UTGÅNGSSITUATIONEN
Kunden hade utlokaliserat hela kundmätningen. En underleverantör skötte planeringen av formuläret och insamlingen, bearbetningen av resultatet och raporteringen. Kunden ville använda delvis samma frågor som tidigare för att kunna jämföra resultaten. Nya frågor hade lagts till. Flera jämförelsekurvor visade att det hade skett en viss positiv utveckling men i praktiken var deras kunder inte nöjda. En allt hårdare konkurrens hade lett till att man hade varit tvungen att sänka priserna. Kundens ledningsgrupp var inte säker på hur företagets drift skulle utvecklas.

KUNDENS PROBLEM
Kunden visste att kvaliteten inte var tillräckligt bra. Men ett stort antal stapeldiagram som visade hur deras kunders nöjdhet var distribuerat mellan olika frågor gav ej svar på hur driften skulle utvecklas. Rapporter visade ett antal summagrafer men ej i vilka segment kunderna var mera missnöjda en i snitt, eller hurudana grupper de missnöjda kunderna bildade. De värsta fallen kände man förstås till. Kunden misstänke också att mätningen innehöll ett för stort antal frågor vilket ledde till att kvaliten på svaren var låg.

LÖSNINGEN KORT
BayesIT kallades in för att konsultera i analysen av tillgänglig data. I första skedet bildades en tabell av hela svarsmassan, och ur den räknades med hjälp av BayMiner en sk. allmän modell. När kundmätningsdata visualiseras bildas i allmänhet en avlång molnlik punktbild, i vars ena ända ligger de punkter som representerar helhetsmässigt missnöjda kunder och i andra ändan de kunder som varit nöjda.

Analysen utfördes i tre faser. Dessa representerade i stor sett tre nivåer av kundnöjdhet så att BayMiner hade tagit i hänsyn alla fågor när nöjdhetsgraden hade fastställts. Vikten av de olika frågorna bestämdes av hur starka korrelationer BayMiner hittade ur data. I första skedet studerades den mittersta tredjedelen, ur vilken man fick en profil på de kunder som man skulle fästa uppmärksamheten vid. Profilen visade omedlebart att företaget hade problem. Dessutom kom det omedelbart också fram att en del frågor hade uppfattats fel och att man hade använt för mycket frågor.

Den tredjedel som bestod av de klart missnöjda beskrev den grupp kunder vilkas leverans hade misslyckats och vars orsaker var kända så dess profil studerades enbart för att försäkra sig om att det inte i data fanns sådan information som företaget inte kände till. Den tredje delen representerade de kunder som var nöjda så man behövde inte analysera den förutom att man kontrollerade att de enskilda orsaker till misnöje som fanns var kända.

NYTTAN FÖR KUNDEN
Me hjälp av BayesIT:s analysprocess hittade kunden ur den mittersta gruppen av sk. lindrigt missnöjda ett par speciella grupper. Deras profil avslöjade genast för kundens experter vad för problem det var fråga om varefter företagets ledning visste exakt hur de skulle rikta utvecklingsåtgärderna. Genom att använda konventionell summadatakalkyl skulle det inte ha varit möjligt. I fortsättningen utvecklade kunden frågeställningarna och minskade antalet frågor till c.a tjugo samt började upprepa enkäten oftare.

AFFÄRSSYNPUNKT
Analysen kostade för kunden c:a 10.000 euroa av vilket över hälften var företagets interna kostnader som till största delen utgjordes av nyckelpersonernas tid. Åtagandet tog c:a tre månader. Kunden påbörjade de korrigerande åtgärderna genast när de första resultaten blev färdiga och efter en kort tid förbättrades kvaliten så att man kunde höja priserna tillbaka till normalnivå. Återbetalningstiden blev således endast några månader.

FORTSÄTTNINGEN
En av målsättningarna för konsulteringsfasen var att kunden skulle kunna genomföra analysfasen självständigt. En av kundens nyckelpersoner lärde sig snabbt att använda BayMiner-analys metoden med den påföljd att man fick resultaten genast och sparade kostnader. Dessutom avslöjade en djupare analys ny information om kundernas inköpsbeteende. Kunden lärde sig också att kombinera data från CRM-systemet (Customer Relation Management) och ekonomiavdelningen med data från kundmätningar och analysera dessa klart effektivare modeller. Kunden fick ur dessa modeller bl.a. en klarare bild av den verkliga kundspecifika lönsamheten.