NBA

NBA er af mange kendt som en forkortelse for den amerikansk baserede ”National Basketball Association”. Men det er også en forkortelse for ”Next Best Action”. For basketball spillere i NBA er Next Best Action i øvrigt en indgroet del af spillet. Som i andre sportsgrene gælder det i hele kampen, ja hele tiden, at være på forkant og forberede det næste bedste træk, der maksimerer muligheden for at opnå det ønskede resultat – at score og undgå at ”de andre” scorer.

I erhvervslivet gælder det samme. De bedste bankrådgivere hjælper deres kunder ved at være på forkant. Ved hele tiden at tænke ”Next Best Action” for kunden. De bedste ingeniører har bevidst fingeren på pulsen, og monitorerer fx en maskinpark tæt, med det formål at tilrettelægge vedligeholdet af maskinerne optimalt og mest produktivt. Fælles for rådgiveren og ingeniøren er, at deres tætte monitorering og erfaring gør dem i stand til løbende at udpege NBA.

Men rådgivere, ingeniører og andre er ofte involveret i mange kundevendte sager og kan ikke hele tiden holde fokus på én kamp – læs: kunde / maskine. Der er hele tiden mange bolde i luften. Tiden er deres udfordring. Det er fysisk umuligt at monitere alle kunder eller maskiner hele tiden uden hjælp. Samtidig er der stor forskel blandt rådgivere, ingeniører og andre, på deres evne til at omsætte det observerede til Next Best Actions. Nogle evner det bedre end andre.

Ved målrettet brug af data og analytics:

  • Får de bedste rådgivere, ingeniører mfl. en ”hjælper”, der hele tiden monitorer om der opstår et behov hos den konkrete kunde /maskine, og "hjælperen" gør dette ud fra samme metoder som rådgiveren / ingeniøren selv ville have anvendt, hvis tiden tillod det. I mange tilfælde vil ”hjælperen” endog bibringe yderligere indsigt end selv de mest erfarne traditionelt havde.

  • De mere uerfarne rådgivere, ingeniører mfl. løftes op på niveau med de mest erfarne fordi ”hjælperne” naturligvis også leverer NBA for disse rådgivere/ingeniører mfl.

Ved at sætte ”sensorer” på en kundens økonomiske udvikling eller en maskinparks komponenter mv. opnås nemlig en konstant feedback på NBA per kunde / maskine. Det er grundlaget for at kunne planlægge og prioritere indsatserne overfor helt konkrete kunder eller maskiner langt mere præcist end traditionelt.



Få det til at virke


For at få det til at virke skal der:

  • Opsamles data om kunder og processer med stor hyppighed og kvalitet.

  • Tilvejebringes en struktur i dataene.

  • Etableres de regler og/eller den analytics, der bruges til at "se" NBAs.

  • At udnytte denne indsigt pro-aktivt til at planlægge og prioritere indsatserne overfor kunder mfl. i forhold til timing og indhold, og derved optimere betjeningen set fra kundens synspunkt.

For ingeniørvirksomheden kan det være sensorer der placeres på motorer, gearkasser etc. og opsamler data om en ”tilstand” for en given maskine eller maskindel. Herved dannes hurtigt en tidsserie som kan bruges til at analysere optimale vedligeholdelsestidspunkter og hvad ”der er galt”. Over tid vil sådanne analyser stadigt mere præcist bruges til at optimere vedligeholdelsesopgaven. En mærkbar gevinst for kunde og ingeniørvirksomheden. Prioriteringen af den enkelte ingeniørs opgaver og ”ruteplan”, vil i stigende grad understøttes af den ny og mere præcise indsigt – en NBA pr. maskine.

