Big data en customer insights

Home » Kennisbank » Kennisbank » Digital Analytics » Big data en customer insights

Big data en customer insights

Naast het online data verzamelen door actieve medewerking van mensen (online marktonderzoek) kun je ook op een passieve manier online data verzamelen. Hierbij wordt data verzameld op basis van surf- en klikgedrag van mensen zonder actieve medewerking. Online marketeers maken gebruik van deze big data die mensen maken door zich ergens te registeren, door te klikken, te zoeken of door producten of diensten te kopen. Dit soort data vormt de basis voor online marketingcommunicatie en customer relationship management (CRM). Daarnaast is het vergaren van dit soort data van belang om zo goed mogelijk in te spelen op de wensen en behoeften van de klant. Wil je meer weten over (CRM) en klantengegevens? Lees dan mijn artikel online customer relationship management.

Maar hoe zet je deze big data om in waarde voor een organisatie?

Wat is big data?

Waar vroeger de vraag werd gesteld ‘waar haal ik de informatie vandaan?’  is nu de kernvraag ‘hoe haal ik de beste informatie uit al die big data?’ Door online interactie tussen organisatie en klant is een vloedgolf aan big data ontstaan. Voorbeelden van data zijn o.a.: mailverkeer, surf- en shopgedrag, app gebruik en sociale media.

Maar naast deze door de mens gegenereerde datastoom is er ook nog een door apparaten gegenereerde datastroom. Denk hierbij aan bijvoorbeeld aan de communicatie tussen smartphone, en thermostaat, televisie, verlichting en beacons. Deze datastroom zal de komende jaren alleen maar explosief stijgen.

Vooral door de toename van de apparaat gegenereerde data hebben wij tegenwoordig steeds meer met big data te maken. Bij het beschrijven van big date worden vaak drie factoren (de drie V’s genoemd:

  • Volume: Het gaat om grote hoeveelheden data.
  • Velocity: De snelheid waarmee data opgehaald wordt.
  • Variety: De diversiteit van de data. Dit is de verscheidenheid aan databronnen en datatypen: gestructureerd (klikgedrag, besteed bedrag) en niet gestructureerd (teksten op sociale media).

 De complexiteit van big data zit hem niet zozeer in de opslag van de data, maar vooral in het snel kunnen verwerken van grote hoeveelheden in korte tijd (tot realtime). Hiervoor wordt gebruikt gemaakt van distributed processing (of distributed computing) in de cloud. Bij distributed processing draait een programma op meerdere computers, die onderling communiceren en zo tot een gemeenschappelijk einddoel komen. Het web zelf is ook een voorbeeld van distributed processing. De kracht van veel computers wordt zo gecombineerd. Naast snelle verwerking is ook het combineren van data uit vele bronnen en van verschillende datatypen lastig.

Het gebruik van artificial intelligence of machine learning maakt dat we deze processen steeds sneller en efficiënter kunnen uitvoeren.

Met data science naar klantinzicht

Het verzamelen van al die data is niet het uiteindelijke doel, maar het gaat erom het in waarde om te zetten. De eerste stap daarbij is het van anderen van data in informatie. Gelukkig kunnen wij met data niet alleen beschrijven wat er is gebeurd (descriptive) maar ook waarom dingen zijn gebeurd (diagnostic). En ook kunnen wij voorspellen wat er in de toekomst waarschijnlijk zal gebeuren (predictive) en ook waarom (presceptive). Vooral deze laatste activiteiten dragen bij aan het ontwikkelen van (klant)inzichten.

Data science is het werkterrein van het toepassen van wetenschappelijke methoden, processen en systemen om uit data informatie en inzichten te creëren.

Customer insight management: is het instaat zijn data-analyseresultaten te combineren met visie en creativiteit om klantinzichten te creëren die leiden tot concrete acties met als resultaat extra waarde voor de klant en extra waarde voor de organisatie.

Soorten (big data) analyses

Na het vertalen van data naar informatie, is de tweede stap te komen naar inzicht. Daarvoor gebruiken datascientists analysetechnieken die de afgelopen decennia zijn ontwikkeld op basis van wiskunde, statistiek en informatica. Ee is een indeling gemaakt van die analyses op basis van het volgende:

  • Zijn de analyses beschrijvend (wat) of verklarend (waarom)?
  • Hebben de resultaten betrekking op het verleden/heden of op de toekomst?

