En samlet kundeprofil er et fuldt billede af én person: deres kendetegn (alder, sted og lignende), deres adfærd (besøg på hjemmesiden, åbnede e-mails, klik på annoncer), deres køb (ordrer, betalinger) og deres kontakt med dig (henvendelser til support, opkald). Før profilerne bliver samlet, er data spredt: marketing ser adfærd, salg ser køb, og support ser henvendelser. Bagefter ser alle det hele om kunden. Det giver bedre beslutninger og bedre personalisering.
Hvad en samlet profil indeholder
Kendetegn: navn, e-mail, telefon, virksomhed, jobtitel, branche og sted.
Adfærd: sider besøgt, e-mails åbnet, klik på annoncer, tid på siden og indhold hentet.
Køb: køb, ordrebeløb, betalingsmåder, refunderinger og status på abonnement.
Kontakt: henvendelser til support, chathistorik, noter fra opkald og brug af produktet.
Berigelse: oplysninger om virksomheden (finansiering, antal ansatte), hvilke teknologier den bruger, nyheder i branchen og økonomiske tal.
Score og segmenter: lead-score, risiko for at stoppe, livstidsværdi, persona og hvilke segmenter kunden er med i.
Sådan bygger du samlede profiler
Trin 1: Genkend personen.
Kobl den samme person på tværs af systemer. Den vigtigste nøgle er e-mail (mest almindeligt). Andre nøgler: telefon, bruger-id og virksomhed. Hvis du ser jane@wemasy.com i e-mailværktøjet og n.morrison@wemasy.com i kunderegisteret, er det så den samme person? Det skal CDP'en afgøre.
Løsning: præcis matchning (præcis samme e-mail), sandsynlig matchning (lignende navne + virksomhed = sandsynligvis samme person) og maskinlæring (lærer af tidligere matches).
Trin 2: Saml data.
Hent data fra alle kilder ind i profilen. Eksempel: e-mailværktøjet sender data om, hvordan kunden bruger e-mails, kunderegisteret sender data om køb, og analytics sender data om adfærd. Alt samles i én profil.
Trin 3: Berig.
Gør profilen bedre med data udefra: oplysninger om virksomheden (fra professionelle netværk), økonomiske tal (fra udbydere af berigelse af data) og teknologidata (hvilke værktøjer bruger de?). Berigelse gør profilen mere værd.
Trin 4: Brug den.
Brug profilen til at beslutte: send personlige e-mails ud fra adfærd, vis målrettede annoncer ud fra interesser, og send til salgsteamet, hvis scoren for købsintention er høj. Profilen styrer alle handlinger bagefter.
Brugsmåder for en samlet profil
Personalisering: brugeren besøger hjemmesiden, profilen bliver hentet, og hjemmesiden viser personligt indhold. En ny besøgende ser indhold, der forklarer, og en tilbagevendende kunde ser tilbud om at opgradere.
Lead-score: kombinér adfærd (har set prissiden), kendetegn (salgschef) og engagement (har åbnet 5 e-mails) → lead-score = 85/100. Salg fokuserer på leads med høj score.
Forudsigelse af frafald: kombinér engagement (loginsene faldt med 50 %), henvendelser til support (3 klager) og engagementscore (faldende). Forudsig risiko for frafald = 70 %. Kundeteamet tager kontakt, før kunden går.
At beholde kunder: kombinér købshistorik (5 ordrer), hvor længe siden (sidste køb for 6 måneder siden) og engagement (har afmeldt e-mails) → forudsig frafald. Ret en kampagne mod dem for at vinde dem tilbage.
Udfordringer ved at indføre samlede profiler
Privatliv og samtykke: at samle data kræver udtrykkeligt samtykke. GDPR kræver et klart tilvalg. Sørg for, at du har et lovligt grundlag for at kombinere data.
Forældet data: kundeprofilen er kun så frisk som de nyeste data. Hvis e-mailværktøjet opdaterer ugentligt, men kunderegisteret opdaterer dagligt, er profilen ikke ens. Fastlæg, hvor ofte data skal opdateres.
Dobbelte profiler: hvis genkendelsen af kunder fejler, bliver der lavet to profiler for én person. Det ødelægger personalisering og tilskrivning. Kræver løbende kontrol og fjernelse af dubletter.
Hvordan håndterer jeg kunder med flere e-mailadresser i samlede profiler?
Kobl alle e-mails til én profil: primær e-mail (den nyeste) og sekundære e-mails (gamle, koblet på). Bruger kunden både jane@wemasy.com og jane.c@wemasy.com, så kobl begge til den samme profil. CDP'er kan det. Sæt regler op for at samle e-mails. Skriv reglerne ned, så teamet forstår, at én kunde kan have flere nøgler.
Hvilke data skal med i en samlet profil, så det ikke føles uhyggeligt?
Tag med: det, kunden har sagt ja til (adfærd, åbnede e-mails), det, kunden selv har delt (virksomhed, jobtitel) og det, der gør oplevelsen bedre (hvilket indhold de kan lide). Undgå: data, de ikke har sagt ja til, følsomme egenskaber, du selv har gættet (politiske holdninger, helbred) og overvågning i detaljen (sekund for sekund). Tommelfingerregel: ville kunden være tryg ved at vide, at du har de data? Hvis ikke, så lad være med at samle dem.
Hvordan sikrer jeg, at samlede profiler er korrekte uden at være påtrængende?
Lad kunden selv rette sin profil: kunden kan se og rette sine egne data. Send en bekræftelse: 'Vi ser dig som [kort om profilen]. Passer det?' Spørg kunderne: er det personlige indhold, du ser, relevant? Hvis tilfredsheden er lav, er profilerne ikke korrekte.
Kan jeg bruge samlede profiler til at forudsige kunders adfærd?
Ja. Byg modeller på historiske data: kunder med profilmønster X har 80 % frafald. Kunder med mønster Y har 5 % frafald. Brug mønstrene til at score nye kunder. Modeller bliver forældede med tiden (kunders adfærd ændrer sig), så træn dem igen hvert kvartal eller hver måned.
Hvad sker der, hvis jeg vil slette en kunde fra mine samlede profiler?
Retten til at blive glemt i GDPR: du skal slette alle profildata. Det er kompliceret, fordi data er spredt (analytics, kunderegister, e-mail, annonceplatform). CDP'en skal kunne slette på tværs af alle koblede systemer. Lav et forløb for sletning: kunden beder om sletning → slet i CDP'en → CDP'en sender besked om at slette til alle værktøjer. Tjek, at sletningen er gennemført.
Hvor mange profiler skal jeg have (betyder dubletter noget)?
At fjerne dubletter er afgørende. Én kunde = én profil. Dubletter ødelægger tilskrivning, personalisering og beregning af udbytte. Brug kræfter på at genkende kunder. Følg andelen af dubletter: målet er under 1 % dubletter. Er den højere, skal genkendelsen af kunder forbedres. Dårlig data (dubletter) er værre end ingen data.