Segmentering og next-best-action: 120 huller

Segmentering og next-best-action: 120 huller i sortimentet

De fleste SMV’er segmenterer efter branche, størrelse og geografi. Det er felter, der allerede står på debitorkortet, og som ikke fortæller noget om, hvordan kunden faktisk handler. Denne artikel viser de fire adfærdsakser, der reelt deler kundemassen op, og hvordan next-best-action finder hullerne i den enkelte kundes sortiment. Regneeksemplet ender på 120 filtrerede huller og 143.000 kr. i dækningsbidrag.

Resumé og konklusion

Beskrivelse er ikke styring: branche, størrelse og geografi fortæller, hvem kunden er, ikke hvordan hun handler. Derfor er de dårlige styringssegmenter.
Fire adfærdsakser: købsfrekvens, mix-bredde, prisfølsomhed og serviceintensitet deler kundemassen op på det, der betyder noget for indtjeningen.
RFM først: recency, frequency og monetary er den enkleste indgang. Ingen AI, en pivottabel og en eftermiddag.
Hullet i sortimentet: next-best-action i en SMV er ikke Amazon-anbefalinger, men spørgsmålet om, hvad lignende kunder køber, som denne kunde ikke køber.
Regneeksempel: 120 filtrerede huller, 15-20 % konvertering og 22.000 kr. pr. hul giver 143.000 kr. i dækningsbidrag. Anbefalingen er let. Salget er svært.

Branche og postnummer beskriver kunden – de styrer ingenting

De felter, de fleste segmenterer efter, ligger lige for: branche, antal ansatte, postnummer. De står allerede på debitorkortet, og de kræver ingen analyse. Men de har en fælles svaghed. De fortæller, hvem kunden er, ikke hvordan hun handler.

To entreprenørvirksomheder med samme antal ansatte i samme postnummer kan opføre sig fuldstændig forskelligt. Den ene bestiller hver uge, tager otte varegrupper og forhandler aldrig pris. Den anden bestiller fire gange om året, tager kun det billigste og ringer til lageret dagen før. Samme segment, to helt forskellige kunder – og to helt forskellige dækningsbidrag.

Testen er enkel. Mål spredningen inden for et af jeres segmenter på ordrefrekvens, ordrestørrelse, antal varegrupper og realiseret rabat. Er spredningen inden for segmentet lige så stor som mellem segmenterne, er segmentet en beskrivelse, ikke et styringsredskab. Det er samme øvelse som i salgsanalysen, der finder ud af, hvor væksten kommer fra, hvor væksten sjældent ligger, hvor totalen antyder.

Et styringssegment skal opfylde tre krav: kunderne skal ligne hinanden på det, der betyder noget for indtjeningen, segmenterne skal være tydeligt forskellige, og hvert segment skal have sin egen handling. Kan man ikke svare på, hvad man gør anderledes ved netop dette segment, er det ikke et segment. Det er en sortering.

Fire adfærdsakser – og RFM som indgang uden AI

Købsfrekvens. Hvor ofte bestiller kunden, og hvor stabilt er intervallet? Frekvensen er undervurderet, fordi den ændrer sig først, når noget er galt – præcis som beskrevet i churn prediction og de tre signaler før kunden går. Mix-bredde. En kunde på 300.000 kr. i én varegruppe er en helt anden risiko end en kunde på 300.000 kr. i syv. Den brede kunde er svær at flytte. Den smalle er sårbar over for én konkurrents pris.

Prisfølsomhed. Realiseret rabat mod listepris, hvor ofte kunden forhandler, og hvordan hun reagerede sidste gang, priserne blev sat op. Det er en adfærd, ikke en holdning, og den er målbar. Serviceintensitet. Ordrelinjer pr. ordre, hasteleverancer, delleverancer og kreditnotaandel. Denne akse skiller den kunde, der ser lønsom ud på dækningsgrad, fra den, der faktisk er det.

