Archief voor categorie “Datamining”


Dit najaar zal een nieuw boek verschijnen waarin het verschijnsel “Superpromoter” uitvoerig wordt behandeld. Auteur is Rijn Vogelaar, Algemeen Directeur van Blauw Research. Omdat ik de eer heb gehad een van de “meelezers” te zijn, heb ik een goed idee van wat er in dit boek allemaal wordt besproken.

En ik kan zeggen, dit “dreigt” stilletjes een heel interessant boek te worden. Rijn combineert in zijn boek recente marketinginzichten van bekende schrijvers zoals Earls (Boek: “Herd”), Dijksterhuis (”Het slimme onbewuste”) Gladwell (”The tipping point”) en verbindt die met de inzichten over het eminente belang van “loyaliteits en aanbevelingsgedrag” zoals die door Reichheld ( “The one question you need to grow”) zijn verwoord. Ook wordt het door Philips en Synovate  uitgevoerde project “True Loyalty” en de daaruit volgende conclusies,
(o.a. over het effect van Word of Mouth) besproken.

Zonder erg diep in te gaan op de inhoud (Rijn werkt nog aan de definitieve versie) wil ik wijzen op een, volgens mij heel belangrijk uitgangspunt van het boek en dat is dat van het belang van “positief enthousiasme”.
Willen bedrijven in de toekomst kunnen groeien dan zal gewoon “aandacht voor de klant” en “klantentevredenheid” (buzzwords waar we ons allemaal wel aan bezondigen) onvoldoende blijken te zijn. 
Ze leggen namelijk teveel de nadruk op de wensen van een soort niet bestaande “gemiddelde klant”. 
Ook richten ze zich veel te veel op “problemen” zoals die vooral worden gesignaleerd door mensen met negatieve ervaringen en signaleren die problemen dus ook nog eens lang nadat ze ontstaan zijn.
Dit geheel volgens het principe van TL2, “too little, too late”.

Rijn draait het om en pleit juist voor meer aandacht voor de groep enthousiaste klanten, diegene die uitgesproken positief zijn.
Mede op basis van de theorie van Reichheld en de door hem geïntroduceerde 11-punts NPS aanbevelingsschaal) bespreekt Rijn de “promoters” (diegene die een 9 of 10 scoren) en de “detractors” (al diegene die 6 of lager scoren). De pro’s en con’s van dit concept word kritisch beschreven.
Gecombineerd met de eerder aangehaalde theorieën worden nu de begrippen Superpromoter en Antipromoter geïntroduceerd. De Superpromoter is enthousiast, deelt dit enthousiasme vrijelijk met iedereen die daar voor open staat en is qua persoon iemand die door zijn of haar omgeving als gewaardeerde informatiebron wordt beschouwd. Als zodanig beïnvloedt de Superpromoter zijn/haar omgeving sterk.
Zij bepalen mede het succes of de mislukking van nieuwe producten, reclamecampagnes en positioneringen.
De Antipromoter is in vele opzichten gelijk aan de Superpromoter, maar is door negatieve ervaringen met het product of het merk, de organisatie of de politieke partij waar zij/hij voor stond, teleurgesteld.
Het gevaar van de Antipromoter is evident.

Rijn beschrijft in zijn boek welke rollen de Superpromoter kan vervullen, zoals die van “co-creator” (zij/hij weet als geen ander wat zijn sociale omgeving en netwerken willen), als “reputatiebouwer/reputatiebreker”, als “marketeer” en vele andere rollen.

Het instrumentarium om de Superpromoter te kunnen traceren is grotendeels al ontwikkeld, maar zal nog verder moeten worden gevalideerd en bovendien zal elke organisatie zijn eigen Superpromoters moeten definiëren en valideren. In het boek wordt daartoe een kader geschetst.
Rijn claimt dus ook niet alles al volledig “dichtgetimmerd” te hebben.
De Superpromoter is een concept, een denkrichting, een uitdaging aan ons allen om er verder op voort te borduren.

