Interview: Hoe Nissan transformeert in de digitale wereld

Dév Rishi Sahani: De term digitale transformatie wordt tot op zekere hoogte te veel gebruikt, dus het hangt ervan af hoe je het definieert. Bij Nissan zijn we een aantal jaar geleden begonnen met onze digitale transformatie. We hebben het goed gedaan met de technologische transformatie en dat zullen we blijven doen, maar het belangrijkste voor ons is om bij te blijven met onze klanten. We richten ons volledig op wat we de transformatie van klantervaring noemen, en als je het vanuit dat perspectief bekijkt, zijn de uitdagingen heel duidelijk.

De eerste uitdaging betreft de organisatorische of operationele structuur. Het denken over klanttrajecten als een lineair pad is een traditionele manier om te visualiseren hoe uw klanten met uw merk omgaan, maar uiteindelijk beperkt het zich tot transacties en sluit het u op in silo's. Om van transacties naar relaties met klanten te gaan, moeten we stoppen met kijken naar de stapconversies of handoffs tussen deze kanalen en die silo's met elkaar verbinden. Om van transacties naar relaties met klanten te gaan, moeten we stoppen met kijken naar de stapconversies of handoffs tussen deze kanalen en die silo's met elkaar verbinden.

Dév: Tijdens mijn loopbaan ben ik er vast van overtuigd dat de hoeveelheid data die beschikbaar is, altijd groter zal zijn dan de bereidheid van organisaties om die inzichten te consumeren en er actie op te ondernemen. Dit is geen slechte of goede zaak, het is gewoon de realiteit. Soms is de strijd gewoon omdat de data in strijd is met de geplande actie die u wilde ondernemen.

Maar wat belangrijker is, is dat de analyse geen duidelijke implicaties of aanbevelingen geeft - als de data u niet vertelt wat u nu moet doen, is hij behoorlijk nutteloos. Dit is waar het woord ‘gebruik’ relevant wordt; het verlegt de focus van hoeveel mensen de data gebruiken naar het nut. Wij hebben de invoering van data binnen onze organisatie geleid door het nut ervan duidelijk te definiëren voor onze markten, bedrijfsfuncties en digitale teams.

Aan de ene kant staat de input data, zoals dashboards en de ondersteunende systemen die upstream planning en besluitvorming mogelijk maken; aan de andere kant staat de output data, dat zijn de voorspellende modellen en de data wetenschap die de operationele resultaten van onze initiatieven laat zien. Wat deze twee met elkaar verbindt, is een data-driven, hypothesegestuurde test- en leercultuur.

Dév: In zekere zin is het onze hele reis van de afgelopen twee of drie jaar geweest... het ontwikkelen van CEDAR, ons interne merk voor de data analysefunctie. Het staat voor Customer Experience Data Analytics and Reporting. Het helpt ons om data om te zetten in informatie, kennis en wijsheid. Dat is waar de bruikbaarheid en bruikbaarheid om de hoek komen kijken.

De eerste paar jaar waren we nogal hardcore bezig om alles op orde te krijgen. Het eerste ‘Eureka’-moment was toen de hele organisatie zich realiseerde dat ze naar de data konden kijken en consumententrends op 147 markten konden zien. In plaats van aannames te doen op basis van steekproeven van bijvoorbeeld 5.000 mensen, kunnen we nu zien hoe een miljoen bezoekers met elkaar omgaan, elke minuut van elke dag.

Een paar jaar geleden lanceerden we een nieuwe auto in een specifieke markt en zagen we dat er veel segmentoverschrijdende aankopen werden gedaan. We konden zien wanneer klanten overstapten van het model waarvan wij dachten dat ze het zouden kopen, naar het model dat ze daadwerkelijk kochten. We konden bijvoorbeeld ook bepalen wie een automatische versnellingsbak of een handgeschakelde versnellingsbak zou kopen. We kunnen nu data gebruiken en belangrijke patronen zien in het kooptraject van de consument. We willen weten wat onze klanten willen en daarop inspelen.

