakkaan toimiessa. Viitekehys tälle kehitettiin. BDA:lla on selkeästi po- tentiaalia asiakaskokemuksen paranta- misessa, mutta on tunnistettava, mihin pisteeseen asti datalla voidaan kuvata asiakaskokemusta.
Rajoitteita ei oikein selkeästi tuotu esille.
On tutkittava, mitä big data -analytiikalla saadaan hyötyjä asiakaskokemuksen tu- eksi.
McColl- Kennedy et al. 2019
Tieteellinen artikkeli
Empiirinen tutkimus:
Kehitettiin viitekehys, jota testattiin vertaa- malla toiseen dataset- tiin
Luotiin viitekehys asiakaskokemuksesta, joka integroi aiempaa tutkimusta. Sitä testattiin käytännössä käyttämällä teks- tinlouhintamallia. Se mahdollistaa organi- saatioiden ymmärtää ja parantaa parem- min asiakaskokemusta.
Viitekehystä voi testata edelleen muissa palvelukonteksteissa. Lisäksi asiakkaiden tunteita voi tutkia syvällisemmin. Rajoitteita ei ole tiedossa.
Wright et al.
2019
Tieteellinen artikkeli
Empiirinen tutkimus:
Neljä erilaista case-tut- kimusta
Innovoinnilla on keskeinen merkitys uu- sien B2B-asiakassuhteiden luomisessa ja markkinoinnin mahdollisuuksien hyö- dyntämisessä. Sen tuoma arvo riippuu big datan piirteistä ja siitä, kuinka sillä saadaan toimitettua arvoa.
Case-tutkimukset käsittelevät organisaa- tioita, jotka ovat hyödyntäneet big dataa ja datanlouhintaa onnistuneesti. Tutkimusta voisi jatkaa niin, että siinä on mukana yri- tyksiä eri toimialoilta.
Klink et al.
2020
Tieteellinen artikkeli
Empiirinen tutkimus:
CXM:ia hyödyntäville yrityksille lähetetty ky- sely 10 eri toimialalle (n
= 233)
CXM:lla on positiivinen vaikutus organi- saation taloudelliseen suorituskykyyn.
Vaikutus kasvaa markkinoiden ja tekno- logian turbulenssin ja kilpailun intensitee- tin kasvaessa.
Rajoitteet liittyvät sisäisesti raportoituihin mittareihin. Tutkimusta voi jatkaa tutkimalla muita muuttujia suhteessa CXM:iin.
