Millnet BI - en ledande Qlik Elite Partner sedan år 2010

Bättre analysverktyg för dig som e-handlare

E-handel är inte bara en allt mer betydande kanal för försäljning inom Retail. Den är också en kanal som ger unika möjligheter att följa kundernas köpmönster och beteenden då data lagras för varje kund, transaktion och klick.

Ur analyssynpunkt är data en förutsättning, men inte en garanti, för att du ska lyckas. Tvärt om kan mycket data vilseleda så att det som verkligen betyder något missas. Men - med rätt verktyg kan data struktureras och ge verksamheten den konkurrensfördel som krävs för att stå ut i mängden.

Millnet BI har många kunder inom Retail där eCom har blivit en naturlig och självklar del bland försäljningskanalerna. Med nya köpmönster och datakällor finns det stora möjligheter till nya insikter, möjligheter men också utmaningar.

Denna artikel diskuterar tre utmaningar man som e-handlare ställs inför när man skall dra nytta av sin data och hur man med rätt verktyg kan möta dem:

Utmaningar

Stora datamängder

Mindre datamängder går lätt att slänga in i Excel och jobba med men när det börjar bli större datamängder och mer komplexa beräkningar kommer snart funktioner som VLOOKUP och SUMIFS inte vara tillräckliga.

Studera stapeldiagrammet nedan. Diagrammet visar hur ett företags kundbas har utvecklats över tiden utifrån kundernas föränderliga köpbeteende.

Ehandel - analys av kundrörlighet med Qlik Sense

Denna till synes enkla visualisering döljer en komplex analys. Varje kund företaget någonsin haft får varje gång denna graf beräknas en uppdaterad status.

Frågan som ställs är: Har kunden handlat de senaste 12 månaderna?

  • Är svaret nej så märks kunden som Inaktiv
  • Är svaret ja så görs en vidare analys av kundens köpbeteende för att definiera om den är New, VIP, Active, Lapsing eller Churn

De olika stadierna för en kund som handlat de sista 12 månaderna definieras här i fallande ordning som:

  • VIP - kunder som har handlat minst 4 gånger de senaste 6 månaderna
  • Active - kunder med ett regelbundet köpmönster
  • Churn – kunder vars köphistorik avvikit från sitt tidigare köpbeteende
  • Lapsing – kunder som riskera förloras då de tidigare varit i Churn och inte kommit tillbaka till Active
Denna analys är oerhört väsentlig för en e-handlare men nästan omöjlig att göra i Excel. Även utan att göra Churn-beräkningen kan den ta dagar att göra och det med en relativt liten kundbas. Här krävs ett kraftfullt verktyg som på ett effektivt sätt kan hantera och strukturera stora mängder data.

Exempel 1
I nedan exempel har i stället analysverktyget Qlik Sense använts. Exemplet visar ett antal kundanalyser som alla visar förhållandet mellan nya och återkommande kunder. Vi får en översikt av hur bra vi är på att behålla kunder år över år och får med hjälp av ett antal nyckeltal en uppfattning om hur resultatet utvecklas.

Genom att göra urval i diagrammen får användaren möjlighet att filtrera på olika dimensioner och kan även få ut kontaktuppgifter till kunder i de olika segmenten så att företaget aktivt kan rikta anpassade budskap mot de olika målgrupperna.

 

Ehandel - analys av kundrörlighet


Kombinera datakällor

En e-handlare har många system och därmed även många datakällor. Om vi generaliserar finns det nästan alltid någon form av affärssystem (ERP) i grunden. Ovanpå detta ligger en e-handelsplattform samt en rad mer eller mindre väl kopplade stödsystem för t.ex. sälj, logistik, marknadsföring och planering.

Alla dessa system kan var för sig ha analysmöjligheter där webbanalysverktyget Google Analytics (GA) kanske är en av de mest framträdande. Det som är fantastiskt med GA är att det går att skapa sig en förståelse för kunden som är omöjlig att återskapa för en fysisk butik.

GA samlar in alla digitala fotavtryck och gör det möjligt att att se vilken väg kunden gått för att komma till butiken, hur den beter sig inne i butiken, om vi känner igen kunden från tidigare besök osv. Det går även att förse GA med information över exempelvis försäljning, marginaler och sortiment för att analysera konvertering, försäljning och lönsamhet.

Tyvärr är de försäljningssiffror och marginaler som visas i GA sällan fullt ut överensstämmande med vad som visas i ERP-systemet. Det finns flera orsaker till detta. T.ex. att datumurvalen i systemen är olika, att användare blockerar GA eller att vissa webbläsarkonfigurationer gör att transaktioner inte kommer in i GA. Konsekvensen blir att GA som ensam källa för analys är problematisk om exakta siffror är viktigt (vilket det vanligtvis är när det gäller försäljning).

En annan utmaning är att man i många organisationer i grunden vill titta på samma sak men använder olika data och därmed riskerar dra olika slutsatser. Det bästa är istället att man kombinerar data från olika källor på ett sådant sätt att oavsett vem och från vilken synvinkel man ser data så säger den samma sak.