Dév: Het was niet het eerste wat we bouwden. We zijn begonnen met ons te richten op data - welke vragen kunnen we de data stellen? welke antwoorden zal de data geven? Dat hebben we in het eerste jaar van het programma goed begrepen. Daarna ging het over het ‘democratiseren’ van deze data. We realiseerden ons dat het niet de uitdaging was om de data te hebben, maar wel om hem te begrijpen. Dit is waar we onze samenwerking met Artefact ontwikkelden om CEDAR home te creëren.

CEDAR is een onafhankelijk platform dat bij Nissan en in verschillende functies werkt en veel verschillende dashboards en inzichten bevat. Het is ons centrum voor ervaringen en consumenteninzichten - waar onze mensen naartoe gaan om de wereld te zien zoals onze klanten dat doen. Iedereen in het bedrijf kan er naartoe gaan en als u geen login hebt, hoeft u zich alleen maar aan te melden. Het moet net zo gemakkelijk zijn als surfen op onze website.

Het belangrijkste is dat wij als data-persoon naar de analyses in CEDAR kunnen kijken om te begrijpen hoe het gebruikt wordt, waar de wrijvingspunten zitten, waar mensen verdwalen en welke onderdelen nuttig of niet nuttig zijn. In plaats van alleen maar te vragen, weten we het.

Dév: We hebben veel mensen die goede beslissingen nemen, maar het is heel bevredigend om te zien dat mensen CEDAR gebruiken om andere beslissingen te nemen of beslissingen die ze eerder niet konden nemen.

We zijn deze reis begonnen vanuit een klantervaringsperspectief. We wilden dat iedereen die aan klantervaring werkte deze inzichten kon gebruiken. Maar al snel heeft het zich verspreid naar teams van andere functies, zoals geavanceerde productplanning en market intelligence. Al deze verschillende functies, op globaal en marktniveau, zijn op de hoogte van CEDAR. Dat geeft ons al veel context over hoe data steeds nuttiger wordt binnen onze organisatie en gebruikt wordt door verschillende soorten bedrijfsfuncties.

Dév: Data is niet alles; u moet weten hoe u er inzichten uit kunt halen. Dit is waar het hebben van het juiste team helpt. Toen ik in november 2017 bij Nissan kwam werken, waren er twee mensen in de wereldwijde data-afdeling en vanaf dat moment hebben we het team uitgebreid met drie kernpijlers - meten, optimaliseren en voorspellen.

De Measure-pijler heeft als taak te begrijpen hoe we de data organiseren en omzetten in informatie. We zijn opgegroeid in een zeer collaboratieve manier met partnerschappen, zoals met Artefact en andere bedrijven. We wisten dat we de machine nodig hadden om dat op te bouwen. De tweede pijler heet Optimise en is verantwoordelijk voor het uitvoeren van data-driven experimenten en testen en leren - wat we veel doen. De derde pijler heet Predict, wat de data wetenschappelijke pijler is. We zijn heel voorzichtig geweest om die aan het einde toe te voegen om er zeker van te zijn dat we niet overhaast te werk gingen en talent binnenhaalden dat zich heel snel zou vervelen, omdat we niet de juiste use cases hadden opgesteld.

Nu is het directe team meestal gevestigd in het Global Customer Experience Centre in Londen, samen met enkele mensen in ons hoofdkantoor in Yokohama, Japan, en we werken met geïntegreerde analyseteams in alle markten.

Dév: Succes draait om het nuttig maken van de data die we genereren voor zowel Nissan als haar klanten. Dat betekent dat we alles wat we doen moeten koppelen aan onze organisatorische KPI's. We kunnen vaststellen waar we een verschil beginnen te maken vanuit een organisatorisch perspectief, en we kunnen het ook terugkoppelen naar de kwaliteitsmeting van de klant die laat zien hoe we op korte termijn winst boeken of op lange termijn een lang leven beschoren is. Zo ziet het succes van het klantervaringsprogramma eruit. Het succes van het data programma zit hem in het heel eenvoudig blijven maken en blijven groeien.