Indgangen kræver ingen model. RFM deler kunderne på tre tal: hvor længe siden er det, hun købte, hvor ofte køber hun, og hvor meget lægger hun. Del hver akse i tre grupper, og der er straks noget at handle på. Værdien er, at samtalen flytter sig fra „vores store kunder“ til „vores kunder med høj monetary og faldende recency“ – og det er en opkaldsliste, ikke en observation.

AI’s bidrag er clustering: modellen finder selv grupperne på tværs af mange akser på én gang. Det er bedre end den manuelle opdeling, men marginalt – og modellen giver hverken grupperne navne eller handlinger. Det skal et menneske.

Hvert markeret felt er en varegruppe, sammenlignelige kunder køber – og denne kunde ikke.

Next-best-action er hullet i sortimentet

Market basket-analyse spørger, hvilke varer der optræder sammen. I B2B er den mere brugbare variant peer-hulanalysen: hvad køber kunder i samme adfærdssegment på et år, som denne kunde ikke køber?

Det er „kunder som dig køber også“ – men på 400 kunder og 14 varegrupper, ikke på hundrede millioner brugere. Mønstrene er derfor færre og mere banale, end demonstrationerne lover. Til gengæld er de til at forstå og til at forklare over for kunden, og det er en forudsætning for, at en sælger vil bruge dem.

Et hul skal filtreres, før det bliver til en anbefaling. Tre krav virker: mindst 60 % af kundens peers køber varegruppen, kunden har handlet inden for de seneste 90 dage, og hullet har en forventet årsværdi over en bagatelgrænse. Uden filtre bliver listen for lang, og troværdigheden er brugt op efter tredje forkerte forslag.

Og så det ærlige: anbefalingen er let, salget er svært. En next-best-action-liste, der lander i en rapport, bliver aldrig til omsætning. Den skal ind i forberedelsen til det møde, der alligevel skulle holdes – tre linjer, ikke et projekt.

Regneeksempel: 400 kunder og 120 huller i sortimentet

En teknisk grossist omsætter for 48 mio. kr. fordelt på 400 aktive kunder. Gennemsnitlig årsomsætning pr. kunde er 120.000 kr., og dækningsgraden er 31 %. Sortimentet har 14 varegrupper, og gennemsnitskunden køber 4,2 af dem. Det er samme regnestykke som i vækst pr. kunde, blot set på varegruppeniveau.

Peer-hulanalysen finder 186 huller hos 143 kunder. Efter filtrering står 120 kunder tilbage med hver ét prioriteret hul. Værdien pr. hul sættes til medianen af, hvad kundens peers køber i varegruppen på et år: 22.000 kr. Brug medianen, ikke gennemsnittet – gennemsnittet trækkes op af to-tre storkunder. Konverteringen ligger realistisk på 15-20 %, altså 18-24 kunder. Regn med 21.

Gevinst. 21 × 22.000 kr. = 462.000 kr. i meromsætning. Ved 31 % dækningsgrad er det 143.000 kr. i dækningsbidrag.

Omkostning. 20 minutters forberedelse pr. dialog, 120 dialoger, altså 40 timer à 450 kr. = 18.000 kr. Opsætning af analysen første år: 35.000 kr. En introrabat, der i praksis koster cirka 4 % af meromsætningen: 18.000 kr. I alt 71.000 kr. Netto første år: 72.000 kr. Andet år, hvor opsætningen er betalt: 107.000 kr.

Hold det op mod alternativet. 462.000 kr. svarer til knap fire nye gennemsnitskunder, og at skaffe fire nye kunder af den størrelse koster typisk omkring 280.000 kr. Mersalget koster 71.000 kr.

Vær samtidig nøgtern om størrelsesordenen. 143.000 kr. er knap 1 % af det samlede dækningsbidrag. Og kører man listen kvartalsvis, er det ikke fire gange så meget: hullerne er stort set de samme hver gang. Effekten fordobles realistisk over to år. Den firedobles ikke. Til gengæld er én effekt ikke regnet med – kunder med fem varegrupper forsvinder sjældnere end kunder med to.