 

Beschrijvend

Verklarend

Verleden/heden

Descriptive

Diagnostic

Toekomst

Predictive

Perceptive

Descriptive analytics

Descriptive analytics zijn analysevormen die als doel hebben inzicht te geven in wat er gebeurd.  We behandelen enkele veelvoorkomende toepassingen:

  • Reporting (rapportage): Er zijn veel tools beschikbaar om data samen te vatten en dashboards te maken. Vaak gaat het om de weergave van de belangrijkste resultaatindicatoren van een bedrijf (Key Results Indicators) zoals omzet, afzet, klanttevredenheid en klantwaarde.
  • Profiling (klantprofilering): Bij het digitaal benaderen van klanten maken we vaak gebruikt van groepen klanten die ‘look-alikes’ zijn. Daarmee kunnen we de online productrealisatie en communicatie beter op die groepen afstemmen.
  • Webanalyses: Door beter inzicht in het gedrag van klanten op websites en online stores kunnen we de prestaties van de site/stores verhogen.
  • Social listening: Social listening is het meten van merkassociaties en sentiment door het analyseren van socialemediaberichten. De essentie van social listening is het monitoren van de sociale media op informatie over het bedrijf of organisatie.
  • Social network analyse: Door sociale netwerken is de intensiteit van customer to customerconnecties geëxplodeerd. Daardoor zijn analyses over de mate van beïnvloeding zeer populair geworden. Daarbij speelt niet alleen het aantal contacten dat een influencer heeft een rol, maar ook hoe ver een contact van die persoon is verwijderd en ook de mate waarin de contacten weer met elkaar in contact staan. Daarnaast speelt infuencing power een rol. Van alle klanten die positief zijn over een merk is het effectiever om die klanten in te zetten die een hoge beïnvloedingsfactor hebben (customer influence value, CIV).

 

Diagnoctic analytics

Het doel van diagnostic (verklarende analyses) is te duiden waarom consumenten zicht hebben gedragen zoals ze deden, om naar de toekomst toe van de inzichten te kunnen profiteren. We behandelen een aantal belangrijke technieken:

  • Migratie-analyse: De essentie bij migratie-analyses is een beeld krijgen van de ontwikkelingen op het gebied van het online gedrag, het productgebruik en de klantwaarde van individuele klanten. Door patronen in klant worden, groeien en weglopen te herkennen, kan de informatie worden gebruikt om klanten te beïnvloeden die op eenzelfde punt in de customer journey staan.
  • Klantsegmentatie-analyse: Bij klantsegmentatie gaat het om het creëren van groepen van klanten die binnen de groep overeenkomstig(e) gedrag/ behoeften hebben, maar er tussen de groepen juist afwijkend(e) gedrag/ behoeften bestaat. Hiervoor kan bijvoorbeeld een clusteranalyse worden gebruikt. Doel is om net als bij klantprofilering het geval is, de segmenten die online marketinginstrumenten zo optimaal mogelijk te bedienen. Bij klantprofilering wordt uitgegaan van een of enkele variabelen die door de organisatie als uitgangspunt wordt genomen. Bij statistische segmentatieanalyse kunnen veel verschillende segmentatievariabelen worden meegenomen en bepalen statische algoritmes welke variabelen de meeste impact hebben en welke groepen uiteindelijk relevant zijn voor een speciale aanpak.
  • Basket-analyse: Basket-analyse is het vergelijken van de winkelmandjes van klanten om inzicht te krijgen welke producten vaak in combinatie worden gekocht om dit vervolgens verder te stimuleren.
  • Attribuutanalyses: Attribuutanalyses stellen de bijdragen vast van de specifieke onderdelen (attributen) in de totale waarde van het product of de dienst. In klanttevredenheidsonderzoek zijn ook scores bekend op een (groot) aantal attributen van de webshop (zoals het assortiment, de prijzen, de zoekmodule en betaalmodule). Door de invloed van de onderliggende attributen op de totaalscore te analyseren, kun je een beeld krijgen welke van die attributen meer van belang zijn dan andere.
  • Customer journey analyse: Customer journey analyses dient om een beter begrip te krijgen van de routes die klanten afleggen in de hele klantcyclus (van probleemherkenning tot loyaliteit) en het effect van contactpunten tussen klant en organisatie (touchpoints) daarin. Deze analyses lijken sterk op de attribuutanalyses. Ook hier willen we weten welke contactmoment, via welk kanaal met welke propositie wat heeft bijgedragen aan het resultaat.

