<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">
Forventningerne til kundeoplevelsen er højere end nogensinde før, og mange flere virksomheder inden for B2B går efter at forbedre den. Men det kan være svært at vide, hvilken indsats der giver det bedste afkast, hvis du ikke ved, hvor du står i dag.

Her gennemgår vi tre KPI'er, som du kan anvende til at få et tydeligt billede af den kundeoplevelse, du tilbyder dine kunder – og som viser, hvilke ændringer du kan foretage. Nøgletallene er kundefrafald, Net Promoter Score og Customer Lifetime Value.

1. Behold dine kunder længere via reduceret kundefrafald

68 procent af kunder forlader en virksomhed, fordi de tror, at virksomheden ikke interesserer sig for dem 1

Kundefrafald (Churn Rate på engelsk) handler om andelen af kunder, som forlader din virksomhed. Det har en tydelig sammenhæng med kundeoplevelsen, da en mangelfuld kundeoplevelse er en af de største årsager til, at kunder går over til en konkurrent. I det nye normale er fokus i langt højere grad skiftet til eksisterende kunder, særligt i forhold til "After Market". Derfor er kundefrafald et vigtigt mål for, om I tilfører tilstrækkeligt meget værdi også efter et køb med for eksempel tilpassede tjenester, support og service.

Start med at spørge kunderne, hvorfor de forlader jer

Den mest almindelige måde er at anvende et spørgeskema. Det kan være svært at få svar, men giv ikke op. Vis, at du interesserer dig for dine kunder med mere personlig kommunikation.

Med den seneste AI-teknologi i ryggen skulle du også kunne skabe en model til maskinel indlæring, som opfanger, når kunder er i farezonen for at forlade jer. På den måde kan I arbejde mere proaktivt med at adressere deres problem, før det er for sent.

Kundeoplevelse-KPI-Reducer-kundefrafald

2. Tag temperaturen på kundeloyaliteten med NPS

74 procent af ledelsesmedlemmer ser en sammenhæng mellem kundeoplevelsen og kundeloyaliteten 2

NPS (som står for Net Promoter Score på engelsk) måler, hvor villig en kunde er til at anbefale dit varemærke. Det vil sige kundeloyalitet.

Nøgletallet koges ned til et enkelt spørgsmål: “Hvor sandsynligt er det, at du vil anbefale os til en ven eller bekendt?" Ifølge Bain & Companys Fred Reichheld, som opfandt nøgletallet, er en NPS på 50+ meget godt og omkring 75 i verdensklasse.

Hvordan ser jeres NPS ud i dag?

Tænk på, at inden for B2B er der ofte flere kontaktpersoner hos din kunde, som er indblandet i forretninger med jer. Hvordan sørger I for, at alle er tilfredse? Nogle gange kan der være for mange kokke, og det kan være svært for kunden at holde styr på alle oplysninger om aftalte tjenester og relevante produkter. Her kan du gøre det lettere for dem ved at forenkle administrationen af bestillinger og kontaktpersoner sammen med god selvbetjening som for eksempel en kundeportal. På den måde synliggøres alle transaktioner og al kommunikation, så samtlige kontaktpersoner hos kunden opnår en transparens i samarbejdet med jer.

3. Gå efter mere tilfredse kunder over tid med CLV

Virksomheder med kundeoplevelsen i fokus har 1,6 gange højere CLV 3

CLV (som står for Customer Lifetime Value på engelsk) handler om kundens livstidsværdi. Det vil sige, hvor meget en kunderelation er værd. Dermed tager nøgletallet temperaturen på, hvor stærke kunderelationer I har, hvilket hænger meget tæt sammen med kundeoplevelsen. CLV tager et helhedsperspektiv og er mere langsigtet end øvrige nøgletal. Samtidig har det en stærkere kobling til virksomhedens økonomiske resultat. CLV passer godt til at måle kundeoplevelsens effekter over en bred front og over en længere periode og til at vise ROI på kundeoplevelsesprogrammet.

Tænk på, at mersalg kan være en god måde at forbedre CLV på

Personlige anbefalinger af tilhørende produkter og tjenester i forbindelse med køb er noget, som B2B-indkøbere i højere og højere grad forventer. Selvom du har en langsigtet aftale med en større kunde, betyder det ikke, at de vil handle hos dig i al evighed. Køber de mere i deres levetid, så øges deres CLV. På tilsvarende vis vil kunder, der ser værdien af at købe en dyrere og bedre variant af jeres produkt, nu sandsynligvis fortsætte med det i længere tid.