Fire faldgruber i next-best-action

Anbefaling uden kontekst. „Kunden bør købe varegruppe 7“ er ubrugeligt. „Kunden har købt kabler i to år uden at købe montagemateriel, hvilket 78 % af sammenlignelige kunder gør“ er en samtale.

Kunden køber det allerede andetsteds – af en god grund. Koncernaftale, egenproduktion, en teknisk binding. Det er ikke et hul, det er et vilkår. Registrér årsagen og undertryk hullet permanent. Ellers spørger næste sælger igen om tre måneder.

Måling på kliks i stedet for kroner. Åbnede mails og gennemgåede lister er ikke resultater. Det eneste tal, der tæller, er realiseret dækningsbidrag hos de udpegede kunder inden for seks måneder.

Kannibalisering. Merordren på varegruppe B ledsages af et fald i A, eller den vindes med en rabat, der æder marginen. Mål på kundens samlede dækningsbidrag før og efter, ikke på den enkelte varegruppe.

Sådan sætter du det op i Business Central

Fundamentet er varekategorier. Uden konsekvent udfyldte varekategorier på varekortet findes der ingen varegrupper at finde huller i, og det er her, de fleste projekter går i stå. Det hører til den samme oprydning som de stamdata, der bærer analysen.

Adfærdsdataene ligger i bogførte salgsfakturaer med linjer og i værdiposterne, hvor både salgs- og kostbeløb står pr. linje. Derfra beregnes frekvens, ordrestørrelse, mix-bredde og dækningsbidrag pr. kunde pr. varegruppe. Rabatniveauet aflæses som forskellen mellem enhedspris og listepris på salgslinjen, serviceintensiteten fra ordrelinjeantal, delleverancer på bogførte følgesedler og salgskreditnotaer med årsagskode. Segmentet bør stå som en dimension eller en debitorkategori på debitorkortet, og analysevisninger og salgsanalyserapporter giver den første manuelle udgave af matricen direkte i BC.

Distributionen er det afgørende. I Relationsstyring oprettes segmenter på kriterier, og opgaver lægges på kontaktpersonen med forfaldsdato og ansvarlig sælger. Sales Line Suggestions foreslår linjer på det enkelte dokument ud fra historik – nyttigt ved ordreoprettelse, men på dokumentniveau, ikke på segmentniveau. Peer-beregningen hører hjemme i den semantiske Power BI-model, og resultatet skubbes tilbage til BC som opgaver via Power Automate.

Sådan understøtter oneBC365 det

Alt det, en peer-hulanalyse kræver, står allerede i Business Central – men fordelt på fakturalinjer, værdiposter, varekategorier og dimensioner, som sjældent læses sammen. oneBC365 samler dem i én færdigbygget semantisk model med omsætning og dækningsbidrag pr. kunde pr. varegruppe over tid.

Det er den matrice, hullerne kan ses i, og den samme model, listen til sælgerne trykkes ud af hvert kvartal. Kunden ejer selv koden.

Sådan kommer du i gang med next-best-action i 4 trin

Lav matricen manuelt: 100 største kunder ned ad siden, varegrupper hen ad toppen, omsætning sidste 12 måneder i felterne. Hullerne springer i øjnene uden nogen model.
Byg en RFM-opdeling på tre akser i tre grupper, og beslut én handling pr. gruppe.
Vælg 30 kunder med det største filtrerede hul, og giv sælgerne tre linjer hver til det møde, der alligevel var planlagt.
Mål efter seks måneder på realiseret dækningsbidrag – og registrér årsagen, hver gang et hul viser sig at være et vilkår.

Relaterede artikler

Vil du se, hvordan matricen med jeres egne kunder og varegrupper ser ud – og hvor mange huller der reelt står tilbage efter filtrering? Book en demo, så gennemgår vi peer-hulanalysen på jeres eget Business Central-data.