Det samme gælder for fx banker. Her er det ikke maskiner, gearkasser e.l., der er i fokus, men i stedet rådgivning af de enkelte kunder, om deres økonomi. Ved at anvende de data som banken har om kunderne og kombinere disse med andre data fra offentlige datakilder, kan en bank opnå den meget store fordel at foretage en monitorering af de enkelte kunder – hele tiden. Derved kan banken pro-aktivt tilrettelægge prioriteringen og ”ruteplanen” for den enkelte rådgiver, forstået på den måde, at kunderne rådgives langt mere præcist og med den rette timing. Alternativet er nemlig at bankens grundlag for at udpege og prioritere NBAs overfor dets kunder, er mere ”sløret” og baseret på en forskelligartet indsigt på tværs af rådgiverne.

Ved at bruge data optimeres opgaveplanlægningen med ”frispilninger”, der understøtter højere fastholdelse af kunder, sikrer en større andel af finansiering-/opsparing og finder negative og positive udviklingstendenser hos den enkelte kunde tidligere end ellers.



Et eksempel

En bankrådgiver har en ung kunde i sin portefølje. 

  • Denne kunder studerer medicin på Aarhus universitet. 
  • Studiet færdiggøres om 4 måneder.
  • Kunden har skiftet adresse
  • Kunden er flyttet ind hos kæreste.
  • Kæreste er færdiguddannet jurist med job hos anerkendt advokatvirksomhed.
  • Parret står overfor anskaffelse af 2 biler
Banken har etableret struktureret dataindsamling fra hvert "touchpoint" med kunden.

  • Fra tidligere samtale mellem rådgiver og kunde er banken derfor opdateret på kundens uddannelsesretning og færdiggørelsestidspunkt. 
  • Fra adresse data konstateres det når kunden flytter.
  • Fra samtale med kunden bliver banken opdateret på "kæresteforholdet" og kærestens uddannelse og job.
  • Fra interne modeller klassificeres kunden som "lav sandsynlighed for misligholdelse af forpligtelser" og som potential for stort engagement over "livscyklus". 
  • Fra samtale registreres behovet for biler.
Ved at sikre at den viden der opsamles fra kundemøder og kombinere denne med indsigt fra eksisterende data om kunden kan betjeningen af kunden nu præciseres i indhold og timing så rådgiveren kan agere pro-aktivt.

Fx. kan der aftales møde med kunden ca. 1 måned for afslutning af studiet.

Der kan udarbejdes koncepter målrettet forskellige segmenter. F.eks kan den medicinstuderende præsenteres for et særligt godt tilbud om leasing af bil, og dette kan endog kombineres med et endnu bedre tilbud om leasing af biler til par. Det vil blot kræve, at kæresten henvender sig og bliver on-boarded som kunde, hvilket banken naturligvis gerne vil være behjælpelig med. 

Kombinationen af løbende at tilføre nye data (feedbacks fra møder) med eksisterende data og eksisterende segmenteringsmodeller er grundlaget for at rådgiver pro-aktivt får løst den enkelte kundens behov, før kunden får disse løst et andet sted - og i nogle tilfælde af "kærestens" bank.

De banker, der ikke opsamler og strukturerer håndteringen af de enkelte kunder ud fra data, vil have et mere "sløret" blik, og en mindre kundefastholdelsesgrad, end de banker har arbejder struktureret med indsamling af data og indsigt.


Hvad skal der til?

De bedste rådgivere, ingeniører etc. opsamler og ”gemmer” løbende nye observationer, og evner at omsætte disse til NBAs. Som nævnt er der blot det problem, at selv de bedste er begrænset af tiden. En rådgiver servicerer måske 250 privat hustande og har ganske enkelt ikke tiden til at monitorere vigtige ændringer i alle kunders ”rejse” hele tiden. Nogle gange er disse rådgivere begunstigede af, at kunderne løbende henvender sig, men andre gange ikke.

Samtidig er det store problem, at ikke alle rådgivere, ingeniører etc. er de bedste. Nogle er nye i faget og har måske overtaget en kundeportefølje efter, at en erfaren rådgiver er gået på pension eller skiftet job. Den erfaringsopsamling den ”gamle” rådgiver besidder risikerer derfor at gå tabt over tid.