Voorlopig lijkt het mij dat de Superpromoter vooral toepasbaar is in businesses waar je rechtstreeks en persoonlijk contact hebt met je klanten. Toepassing in de FMCG en Consumer Durables business lijkt mij lastiger, maar niet onmogelijk. Rijn geeft ook voorbeelden zoals het creëren van een “panels en communities van Superpromoters”.

Hoe de Superpromoter zich zal gaan ontwikkelen is natuurlijk nog niet te zeggen. Dat hangt mede af van de uiteindelijke inhoud van het boek en de wijze waarop organisaties bereid zijn met het concept aan de slag te gaan.

Het zou mij niets verbazen als er over dit boek veel discussies zullen losbarsten. Volgens mij is dat ook een van Rijn zijn doelen. Ik hoop stilletje op een stortvloed aan publicaties en verhitte debatten.
Sommige zullen misschien spreken over “de nieuwe kleren van de keizer”.
Anderen zullen zeggen dat de keizer eindelijk heeft begrepen dat de tijden veranderd zijn.
Dat massacommunicatie niet meer zinvol is als je mensen van iets wil overtuigen. Dat “social networks” vaak snellere, betere, gerichter en geloofwaardigere kanalen vormen om je boodschap door te laten “cascaderen”, (als dat ten minste een goed woord is).

Het concept is razend interessant, de toepassingsmogelijkheden groot.
Laten we nog even wachten op Rijn en er dan mee aan de slag gaan. Voorlopig ben ik razend enthousiast!

Ton Otker Loyaltypromoter.

Voor meer informatie over de effecten van loyaliteit en aanbevelingsgedrag op uw omzet verwijs ik naar mijn site: www.loyaltypromoter.nl

 

Tags: , , , , , , , ,

Comments Geen reacties »

Als dataminerd ben ik fervent gebruiker van opensource tools voor datamining(R, Weka, Octave, Orange).

Nu ben ik momenteel bezig om voor ons adviesbureau een tooltje in elkaar te draaien dat rss-feeds van vacature sites leeg slurpt. De relevante opdrachten eruit filtert en met CV’s van mede ondernemers combineert en deze gecombineerd bij onze sales in de email bus te laten vallen.

Je zou een geheel Basyaanse aanpak kunnen opzetten waarin je net als een spamfilter leert wat goede en slechte matches (spam/ham) zijn maar in eerste instantie is gekozen voor een direct aanpak met het slim tellen van overeenkomsten in de text. Hirevoor gebruik ik de Natural Language Tool Kit (NLTK) in python en een Nederlandse corpus van Alpino Treebank.

Ik zal jullie op de hoogte houden van verdere voortgang…

Tags: , ,

Comments Geen reacties »

In Clou van maart 2009 een geweldig interessant stuk “data want to be free”. Waarin Frank van Harmelen van de VU een kijkje in zijn keuken gunt met interessante links, waaronder deze over Cogito van Expert System op readwriteweb, en deze op wikipedia: Semantic Advertisement.

Wat mij vooral interesseert is hoe kennis uit data gewonnen wordt en dat dit op het semantische web revolutionair anders zal gaan dan in de huidige omgeving. Nu wordt er weinig data over data (metadata) opgeslagen en nauwelijks gebruikt bij het analyseren van gegevens. Dus de complexiteit zit in de dure datamining algorithmes achteraf of de samenhang tussen gegevens opnieuw af te leiden. In het semantisch web zit de complexiteit in het organiseren van een ‘ontologie‘ of context gedurende design time en is het verkrijgen van het juiste antwoord op een analyse vraag in runtime veel eenvoudiger.

Tenminste dat is het idee.

Tags: ,

Comments Geen reacties »

ING zou graag haar klantdata gebruiken voor behavioral targeting. Bedenk eens wat je bank, telefoonbedrijf en anderen van hun klanten weten. Met inzicht in de transacties weet een bank nauwkeurig waar en wat je koopt en zelfs voor welke prijs. Op basis van deze gegevens kunnen zij zeer gerichte aanbiedingen doen voor bijvoorbeeld concurrerende producten of diensten die bij jouw profiel passen.

