AI-pohjainen juurisyyanalyysi - NPS:n odotettu parannus

Yksi käytetyimmistä menetelmistä asiakastyytyväisyyden mittaamisessa on Net Promoter Score (NPS). Tässä kirjoituksessa pohdimme NPS:n merkityksellisyyttä viimeaikaisen tutkimuksen valossa ja konseptin kehitystarpeita, syventäen erityisesti juurisyyanalyysin mukaan tuomisen mahdollisuuksien osalta.

NPS-image-blogi

NPS:n laskentamenetelmä

Net Promoter Score (NPS) perustuu yhteen kysymykseen: "Kuinka todennäköisesti suosittelisit yritystämme/ tuotettamme ystävälle tai kollegalle asteikolla 0–10?" Asiakkaat jaetaan vastauksensa perusteella kolmeen ryhmään: arvostelijat (arvosana 0–6), passiiviset (arvosana 7–8) ja suosittelijat (arvosana 9–10). NPS lasketaan vähentämällä arvostelijoiden prosenttiosuus suosittelijoiden prosenttiosuudesta.

NPS liiketoiminnan johtamisessa

Useat tutkimukset ovat osoittaneet NPS:n olevan vahvasti yhteydessä yrityksen kasvuun ja kannattavuuteen (mm. Keiningham et al. 2007). NPS:n kehittäjänäkin tunnettu Reichheld (2003) on osoittanut, että NPS ennustaa yrityksen kasvua paremmin kuin perinteiset tyytyväisyysmittarit. Lisäksi NPS:ää on pidetty luotettavana mittarina asiakaskokemuksen kehittämisessä ja brändin rakentamisessa (esim. Morgan & Rego, 2006).

Liiketoiminnan johtamisen näkökulmasta on keskeistä, että asiakasuskollisuudella on osoitettu olevan merkittävä vaikutus yrityksen arvonluontikyvylle (Buoye & Reichheld, 2008). Näin ollen on perusteltua ottaa NPS keskeiseksi asiakkuuksien johtamisen ohjenuoraksi.

Vastapaino: NPS:n haasteet

Vaikka NPS onkin suosittu liiketoiminnan kehittäjien työkalu, se on saanut myös kritiikkiä. Jotkut tutkijat ovat kyseenalaistaneet sen luotettavuuden ja pätevyyden asiakaskokemuksen mittarina. Esimerkiksi Rietveld ja van Rossum (2018) huomauttavat, että NPS:n yksinkertaisuus voi johtaa liian yksinkertaistettuun käsitykseen asiakastyytyväisyydestä.

Lisäksi on havaittu, että NPS:n tulokset voivat vaihdella eri toimialoilla ja kulttuureissa (Mittal & Kamakura, 2001). Lisään joukkoon vielä yhden haasteen: NPS itsessään ei vielä kerro, mihin liiketoiminnan kehittämisen toimenpiteisiin olisi tartuttava. Tähän on myös ratkaisu, palataan siihen kirjoituksen lopulla. 

NPS:n tehokas hyödyntäminen

Vaikka NPS:ää on kritisoitu sen yksinkertaisuudesta, sitä voidaan hyödyntää tehokkaasti osana laajempaa asiakaskokemuksen mittaamisen strategiaa. Esimerkiksi Verhoef ja kumppanit (2017) ehdottavat, että NPS tulisi yhdistää muihin mittareihin, kuten asiakastyytyväisyysindeksiin ja asiakasuskollisuuden mittareihin, saadakseen kattavamman kuvan asiakaskokemuksesta. Lisäksi on tärkeää analysoida NPS-tuloksia syvällisemmin ja tunnistaa keskeiset tekijät, jotka vaikuttavat asiakkaiden suositteluhalukkuuteen.

Kuva. NPS:n juurisyyanalyysi vie syvälle tekstipalautteen taakse ja teemoittelee oleelliset NPS-ajurit.

