ALKUPERÄINEN TILANNE
Asiakas oli ulkoistanut koko asiakaspalauteprosessinsa. Alihankkija hoiti kaavakkeen suunnittelun, keräyksen toteutuksen, tulosten käsittelyn ja raportin tuottamisen. Asiakas halusi käyttää osittain samoja kysymyksiä kuin aikaisempina vuosina, jotta olisi mahdollista vertailla tuloksia. Uusia kysymyksiä oli lisätty. Useat vertailukäyrät osoittivat, että pientä edistystä oli tapahtunut, mutta käytännössä asiakkaat eivät olleet tyytyväisiä. Koveneva kilpailu oli johtanut siihen, että hintoja oli ollut pakko laskea. Yrityksen johto ei ollut varma siitä miten yrityksen toimintaa pitäisi kehittää.

ASIAKKAAN ONGELMA
Asiakas tiesi, että laatu ei ollut riittävän hyvä. Mutta suuri määrä pylväsdiagrammeja, jotka näyttivät, miten asiakkaiden tyytyväisyys jakautui eri kysymysten osalta, ei antanut kuvaa siitä mitä toimintaa kannattaisi kehittää ja miten. Raportti esitti lukuisia summagraafeja, mutta ei sitä, missä segmenteissä asiakkaat olivat keskimääräistä tyytymättömämpiä tai minkälaisia ryhmiä tyytymättömät asiakkaat muodostivat. Pahimmat tapaukset olivat toki tiedossa. Asiakas myös epäili, että palautejärjestelmässä oli liikaa kysymyksiä ,mikä oli johtanut siihen, että vastausten laatu oli heikko.

RATKAISU LYHYESTI
BayesIT kutsuttiin konsultoimaan datan analysoinnissa. Ensi vaiheessa koko vastausmassasta tehtiin taulukko, josta BayMinerin avulla laskettiin ns. yleinen malli. Mallia visualisoitaessa asiakaspalautetapauksissa syntyy yleensä pitkänomainen pistepilvikuva, jonka toisessa laidassa sijaitsevat pisteet edustavat kokonaisvaltaisesti tyytymättömiä asiakkaita ja toisessa päässä näkyvät tyytyväiset asiakkaat.

Analyysi toteutettiin kolmessa vaiheessa. Tämä vastasi karkeasti ottaen kolmea tyytyväisyystasoa siten, että BayMiner oli ottanut kaikki vastaukset huomioon tasoa määriteltäessä. Eri kysymysten painoarvo määräytyi sen mukaan, miten voimakkaita korrelaatioita BayMiner löysi datasta. Ensi vaiheessa otettiin tutkittavaksi keskimmäinen kolmannes, jolloin saatiin profiili niistä asiakkaista, joihin piti kiinnittää huomiota. Profiili osoitti välittömästi, että yrityksellä oli ongelmia. Lisäksi ilmeni myös välittömästi, että osa kysymyksistä oli ymmärretty väärin ja että niitä oli ollut liikaa.

Selvästi tyytymättömien muodostama kolmannes kuvasi niitä asiakkaita, joiden toimitukset olivat menneet huonosti ja syyt olivat jo tiedossa, joten sen profiilia tutkittiin vain varmistamaan, että datassa ei piillyt sellaista tietoa, josta yritys ei ollut tietoinen. Tyytyväisten muodostama kolmannes kuvasi niitä asiakkaita, jotka olivat kokonaisvaltaisesti tyytyväisiä, joten sitä ei tarvinnut analysoida muuten kuin varmistamaan, että yksittäiset tyytymättömyyden aiheet olivat tiedossa.

ASIAKASHYÖDYT
BayesIT:n analyysiprosessin avulla asiakas löysi keskiryhmästä, ns. lievästi tyytymättömien asiakkaiden joukosta muutamia erityisryhmiä. Niiden profiilit paljastivat välittömästi asiakkaan asiantuntijoille, mistä ongelmaryppäästä kulloinkin oli kyse, jolloin johto tiesi kohdentaa kehitystoimenpiteet täsmällisesti. Perinteistä summadatalaskentaa käyttäen tämä ei olisi ollut mahdollista. Jatkossa asiakas kehitti kysymyksenasetteluja ja vähensi kysymysten määrää noin kahteenkymmeneen sekä rupesi toistamaan kyselyt useammin.

LIIKETOIMINTANÄKÖKULMA
Analyysi maksoi asiakkaalle n. 10.000 euroa josta yli puolet oli yrityksen sisäisiä kustannuksia, jotka koostuivat pääasiassa osallistuvien avainhenkilöiden ajan käytöstä. Hanke kesti noin kolme kuukautta. Asiakas käynnisti korjaavat toimenpiteet välittömästi saatuaan ensimmäiset tulokset, ja jo lyhyen ajan kuluttua laatu parani, minkä jälkeen voitiin nostaa hinnat normaalitasolle. Näin ollen takaisinmaksuaika jäi muutamaan kuukauteen.

JATKOKEHITYS
Konsultointivaiheen yksi tavoite oli, että asiakas voisi jatkossa itsenäisesti suorittaa analyysivaiheen. Eräs asiakkaan avainhenkilö oppi nopeasti käyttämään BayMiner-analyysi menetelmää, jolloin jatkossa tulokset saatiin välittömästi käyttöön ja kustannuksia säästyi. Lisäksi syvempi analyysi paljasti uusia tietoja asiakkaiden ostokäyttäytymisestä. Asiakas oppi myös yhdistämään asiakkuudenhallinta- ja taloushallintojärjestelmissään olevaa dataa palautedataan ja analysoimaan näin saatuja paljon tehokkaampia malleja. Asiakas sai samasta mallista mm. todenmukaisemman kuvan asiakaskohtaisesta kannattavuudesta.