1
Upravljanje korisničkim iskustvom počinje prikupljanjem uvida u čemu analitika blista
Što je analitika
(Prediktivna) analitika je dio područja koje se danas naziva „Data science“. Analitika je posvećena prikupljanju djelotvornih uvida odnosno uvida koji nam omogućuju usmjeravanje našeg djelovanja. Analitika procjenjuje moguće buduće scenarije korištenjem naprednih statističkih metoda. Također koristi umjetnu inteligenciju u cilju predviđanja ponašanja sustava ili entiteta. Zašto je to bitno za korisničko iskustvo? Upravljanje korisničkim iskustvom prema Gartneru pokriva:
- Prikupljanje uvida
- Stvaranje strategija korisničkog iskustva
- Oblikovanje korisničkog iskustva
Drugim riječima, upravljanje korisničkim iskustvom počinje prikupljanjem uvida u čemu analitika blista. Kako dolazimo do uvida? Skupljanjem podataka kroz korisnička istraživanja, povratnim informacijama od korisnika te analitikom koraka kroz koje prolaze naši korisnici.
Što nam uvidi omogućuju
Poslužio bi se primjerom zmije Erpeton tentaculatum. Radi se o zmiji koja se hrani ribom i živi u vodi. Ona je posebna po načinu lova. Kad se gleda usporeno izgleda kao da predviđa gdje će riba pobjeći. U stvarnosti ona mikropomacima u stražnjem djelu vrata pokreće valove koji kod riba aktiviraju bijeg. A to junak naše priče čeka. Naš Erpeton poznaje ribu, zna što riba očekuje i kako može reagirati u pojedinoj situacije te zbog toga točno zna gdje će riba biti kad je „potakne“ i ona krene bježati.
Sličnu stvar želimo ostvariti uvidima o korisnicima i njihovim iskustvima - upoznati korisnike i razumjeti kako možemo utjecati na njihovu percepciju te „pogurati“ ih u našem pravcu.
Točnije, želimo razumjeti povezanost događaja koji u pojedinim situacijama imaju utjecaja an našu organizaciju. Ono što se u stvarnosti događa je: događaj pokrene kod korisnika emociju zbog koje se korisnik ponaša na određeni način te to korisnikovo ponašanje ima utjecaj na našu organizaciju. Primjer je osoba koja je kupila TV prijemnik koji se ne može upaliti na dan polufinala svjetskog prvenstva. Frustracija i bijes takve osobe je dovoljno velik da sjeda u automobil i vozi se do trgovine u kojoj je kupio televiziju te traži povrat novca. Dakle kvar televizije u tom trenutku je utjecao na trgovinu jer je trgovina izgubila prihod. Naravno postoje i situacije kad je utjecaj na organizaciju povoljan jer nisu svi događaji negativni.
Kada uspijemo povezati ovaj lanac „događaj – emocija – ponašanje – utjecaj“ u sljedećem koraku možemo i djelovati. Djelovati možemo ili na događaj koji dovodi do utjecaja ili u slučaju da ne možemo utjecati na događaj djelujemo na emocije. Ovakav pristup podržava upravljanje i odlučivanje temeljeno na podacima. U nastavku ovog teksta opisati ću primjere korištenja analitike te primjer modela korištenog za predviđanje potencijalnih kupaca.
U nastavku slijede primjeri korištenja analitike za unaprjeđenje korisničkog iskustva te primjer prediktivnog modela.
Primjeri korištenja analitike
Što može organizacija dobiti ovakvim pristupom pokazao bih na primjeru koji je u rujnu prikazao Swisscom na konferenciji „Customer Experience Management in Telecoms Europe“.
Prvi primjer: Korisnici su se žalili na kvalitetu mobilne mreže. Korisnici koji su se žalili radili su i živjeli na različitim lokacijama. Kako god da su inženjeri provjeravali mrežu, izgledalo je sve u redu. U jednom trenutku su se odlučili provjeriti na kojim su se baznim postajama kretali korisnici koji su se žalili. Ispostavilo je da su svi ti korisnici u jednom djelu dana prolazili kroz iste bazne stanice - korisnici koji su se žalili vraćali su se autocestom sa posla i kad bi zapeli u gužvi telefonirali bi. Kako mreža na tim mjestima nije dovoljno gusta za takvo opterećenje imali su problema sa povezivanjem. Problem je riješen dodavanjem baznih stanica.
Drugi primjer: Svi telekomi na ovaj ili onaj način provjeravaju zadovoljstvo korisnika radom djelatnika pa tako i Swisscom prati zadovoljstvo korisnika tehničarima. Odlučili su podići zadovoljstvo, ali ciljanu vrijednost nikako nisu uspjeli postići. Rudarenjem po podacima našli su da određene vrste korisnika daju više ocjene određenim vrstama tehničara. Zatim su segmentirali i tehničare i korisnike po tim karakteristikama i doveli do toga da su postigli ciljane visoke ocjene. Kako? Slali su korisnicima tehničare za koje su sa vjerovali da će biti simpatični korisnicima.
Primjer prediktivnog modela
Ključni dio u bilo kojoj analitici nije model. Bitno je poznavati podatke sa kojima baratamo te ih organizirati, pojednostaviti ili obogatiti na način koji odgovara cilju modela. Kažu da se u praksi projekt strojnog učenja sastoji od 60% traženja, kreiranja i transformiranja podataka, 35% programiranja koje nema nikakve veze sa strojnim učenjem te 5% stvarnog rada na modelu. Zbog toga je za ovakve aktivnosti, osim znanja programiranja, statistike i slično, nužno imati i znanje o području rada.
Model sam po sebi izgleda jednostavno što možemo vidjeti iz sljedeće slike:
Slika prikazuje model koji ima 10 ulaznih i 2 izlazne vrijednosti, 2 skrivena sloja i predviđa sa 80%-tnom točnosti. Cijeli model je bio dugačak 2000 znakova (dakle manje od ovog teksta) te je napisan u jeziku Python korištenjem modula TensorFlow. Sve ovo ne pišem radi umanjenja složenosti. Puno je detalja koji mogu utjecati na kvalitetu modela. Puno je znanja potrebno da bi se model mogao razumjeti te interpretirati podatke.
I što sad?
Organizacije danas skupljaju ogromne količine podataka. Vjerujem da i Vaša tvrtka skuplja podatke o korisnicima, proizvodnji, kvaliteti... Iskoristite te podatke za poboljšanje odnosa s korisnicima. Jer, ne zaboravite, korisničko iskustvo postaje jedina osnova za razlikovanje tvrtki, usluga i proizvoda. Pa zašto ne biste koristili i ovaj alat da ga unaprijedite?
Preporuke za nastavak istraživanja o primjeni analitike u svrhu unaprijeđenja korisničkog iskustva:
