Analisis bisnis bisnis berguna untuk memetakan kelebihan, kelemahan, peluang, dan ancaman pada bisnis.
Komponennya mencakup beberapa hal, dari segi operasional, pengembangan produk, analisa pasar, marketing, keuangan, sampai manajemen sumber daya manusia.
Misalnya dalam pengelolaan untuk mendatangkan pelanggan baru atau mempertahankan pelanggan lama.
Selama 6 bulan penuh, kami analisis ribuan chat, tiket komplain, dan riwayat panggilan menggunakan bantuan CRM.
Dengan menerapkan strategi analisis bisnis berdasarkan data CS tersebut, customer kami berhasil mengurangi churn rate pelanggan sampai 27%.
Di artikel CRM.id ini kami akan membahasnya langkah demi langkahnya, cara kami mengubah keluhan pelanggan menjadi insight bisnis yang lebih menguntungkan.
Kenapa Analisis Bisnis Harus Bermula dari Data Customer Service (First-Party Data)?
Sebagian business owner beranggapan kalau data penjualan adalah indikator kesehatan perusahaan yang paling akurat.
Nyatanya tidak semuanya seperti itu, penjualan sifatnya lebih kepada hasil akhir.
Jika Anda ingin mengetahui alasan sebenarnya kenapa seseorang berhenti membeli.
Anda harus memperhatikan kesulitan dan kebutuhan mereka saat mereka menghadapi masalah, misalnya melalui chat di WhatsApp.
Data customer service menyimpan informasi secara langsung yang tidak pernah muncul jika hanya menggunakan data pihak ketiga (eksternal, seperti lembaga riset).
Misalnya ketika pelanggan kebingungan menggunakan fitur produk atau saat mereka ada masukan karena ada beberapa fitur yang masih tidak sesuai ekspektasi dan kebutuhan mereka.
Sayangnya, banyak bisnis tidak benar-benar memanfaatkan data ini untuk analisis hingga pengambilan keputusan bisnis.
Baca Juga: Attribution Modeling yang Wajib Diketahui Pemilik Bisnis
Tahapan Dasar Analisis Bisnis Dari Data Customer Service
Dari apa yang sudah kami alami, kami menyusun framework yang berpusat pada integrasi teknologi pengelolaan analisis bisnis dan perubahan pola pikir tim, antara lain:
1. Pemusatan Komunikasi Menggunakan Software CRM
Masalah pertama yang sering kami hadapi saat implementasi adalah data customer dari calon customer kami berantakan dan tidak ada sistem terpusat yang menyatukan alur komunikasi di timnya.
Staf CS merespon pesan melalui device yang berbeda-beda.
Kami tidak mungkin melakukan analisis bisnis yang valid jika datanya masih terfragmentasi seperti itu.
Untuk itu langkah pertama kami yakni menerapkan software CRM yang memiliki kemampuan untuk menyatukan semua chat dalam satu tampilan dashboard.
Perubahan ini membuat semua agen CS (customer service) beradaptasi untuk merespons pelanggan dari satu platform.
Kami akhirnya memiliki satu sumber data terpusat sebagai bahan baku dalam setiap analisis bisnis.
Setiap interaksi customer, mulai dari pertanyaan awal sampai penyelesaian keluhan akan tercatat, Anda bisa kapan saja untuk melakukan pengamatan dan analisis yang jauh lebih tajam sekaligus efisien.
2. Memetakan Akar Masalah Melalui Label atau Tag Chat
Setelah data terpusat, kami mulai membangun struktur dan pengelompokan keluhan customer.
Kami tidak menggunakan sistem pelabelan lama yang terlalu umum seperti “Tanya Produk” atau “Komplain Pengiriman”.
Kami menggantinya dengan label atau tagging yang jauh lebih spesifik.
Misalnya, jika pelanggan mengeluh barangnya rusak, agen CS wajib memilih label turunannya di samping label atau chat primer (yang utama).
3. Mengukur Metrik Resolusi, Tidak Hanya Kecepatan Balas Pesan
Tolok ukur layanan pelanggan seringkali sering terlalu menganggap metrik First Response Time (waktu balasan pertama kali) sebagai yang paling penting.
Kami menemukan kalau pelanggan yang mendapat balasan cepat dari bot, tapi masalahnya tidak selesai justru memiliki probabilitas kepergian yang lebih tinggi.
Hal itu karena jawaban dari bot seringkali tidak menyelesaikan masalah dan justru responnya tidak sesuai konteks.
