Suurin osa organisaatioista mittaa asiakas- ja henkilöstökokemusta säännöllisesti – NPS, eNPS, CSAT, työtyytyväisyys. Silti moni johtoryhmä kohtaa saman ongelman: luvut liikkuvat, mutta kukaan ei osaa sanoa varmasti miksi. Tässä artikkelissa käydään läpi, mitä juurisyyanalyysi tarkoittaa käytännössä, miksi pelkkä tunnusluku ei riitä johtamisen pohjaksi, ja miten tekoäly on muuttanut juurisyiden löytämisen nopeaksi sen sijaan, että se vaatisi viikkojen manuaalisen analyysin.
Mitä juurisyyanalyysi tarkoittaa?
Juurisyyanalyysi tarkoittaa menetelmää, jolla selvitetään mittarin – esimerkiksi NPS:n, asiakastyytyväisyyden tai henkilöstön sitoutumisen – taustalla vaikuttavat todelliset syytekijät sen sijaan, että tyydytään toteamaan pelkkä lopputulos. Käytännössä kyse on siitä, että kysytään “miksi” niin monta kertaa kuin tarvitaan, jotta oireen sijaan löydetään sitä aiheuttava tekijä.
Miksi pelkkä NPS tai tyytyväisyyskeskiarvo ei riitä?
NPS:n keskeisiin kehittäjiin kuuluva Bain & Companyn Fred Reichheld on todennut, että lukua oleellisempaa on ymmärtää sen taustalla vaikuttavat tekijät. Sama pätee mihin tahansa keskiarvomittariin: se kertoo, mitä tapahtui, muttei kerro miksi. Kun kaksi täysin erilaista ongelmaa, esimerkiksi hidas asiakaspalvelu ja epäselvä hinnoittelu, tuottavat saman keskiarvon, ne vaativat myös täysin erilaiset toimenpiteet. Ilman juurisyyanalyysia riskinä on, että organisaatio korjaa väärää asiaa tai ei korjaa mitään, koska ei tiedä mistä aloittaa.
Neljä tapaa löytää palautteen todelliset juurisyyt
- Tekoälyhaastattelu kaivaa juurisyyt. Kun vastaaja antaa esimerkiksi matalan tai korkean NPS-arvosanan, tekoäly voi kysyä heti tarkentavan jatkokysymyksen tarvittaessa Lean-johtamisesta tutulla “viisi kertaa miksi” -periaatteella. Näin juurisyy saadaan suoraan vastaajalta itseltään, ei tulkitsemalla jälkikäteen.
- Avoimien vastausten tekoälyanalyysi. Perinteisesti avointen tekstivastausten läpikäynti on ollut hidasta käsityötä. Tekoäly pystyy teemoittelemaan satojen tai tuhansien vastausten sisällön automaattisesti ja nostamaan esiin ne kymmenkunta teemaa, jotka selittävät tuloksen vaihtelun parhaiten.
- Segmentointi ja ristiinanalyysi. Vertaa tuloksia eri ryhmien, kuten tiimien, asiakassegmenttien ja elinkaaren vaiheiden välillä. Jos yksi tiimi tai asiakasryhmä poikkeaa selvästi muista, juurisyy löytyy usein sieltä.
- Liiketoimintadatan yhdistäminen palautteeseen. Kun kyselydata yhdistetään esimerkiksi myynti-, poistuma- tai henkilöstödataan, nähdään, mitkä palauteteemat todella korreloivat liikevaihdon, asiakaspoistuman tai vaihtuvuuden kanssa – eikä vain mitkä teemat esiintyvät useimmin.
Juurisyystä toimenpiteeseen
Juurisyyn löytäminen on välivaihe, ei lopputulos. Seuraava askel on kääntää löydös priorisoiduksi toimenpidesuunnitelmaksi: mitä tehdään ensin, kuka vastaa, ja mitä vaikutusta toimenpiteeltä voi odottaa. Ilman tätä viimeistä askelta juurisyyanalyysikin jää raportiksi muiden joukkoon.
Konkreettinen esimerkki: Anfra tunnisti kyselydatan avulla kriittisen signaalin esihenkilötyössä. Juurisyyn pohjalta käynnistetty valmennus nosti esihenkilöiden NPS-tuloksen -2:sta +37:ään puolessatoista vuodessa.
Miten Zeffi tekee juurisyyanalyysista automaattisen
Zeffin WhyFinder-tekoälyhaastattelija käy jokaisen vastaajan kanssa mukautuvan keskustelun ja kysyy tarkentavat jatkokysymykset automaattisesti – sekä asiakas- että henkilöstökyselyissä. Avoimet vastaukset teemoitellaan ja tiivistetään tekoälyllä, ja tulokset voidaan yhdistää haluttuun liiketoimintadataan, jotta näette, mitkä teemat oikeasti vaikuttavat NPS:ään, asiakaspoistumaan tai henkilöstön vaihtuvuuteen. Lopputuloksena ette saa pelkkää lukua tai teemalistaa, vaan priorisoidun toimenpidesuunnitelman.
Jos tunnistatte omasta organisaatiostanne tilanteen, jossa mittari liikkuu mutta syy on hämärän peitossa, varaa asiantuntijatapaaminen – katsotaan yhdessä, mitä teidän datanne juurisyyt kertovat.