Muun muassa Borges ja Aksoy (2017) ovat tutkineet NPS:n kehittämistä poikkeavien havaintojen tunnistamisen kautta. Olemme yrityksemme kehitystyössä syventäneet ajatusta sen suhteen, että NPS:n taustalla vaikuttavat juurisyyt seulotaan esiin generatiivisen tekoälyn keinoin. Poikkevat havainnotkin tunnistuvat tässä lähestymistavassamme osana analyysia, mutta painoarvoa annetaan erityisesti voimakkaasti NPS:n vaikuttavien tekijöiden tunnistamiseen sekä näiden teemoitteluun.

Johtopäätös

Vaikka NPS:a on arvosteltu, se on tehokas työkalu asiakaskokemuksen mittaamisessa ja liiketoiminnan kehittämisessä. Yhdistämällä se muihin mittareihin ja analysoimalla tuloksia huolellisesti yritykset voivat saada arvokasta tietoa asiakkaiden tarpeista ja odotuksista, mikä auttaa parantamaan tuotteita ja palveluita sekä vahvistamaan asiakassuhteita. Samalla voidaan asiakaskuuntelua syventämällä vapauttaa asiakkaiden luovaa kapasiteettia yrityksen hyödyksi (Kristensson et al., 2002; Matthing et al. 2004), tuote- ja palvelukehitystä tukien.

Viitteet:

Borges, A., & Aksoy, L. (2017). Improving the robustness of the Net Promoter Score by detecting outliers. Journal of Service Management, 28(5), 998-1022.

Buoye, A., & Reichheld, F. F. (2008). The economics of loyalty—Unlocking the value of frontline engagement and the Net Promoter Score. Journal of Service Research, 11(4), 357-373.

Keiningham, T., Aksoy, L., Buoye, A., & Cooil, B. (2007). Customer metrics and their impact on financial performance. Marketing Science, 26(3), 305-315.

Kristensson, P., Magnusson, P. R., & Matthing, J. (2002). Users as a hidden resource for creativity: Findings from an experimental study on user involvement. Creativity and Innovation Management, 11(1), 55-61.

Matthing, J., Sandén, B., & Edvardsson, B. (2004). New service development: Learning from and with customers. International Journal of Service Industry Management, 15(5), 479-498.

Mittal, V., & Kamakura, W. A. (2001). Satisfaction, Repurchase Intent, and Repurchase Behavior: Investigating the Moderating Effect of Customer Characteristics. Journal of Marketing Research, 38(1), 131-142.

Morgan, N. A., & Rego, L. L. (2006). The Value of Different Customer Satisfaction and Loyalty Metrics in Predicting Customer Retention, Recommendation, and Share-of-Wallet. Managing Service Quality: Managing Service Quality: An International Journal, 16(5), 395-412.

Reichheld, F. F. (2003). The One Number You Need to Grow. Harvard Business Review.

Rietveld, P., & van Rossum, W. (2018). The Net Promoter Score: A Critical Examination of the Method and Its Limitations. In The Customer Success Economy: Why Companies Struggle to Adopt Customer-Centric Practices and What to Do About It.

Verhoef, P. C., Franses, P. H., & Hoekstra, J. C. (2017). The Effectiveness of Different Customer Feedback Metrics for Loyalty: An Exploratory Study. Journal of Retailing and Consumer Services, 37, 1-11.

 

Related Posts

November 1, 2023

Joko teidän henkilöstökyselyissänne mitataan eNPS:ää?

Our 2D graph representation allows you to easily interpret and visualize your data, making it simple to identify trends and patterns.

October 13, 2023

Laadullinen tutkimus

Our 2D graph representation allows you to easily interpret and visualize your data, making it simple to identify trends and patterns.

August 23, 2021

Valitse oikea kysymystyyppi - tässä opas

Our 2D graph representation allows you to easily interpret and visualize your data, making it simple to identify trends and patterns.