Digitalisaatio järjestöissä

19.4.2016 10:49

Analytiikalla parempaa ymmärrystä jäsenistä

Tämänkertaisen blogikirjoituksen tuotti Meli Eriksson Melson Oy:stä.

Kilpailu jäsenistä ja varsinkin jäsenten ajasta kovenee. Jäsenten odotukset kasvavat ja viestinnän kohdentaminen muuttuu haastavammaksi. Sinunkin on aika ottaa tekniikka avuksi.

Tietoa kertyy useasta eri kanavasta

Tiedon määrän lisääntyessä hurjaa vauhtia tuntuu siltä, että ymmärrys vähenee samaan aikaan. Tuttua, eikö totta? Nykyaikaisessa järjestössä jäsenestä kertyy erilaista ja tasoista informaatiota niin montaa eri väylää pitkin, etteivät kylmät hermot ja hyvä huumorikaan tahdo riittää. 

Erilaisia kanavia, joissa jäsentietoa syntyy  

  • Jäsenrekisteri
  • www-sivut
  • Sosiaalisen median kanavat kuten Facebook ja Twitter
  • Puhelinjärjestelmä
  • Live-kohtaamiset
  • Mahdolliset asianhallintajärjestelmät
  • Sähköposti (perinteinen)
  • Erilaiset jäsenkirjetyökalut
  • Koulutus- ja kurssi-ilmoittautumiset

Älä lannistu, vaikka et kerääkään vielä tätä kaikkea!

Oleellista on se, että tietoa ei hukata ja sen vuoksi suosittelenkin aivan ensimmäisenä pohtimaan miten kaikki aiemmin mainittu saadaan talteen? Excelkin on merkittävästi parempi kuin tiedon kadottaminen. Pääasia on, että tieto talletetaan johonkin sähköisesti.

Tästä kaikesta sitten pitäisi jotenkin saada oleellinen esiin, kuten vaikkapa vastaus kysymykseen ”ketkä todennäköisesti eroavat järjestöstämme?”

Mitä tiedolla tehdään?

Jos asiaan alkaa perehtymään, törmää kummallisiin ja hämmentäviin termeihin kuten Big Data, Fast Data, AI-tekoäly, Machine Learning - koneoppiminen, BI - Business Intelligence. Ala on nuori ja uusia termejä syntyy nopeammin kuin vanhat ehtivät vakiintua. Termit voi jakaa muutamaan lohkoon:

  • Big Data ja Fast Data = valtavien tietomassojen varastointia ja käsittelyä, näiden suurimpana erona on se, että Fast Data pyrkii enemmän nykytilanteen ymmärrykseen, Big Data taas ”historian” ymmärrykseen.
  • AI ja Machine learning = koneiden älyn hyödyntämistä, AI on laajempi ja tieteiselokuvamaisempi lähestyminen ja Machine Learning on käytännönläheisempi sekä aihettamme enemmän sivuava.
  • BI = hieman ilkeästi sanottuna kyseessä on vain hienompi nimi raportoinnille.

Mielestäni voit unohtaa äsken mainitut tekniset termit ja kysyä itseltäsi:

haluaisinko pystyä ennakoimaan jäsenen eroaikeet jo ennen kuin hän on itsekään niistä tietoinen? Haluaisinko tietää paljonko jäsenistämme oikeasti (ikä/jäsenten lojaliteetti/uudet jäsenet -analyysi) on eläkeiässä 5 vuoden kuluttua? Mikä erottaa jäsenenä pysyvän ja eroavan jäsenen toisistaan? Jos tässä vaiheessa et vielä vakuuttunut analytiikan tarpeellisuudesta, kannattaa muistaa vanha nyrkkisääntö asiakashankinnan kustannuksista (tämä pätee myös jäseniin):

  • nykyisen jäsenen pitäminen 1 kustannusyksikkö
  • uuden jäsenen hankkiminen 7 kustannusyksikköä
  • menetetyn jäsenen takaisin saaminen 25 kustannusyksikköä

Ajatuksesta toiminnaksi

Uskallan väittää, että jokaisella järjestöllä on jokin osa-alue, joka kaipaa hienosäätöä, ellei sitten isompaakin remonttia. Se, mikä järjestösi valmius tiedon analysointiin on, riippuu siitä monestako eri kanavasta, kuinka pitkään ja mihin dataa on kerätty. Tärkeää on kuitenkin huomata, että jo pelkästään jäsenrekisterin tietojen perusteella voidaan tehdä kattavaa ja syvälle pureutuvaa analyysiä, joka voi olla juuri se viisasten kivi, jota olet etsinyt.

Toimi siis näin:

  • Kerää (tätähän tehdään jo koko ajan)
  • Ymmärrä (pyydä apua)
  • Toimi (kehitä viestintää ja prosesseja)

Älä siis jää odottamaan, että löydät valmiin järjestelmän, joka ratkaisee kaiken. Sitä ei ole, eikä tule. Tartu toimeen ja ala hyödyntää tietoa!

Apua löydät täältä. Avoine oy on kehittänyt yhdessä Melson Oy:n kanssa tuotteen, jolla saat hyvän kuvan järjestösi tilanteesta ja pääset pureutumaan olemassa olevaan tietoon syvällisemmin kuin koskaan. Lue lisää tai ota yhteyttä myynti@avoine.fi