Predictive analytics

 Het doel van predictive analytics is het gedrag van individuele klanten voorspellen, zodat online marketeers op basis daarvan kunnen handelen om de klantwaarde te verhogen. We noemen de volgende veelgebruikte analysetechnieken:

 

  • Customer lifetime value analyses: Het doel van customer lifetime value analyses (LTV) is het berekenen van de totale klantwaarde, over het verleden en in de toekomst. Door de LTV te bepalen per klant, wordt inzichtelijk welke acties voor bepaalde klanten renderend kunnen zijn om in te zetten.
  • Churnreductiemodellering: Churn houdt in dat klanten vertrekken. Met een analyse gericht op churnreductie, kun je voorspellen welke klanten een groter risico hebben dat ze zullen weglopen. Door het effect van een (groot) aantal variabelen op het wel of niet klant blijven te onderzoeken, kunnen datascientists een set van rekenregels (model) bepalen waarmee we het wel of niet klant blijven binnen een bepaalde termijn per klant kunnen voorspellen. Met speciale acties gericht op deze klanten kan je online marketeer die dan stimuleren langer klant te blijven.
  • Attribuutmodellering: Op basis van het voorspelde effect van de verschillende contactpunten op de conversie (verkoop) bij individuele klanten, kan een datascientist bepalen hoe marketing en communicatiebudgetten het beste over de online en offline contactpunten kunnen worden verdeeld. Deze analysetechniek ligt in het verlengde van attribuutanalyse en customer journey analyses. De online marketeer kan zijn budget dan bewust over deze contactkanalen verdelen en zorgt natuurlijk dat de communicatie-uitingen op de verschillende doelgroepen toegespitst.
  • Integrated big data models: Integrated big data models zijn een combinatie van voorspellende technieken die op data sets uit verschillende databronnen wordt gebruikt om uiteindelijk te komen tot een geïntegreerde voorspelling van het (koop) gedrag van een consument. De kracht hiervan is te komen tot beter, meer nauwkeurige voorspellingen. Stel dat we op basis van koopgedrag van een klant in het verleden een redelijke voorspelling kunnen doen van het toekomstige koopgedrag. Door deze informatie te koppelen aan webdata (bezoek van de site, zoeken naar producten) en socialemediadata kunnen we tot een betere en meer nauwkeurige voorspelling komen.

Perceptive analytics

Perceptive analytics leiden tot voorgestelde acties. Doel van deze analysetechnieken is niet alleen voorspellingen doen maar ook een of meer marketingcommunicatie-activiteiten aan te bevelen op basis van die voorspellingen. Tot dit soort analyses rekenen we:

 

  • Dynamic targeting: Dynamic targeting houdt in dat op basis van klantprofielen, gedrag, locatie en laatste interacties communicatieboodschappen en aanbiedingen worden aangepast. Daarbij worden de resultaten van de laatste reacties van de klant in een continu proces geanalyseerd en op basis daarvan worden aangeboden producten, diensten en of de communicatie daarover op maat gemaakt. Omdat al die processen leiden tot veel varianten, wat voor medewerkers gewoon niet meer is bij te houden, is een marketing-automation proces, automatisering van de marketingcommunicatie, hierbij onontbeerlijk.
  • Recommender/ personalisation systems: Recommender/personalisation systems zorgen dat de individuele klant die specifieke aanbiedingen krijgt, waarvan de kans op conversie het grootst is. Het systeem bepaalt dat op basis van het koop- en interactiegedrag van de klant in vergelijking tot andere. Met name online retailers maken in toenemende mate gebruik van deze systemen.

 

Toepassingen van data science en customer insight management

Zoals in voorgaande beschrijving van de analyses duidelijk is geworden, kunnen data-analyses worden ingezet op bijna alle onderdelen van online marketing. De belangrijkste toepassingsgebieden zijn:

  • Innovatie en optimalisatie van businessmodellen, producten en diensten (het productrealisatieproces) Dit is eigenlijk het oude terrein waar (onderzoeks)data en klantinzicht als decennia wordt gebruikt.
  • Innovatie en optimalisatie van de kanalen die gebruikt worden in het klantacquisitie, CRM- en orderafhandelingsproces. Organisaties besteden veel energie aan het analyseren van customer journey om verkoop-, communicatie- en distributiekanalen beter op elkaar af te stemmen en de klantwaarde van de kanalen te verbeteren.
  • Innovatie en optimalisatie van de conversatie met de doelgroep tijdens het klantacquisitieproces en CRM-proces (campagne en inhoud). Marketingcommunicatie wordt steeds meer afgestemd op de specifieke wensen en het gedrag van klanten. Dit levert een directe bijdrage aan een hogere klantwaarde voor de klant en de organisatie en reduceert het probleem dat consumenten met onnodige informatie wordt lastig gevallen.

Om de hiervoor genoemde toepassingen in praktijk te realiseren, zijn steeds meer data, systemen, modellen en (automatiserings)processen noodzakelijk. En natuurlijk mensen met competenties om ermee te kunnen werken. In praktijk wordt er door de marketeer vaak eerst gewerkt met een verbijzondering naar klantsegmenten die gaandeweg steeds verfijnder wordt, totdat er uiteindelijk op individueel klantniveau wordt gewerkt.