Här är ett strukturerat arbetssätt önskvärt där det går att välja från vilka system data ska komma, hur kombinationerna av data ska göras och hur eventuella dataglapp ska hanteras. Det går t.ex. kanske inte att hundraprocentigt matcha varje order i ERP-systemet med data från GA. Då måste beslut fattas om det exempelvis är omsättning eller trafikkälla som ligger till grund för varje rad från systemen.

Det är inte heller säkert att all information finns i något av de system som genererar data från kundtransaktioner. Budget- och prognosdata kan finnas inlagt i ERP men mycket sällan finns det uppdelat per trafikkälla exempelvis. Det gör det nödvändigt att ofta kunna läsa in data från kalkylark som t.ex. MS Excel eller Google Sheets.

Analysverktyget måste alltså kunna kombinera data från olika system på ett strukturerat, säkert och flexibelt sätt där användaren har kontroll över data.

Ehandel - analystratten

Exempel 2
Data från GA kombineras i nedan bild med ERP-data för att ge en exakt och med ERP överensstämmande bild av ett antal nyckeltal fördelad på ett antal olika trafikkällor från GA.

Ehandel - ERP-data tillsammans med data från Google Analytics

Exempel 3
Data från ERP-systemet, som säljsiffror och kategoriindelning av artiklar, kombineras i nedan bild med demografisk data som t.ex. kön och ålder som finns i e-handelsplattformen.

Ehandel - ERP-data tillsammans med data från E-handels plattform


Distribution och delning av information

En smidig distribution av analyser och information är viktig för att kunskapen ska kunna delas av många. Har ni redan ett beslutsstöd på företaget så finns det stora fördelar att även integrera data om er webtrafik. Dels för att kunna följa t.ex. en order hela vägen från webbesök till leverans men även för att göra det enklare för verksamheten genom att ha data samlad i ett analysverktyg.

GA bygger på att det finns ett Google-konto som kan tilldelas rättigheter och även om företaget använder Google Apps så är det inte rekommenderat att ge alla som är intresserade av denna information tillgång till GA. Den som har tillträde till GA kommer därför behöva lägga tid på att plocka ut och distribuera data. Istället för att lägga tid på att analysera data blir personen en funktion som tar fram data åt andra. Även om verktygen är billiga blir lösningen både ineffektiv och dyr.

Med moderna beslutsstöd som Qlik Sense kan insamling och transformering av data automatiseras samtidigt som användarna själva kan modifiera utseendet på rapporterna.

Nedan två bilder visar exempel på dashboard's gjorda i Qlik Sense.

Exempel 4

Ehandel - en retail dashboard i Qlik Sense

Ehandel - Google AdWords retail dashboard i Qlik Sense

Exempel 5
För de användare som har behov att dyka djupare kan förbehandlad data presenteras i tabellformat där användaren själv kan välja vilken data som ska inkluderas.

Ehandel - Google AdWords retail dashboard i Qlik Sense Tabell

Summering

Förmågan att kunna samla in data från flera källor, bearbeta den effektivt trots mycket data, visualisera och sedan distribuera ut informationen är en förutsättning för att kunna skala upp och bli en framgångsrik e-handlare.

Ehandel - analystratten

Data från Google Analytics ger unika möjligheter att förstå kundens köpresa. Men för att utnyttja denna data till fullo krävs i våra ögon ett kompletterande analysstöd. Kravet på detta är att det effektivt kan integrera data från flera system samtidigt som det skall kunna ge användaren stöd för komplexa analyser på stora mängder data. Ledorden bör vara snabbt, enkelt men ändå kraftfullt.


Prata med oss - vi kan området! 

Att nå framgång som e-handlare ligger i att ha koll på detaljerna. Vi kan området och finns tillgängliga som projektledare, konsulter och resurser för kunder som vill ta ett helhetsgrepp på området med välfungerande analys, rapportering och planering.

Anders Fagerstedt

Anders Fagerstedt

Anders har arbetat på Millnet BI sedan mars 2016 och kommer senast från Tretti.se. Anders har erfarenhet från inköp, logistik, process- och affärsutveckling samt Business Intelligence i den snabbrörliga e-handeln.

Anders har sedan han började på Millnet BI haft ansvar för projektledning i Qlik-satsningen hos en av våra största Retail-kunder.

Kontakta Anders

070 818 28 92

Unn Hertzberg

Unn Hertzberg

Unn började i augusti 2016 och kommer närmast från Filippa K där hon har arbetat som Logistikchef och med analys och strategiarbete med fokus på varuförsörjningskedjan. Innan dess kom hon närmast från ICA AB.

Unn har totalt 15 års erfarenhet av arbete med analys inom Retail och har en djup förståelse för varuflödet alla delar och för vad som krävs för att få på plats ett effektivt och välanvänt beslutsstöd.

Kontakta Unn

070 215 48 17



Taggar: Qlik Sense, e-handel, Google Analytics

Kontakta oss

Millnet BI logotyp

Millnet BI AB
Surbrunnsgatan 44A, 3tr
113 48 Stockholm

08 - 651 18 00

Följ oss på LinkedIn