Kundeoplevelse-KPI-Tilfredse-kunder

Vil du vide mere om, hvordan digitaliseringstrenden og behovet for exceptionelle digitale købsoplevelser påvirker B2B-kundeoplevelsen?

Så skal du læse vores blog: "Det nye normale kræver nye tiltag for B2B-kundeoplevelsen".

Vil du være rigtig god til kundeoplevelser? Benyt dig af vores guide "Sådan skaber du en god kundeoplevelse i en digital hverdag":

gode-kundeopevelser-i-en-digital-hverdag


1 7 Customer Service Email Templates, SuperOffice

2 Global Insights on Succeeding in the Customer Experience Era, Oracle

3 The Business Impact Of Investing In Experience, Forrester på uppdrag av Adobe

Emne

Kommenter indlæg

Recommended posts

If you organize your data and use AI strategically, you can make better decisions faster. You can for example improve your market understanding and forecasting, optimize your maintenance or reduce food waste. Choose what is most important for you!
Demand forecasters do the impossible — predict what products and services customers want in the future. Their forecasts inform decision-making about production and inventory levels, pricing, budgeting, hiring and more. "While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts." The goal is to produce exactly the amount of product to meet demand. No more. No less. Demand forecasting is used to anticipate the demand with enough time to manufacture the right stock to get as close to this reality as possible. The cost is high if you don’t get it right. Your customers will go to your competitors if you don’t have what they need. Unfortunately, capacity, demand and cost aren’t always known parameters. Variations in demand, supplies, transportation, lead times and more create uncertainties. Ultimately demand uncertainties greatly influence supply chain performance with widespread effects on production scheduling, inventory planning and transportation. On the heels of the global pandemic, supply chain disruptions and a pending economic downturn, many demand forecasters wish for a crystal ball. While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts.
If you have identified possible AI use cases for your business, the next step will be to test if they are possible to implement and if they will create great value. While there is a lot of momentum and excitement about using AI to propel your business, the reality is only 54% of AI projects are deployed. How do you ensure you’re one of the businesses that does unlock the new opportunities AI promises? Your success with AI begins by discovering AI use cases that work for your business. In the first blog of our Columbus AI blog series, we shared five areas where organizations should focus their efforts to generate ideas for AI implementations based on our experience. After generating some ideas for AI use cases that could potentially benefit your company from the first step of the Columbus AI Innovation Lab, the next step is to test which AI use cases could be operationalized by evaluating them. Columbus AI Innovation Lab
Only half of the companies starting an AI pilot project are actually executing it. The key is to choose an idea that will benefit your business. Read more about how! In 2022, 27% of chief information officers confirmed they deployed artificial intelligence (AI), according to a Gartner AI survey. Even though businesses across all industries are turning to AI and machine learning, prepare your organization before jumping on the AI bandwagon by considering a few factors. Ask yourself: Is AI necessary for achieving the project requirements or is there another way? Does your team have the skills to support AI and machine learning? How will AI impact your current operations if you adopt it? How will you integrate AI with existing systems? What are the data, security and infrastructure requirements of AI and machine learning? The Gartner AI survey found only 54% of projects made it from the pilot phase to production. After significant investment in AI, why aren’t companies deploying it? We found the problem begins when companies define a use case. Too often, companies are not identifying AI use cases that benefit their businesses and end-users will adopt. The question is then, how should companies unlock the value and new opportunities AI promises? It starts with a systematic approach for each stage of the AI life cycle. We developed the Columbus AI Innovation Lab, a comprehensive method to address and account for all challenges when adding AI to your business operations and bring stakeholders into the process at the right time to help you operationalize AI.
It doesn’t matter how good your artificial intelligence technology is. If you have bad data, you’ll get bad results. While AI is one of the most innovative and impactful innovations for businesses today, bad data can prevent AI projects from getting off the ground. Having high-quality data and following data preparation best practices are crucial for a successful AI project. In the Transform phase of the Columbus AI Innovation Lab, the one we detail here, data is collected and prepared for use by AI and machine learning (ML) algorithms. Major phases in Machine Learning Machine learning, frequently used synonymously with “artificial intelligence,” is about using predictive methods to simplify tasks. There are several essential steps to building ML models, and these steps can change based on the issue you are trying to solve and the kind of ML model you are building. However, in general, the steps involved in creating and implementing an ML model are as follows: Define: Different approaches for finding AI use cases Discover: Scope and prioritize ideas before developing an AI solution and implementation strategy Transform: Transforming the business case including data acquisition and preparation with AI/ML (current blog) Model and evaluate: Analyze and enhance the business use cases using AI/ML algorithms Deploy and support: Deployment of AI/ML models and support/monitoring to guarantee quality and effectiveness
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down