Untuk itu kami memperlebar dan menambah lagi indikator kinerja tim CS.
Dengan memfokuskan analisis bisnis pada metrik First Contact Resolution dan Customer Effort Score, kami menghitung seberapa banyak usaha yang pelanggan keluarkan hanya untuk mendapatkan hak mereka.
Semakin sering pelanggan harus menjelaskan ulang masalahnya kepada agen dengan keluhan yang itu-itu lagi dan kepada agen berbeda, semakin besar kemungkinan mereka beralih ke kompetitor.
Baca Juga: Cohort Analysis: Pengertian dan Langkah-Langkahnya
Mematahkan Asumsi Manajemen Terkait Analisis Bisnis Menggunakan Data Pelanggan
Bulan ketiga adalah masa yang menentukan untuk hampir sebagian besar bisnis, hal itu karena beberapa report progress per kuartal.
Sesuai keluhan customer kami yang mencoba menerapkannya, apabila mereka mempresentasikan hasil pengolahan data tersebut ke beberapa tim manajemen.
Asumsi awal dari CMO atau marketing lead adalah pelanggan pergi karena harga produk mereka sedikit lebih tinggi dari kompetitor. Tapi dengan data CS justru memberikan fakta kebalikannya.
Sensitivitas harga hanya menyumbang 11% dari total alasan pelanggan yang berhenti bertransaksi.
Penyumbang churn rate terbesar berasal dari rasa frustasi pelanggan ketika prosedur penanganan yang berbelit-belit dan tidak menyelesaikan permasalahan, mencapai 42%.
Pelanggan merasa lelah karena mereka harus mengirimkan bukti terjadi masalah transaksi melalui email, live chat, bahkan telepon yang terus jalan tapi tidak ada solusi (kadangkala sampai habis pulsa).
Setelah itu masih belum selesai karena harus mengkonfirmasi ulang melalui WhatsApp, kemudian disuruh menunggu beberapa hari.
Frustasi dan ketidakpastian itulah yang menghancurkan loyalitasnya. Padahal mereka rela membayar lebih mahal di tempat lain asalkan proses after sales tidak merepotkan mereka.
Dengan insight inilah, Anda bisa menyusun analisis bisnis yang tajam dan tepat sasaran saat eksekusi.
Baca Juga: Strategi Data Driven Marketing dan Cara Mengukurnya
Eksekusi Strategi Bisnis Menggunakan Software CRM untuk Mengurangi Churn Rate
Ketika Anda berhasil mengetahui ada masalah, itu baru separuh jalan. Separuh jalan berikutnya adalah mengeksekusinya dengan menggunakan data yang sudah Anda peroleh itu.
Kami merancang 3 inisiatif yang langsung menyasar permasalahan operasional customer, antara lain:
1. Merombak Ulang Customer Journey Mapping
Kami membuang customer journey mapping versi lama yang hanya berfokus pada fase awareness sampai decision/purchasing.
Lalu kami bersama tim operasional merancangnya yang baru dengan fokus pada skenario after sales.
Kami menyederhanakan proses transaksi. Pelanggan saat ini hanya cukup mengupload foto melalui form yang terintegrasi langsung dengan CRM.
Sistem secara otomatis memverifikasi nomor pesanan dan meneruskan tiket tersebut ke tim gudang tanpa campur tangan manusia di tahap awal.
Kami memangkas 8 langkah aturan yang menghambat menjadi hanya 3 langkah yang jauh lebih simple saja.
2. Menerapkan Predictive Analytics untuk Pencegahan Dini
Inisiatif Ini adalah bagian favorit kami secara pribadi. Kami mengaktifkan bisa melakukan analisis yang memprediksi pola perilaku pelanggan yang berpotensi melakukan churn (berhenti membeli lagi/berlangganan).
Sebagai contoh, sistem akan memberikan tanda peringatan pada profil pelanggan yang memberikan rating kurang dari 3 pada survei kepuasan selama 2x berturut-turut.
Loyal customer yang tiba-tiba berhenti membuka email promosi selama 3 bulan terakhir.
Sebelum pelanggan tersebut benar-benar pergi, sistem secara otomatis menugaskan agen customer service senior untuk melakukan panggilan untuk follow up.
Mereka menelepon hanya fokus untuk mendengarkan, memeriksa kondisi kesulitan dan kebutuhan pelanggan yang masih belum terpenuhi dan menawarkan bantuan jika ada kendala.
Pendekatan ini mampu mengubah persepsi pelanggan dari yang awalnya kurang puas menjadi merasa lebih terbantu.