Det er derfor, at det giver mening at tilpasse forretningsmodellen og påbegynde en struktureret opsamling og analyse af kundedata. Udvælgelse af NBA sker på samme måde som de bedste ville gøre det, hvis blot de havde tiden. Kunsten er at opsamle kundeviden, viden om maskiner etc. og anvende analytics (regler mv. som de bedste ville gøre det) og omsætte dette til NBAs. Der sættes "strøm" på processen så alle NBA vurderes hele tiden og for alle kunder. Det er effektivt for banken og forbedrer oplevelsen for kunden.



Moderne data- og analytics platform

For at blive data-drevet og kunne levere NBAs er det afgørende, at de fundamentale forhold i dataarkitekturen er på plads.

  • Der skal ikke blot indsamles data fra forskellige kilder. Disse skal også struktureres og kvalitetssikres.

  • Der skal etableres en datastruktur, der gør det effektivt at foretage de analyser, der bruges til at spotte NBAs.

  • Det fordrer at data er velbeskrevne og konsistente.

  • Det fordrer ligeledes, at der er etableret en klar rolle- og ansvarskultur omkring data. Hvem har ansvar for indsamling? Hvem har ansvar for datakvalitet? Hvem har ansvar for at analysere data? Hvem har ansvar for at der gives feedback data? Osv.

 Samtidigt er det afgørende at dataplatformen etableres sådan at udviklingsarbejdet vedr. NBA kan udføres effektivt. I denne forbindelse er valg af teknologi afgørende vigtigt.

 Den generiske præsentation af dataarkitekturen ser således ud:

Tegning11 4png

Figurens nederste del illustrerer at der ofte findes mange forskellige data registreringssystemer. Der kan være transaktionelle systemer. Der kan være særlige systemer til håndtering af leasing. Særlige systemer, der opsamler data fra fx ”klikmønsteret” på bankens hjemmeside mv. – eksemplerne er mange.

Disse systemer har oftest udviklet sig over tid efter stadigt ændrede behov, som skal understøttes for de enkelte afdelinger. Det kan fx være, at kreditafdelingen har haft et behov for en særlig løsning, som så er udviklet til netop dette formål. Sideløbende at der er lavet en særlig løsning til marketingafdelingen etc. Over tid har dette medført ”data-siloer”.

Ved at mappe dataene fra de underliggende systemer op til en sammenhængende datastruktur – en ”data-lake” tilvejebringes basis for analyser og NBA.

Pilene i figuren illustrerer, at der skal kunne flyde data til og fra de forskellige ”lag”.

I den forbindelse er det afgørende for NBA, at der for hvert væsentligt ”touchpoint” med en kunde sendes feedback data tilbage, således at grundlaget for det efterfølgende NBA hele tiden udbygges og opdateres. Moderne teknologi understøtter, at dette kan gøres nemt, billigt og effektivt.




Rådene er:

  • Tag udgangspunkt i kunderne – se Jeres virksomhed ”ude fra og ind”.

  • Tænk som den bedste rådgiver, ingeniør eller hvem der er ”fronter” kunderne.

  • Beskriv hvor I kunne opnå endnu mere indsigt end hidtil, ved at bruge data.

  • Design data arkitekturen og det analytiske grundlag.

  • Etabler en moderne data- og analytics platform med den bedste teknologi, så I kan skalere, vedligeholde og udvikle effektivt og billigt med kort ”time to market”.

  • Gør data til en afgørende del af jeres strategi – et middel, der hjælper jer at planlægge NBA på kundeniveau.

  • Se det som en markant hjælp til den eksisterende forretningsmodel ikke nødvendigvis en ændring af denne. Det betyder fx ikke at den personlige betjening overflødiggøres. Det betyder i stedet at betjeningen bliver tilrettelagt mere præcist og med den rette timing.

 

Maj 2021

Mogens Kristensen
mk@mokon.dk
+45 21 69 53 40

MK_final-01png

Toke Friborg
Toke.friborg@solita.dk
+4520340167

solita-logo 1png