3. Memberdayakan Tim Frontliner / Customer Success
Data menunjukkan, waktu penyelesaian masalah sering kali tertunda karena CS harus meminta persetujuan penyelia untuk memberikan kompensasi atau diskon permohonan maaf.
Untuk itu ada beberapa hal yang kami ubah terkait hal ini.
Berdasarkan hasil kalkulasi Customer Lifetime Value, tim manajemen akhirnya memberikan hak penuh kepada CS untuk langsung mencairkan voucher kompensasi sampai batas nominal tertentu.
Mereka tidak harus menanyakan ke atasan, kecuali dalam kondisi tertentu yang masih harus koordinasi terlebih dahulu.
Keputusan ini mengurangi waktu tunggu penyelesaian tiket dari rata-rata 48 jam menjadi hanya hanya 2 jam.
Baca Juga: Bagaimana Cara Praktis Mengelola Database Pelanggan?
Penelitian dan Pandangan Ahli Terkait Analisis Bisnis Berdasarkan Data CS
Apa yang kami lakukan di lapangan sangat sejalan dengan beberapa penelitian di bidang bisnis.
Seorang pakar customer retention dari Harvard Business School menekankan kalau hambatan dalam interaksi pelayanan customer akan jauh lebih cepat merusak loyalitas daripada penurunan kualitas produk itu sendiri.
Sejalan dengan argumen tersebut, penelitian “Understanding the user satisfaction and loyalty of customer service chatbots” menyoroti efektivitas pemanfaatan AI dalam pengelolaan keluhan.
Penelitian ini menyimpulkan perusahaan skala menengah yang menerapkan pemusatan data layanan pelanggan berhasil menghemat biaya operasional sekaligus meningkatkan NPS.
Praktisi bisnis UKM dan digital marketing saat ini juga mulai menyadari tren ini.
Mereka mulai menggeser budget campaign iklan untuk menginvestasikan pada pelatihan tim CS dan penyempurnaan tools dan pengelolaan data pelanggan.
Mereka menyadari kalau mempertahankan satu pelanggan lama butuh biaya 5-25 kali lebih murah daripada mengakuisisi satu pelanggan baru yang belum teruji kesetiaannya, sesuai yang pernah Harvard Business Review ulas.
Baca Juga: Tips dan Cara Menggunakan Aplikasi Analisis Data Bisnis
Alat Ukur Kinerja Analisis Bisnis Pakai Data CS di Akhir Bulan Ke-6
Memasuki akhir bulan ke-6, dashboard analitik kami menunjukkan kurva yang membuat semua tim senang.
Tingkat penyelesaian masalah pada kontak pertama meningkat dari 45% jadi 78%.
Rata-rata skor upaya pelanggan turun drastis, menandakan proses penyelesaian keluhan menjadi jauh lebih seamless.
Yang paling penting, angka churn rate keseluruhan perusahaan atau bisnis menurun sebesar 27%.
Penurunan ini berdampak langsung pada laporan laba rugi perusahaan.
Tanpa harus menambah anggaran iklan satu rupiah pun, laba meningkat berkat pelanggan lama yang kembali melakukan pembelian ulang.
Mereka merasa aman berbelanja karena tahu perusahaan memiliki sistem pendukung yang responsif dan tidak berbelit-belit saat masalah terjadi.
Baca Juga: 15 Rekomendasi Aplikasi Analisis Data Terbaik untuk UMKM
Kesimpulan
Dari penjelasan artikel CRM.id ini bisa kita lihat kalau melakukan analisis bisnis tidak selalu harus bergantung pada grafik atau pakai perhitungan yang menyulitkan.
Anda hanya membutuhkan data customer yang bersumber langsung dari CS melalui aplikasi database pelanggan.
Dengan pola yang muncul dari keluhan dan pertanyaan-pertanyaan customer, Anda mampu membuat penyesuaian strategi bisnis, dengan menurunkan churn rate customer.
Analisis bisnis menggunakan data pelanggan dari CS juga sangat powerfull kalau menggunakan software CRM.
Dengan beberapa fiturnya seperti manajemen kontak, dashboard minimalis, transfer pesan ke agen lain, sampai penggunaan labelling dan tagging.
Anda bisa memperoleh manfaat itu di aplikasi CRM.id, sebuah layanan CRM yang berbasis pemakaian (pay as you use), tanpa biaya bulanan, konsultasi secara langsung dengan customer success melalui Zoom.
Jika Anda tertarik mencobanya, bisa dengan mengisi form daftar CRM.id berikut.