De grote vraag is of klanten hierop zitten te wachten. Zijn consumenten bereid deze gegevens prijs te geven voor dergelijke diensten? ING denkt van wel, bij Engelse supermarktketen Tesco schijnt 90% van de klanten toestemming te geven om voor het gebruik van dergelijke gegevens.

Zelf zou ik de banken willen oproepen om te beginnen met het aanbieden van een ‘analytics dashboard’ binnen de telebankier omgeving. Ik zou graag meer inzicht hebben in mijn transacties op mijn betaalrekening. Uitgaven per categorie, waar mogelijk automatisch toegekend “Nuon” = “Energie”, en dit dan per maand/jaar in een overzichtelijke tabel en grafiek. Waarom krijg ik deze gegevens op dit moment alleen in een lange onoverzichtelijke lijst? Dit zou in ieder geval helpen mij als klant te binden.

Tags: , ,

Comments 2 Reacties »

Onderstaand artikel verscheen in het oktober 2008 nummer van Adforesult en werd geschreven door Bart Clement & Bram van Essen. Het volledige artikel in pdf is hier te downloaden.

Offline wordt het gedrag van klanten al jaren met grote nauwkeurigheid voorspeld en wordt per klant vaak real-time de beste aanbieding doorgerekend. De voorspellingen zijn gebaseerd op grote hoeveelheden gedragsgegevens, contactgegevens, productgegevens en persoonsgegevens van klanten. Deze schijnbaar onoverzichtelijke bron wordt behapbaar gemaakt door toepassing van datamining technieken die patronen en profielen kunnen opsporen in de gegevens.

Ondanks dat het online kanaal al jaren een kanaal is waar enorm veel interactie met de klant plaatsvindt, worden de gegevens die online het gedrag van klanten beschrijven nog steeds niet gebruikt ten behoeve van analyses en geintegreerde marketing. De traditionele statistische technieken om klantgedrag en klantbehoeften te voorspellen zijn echter, onder enkele voorwaarden, ook geschikt om toe te passen op online klantgegevens. In dit artikel laten we aan de hand van voorbeelden zien hoe datamining technieken ook succesvol binnen online marketing kunnen worden ingezet, en geven we aan hoe je als organisatie een vliegende start kan maken met datamining.

Wat is datamining?
Datamining is het toepassen van statistische algoritmen om (verborgen) structuren en patronen in grote databestanden te vinden. Voorbeelden in de marketing zijn het vinden van klanten die met een grote mate van waarschijnlijkheid zullen reageren op een direct mail-actie of het segmenteren van een klantenbestand aan de hand van hun waarschijnlijkheid om op te zeggen en zo input te krijgen voor behoudsactie.

Werkwijze
Het dataminingproces is grofweg in 3 fases in te delen:
1. Definieren datamining vraag
Het kiezen van een geschikte datamining vraag is een belangrijke stap omdat dit de methode van analyse en de richting van de uitkomsten van de analyse bepaalt. Een miningvraag kan zijn: Welk gedrag vertonen bezoekers op de website vlak voordat ze een abonnement opzeggen, zodat je potentiele opzeggers op tijd kunt benaderen, of welke producten kan ik het beste aanbieden aan klanten die recent een doorlopende reisverzekering hebben afgesloten?

2. Kiezen van de juiste datamining techniek.
De tweede stap in het dataminingproces betreft de keuze van de juiste datamining techniek. Iedere datamining techniek heeft specifieke voor- en nadelen. Zo zal de ene techniek wellicht tot betere voorspellingen leiden, terwijl een andere techniek juist beter interpreteerbaar en uitlegbaar is.

3. Samenstellen dataminingtabel,
Deze stap is een belangrijke en zal verreweg de meeste tijd in beslag nemen (tot wel 80%). Allereerst dient de dataminingtabel op het juiste niveau te worden samengesteld. Meestal zul je klantgedrag willen voorspellen en zul je dus je miningtabel op klantniveau moeten samenstellen. Vervolgens moet de miningtabel worden aangevuld met variabelen die mogelijk een verband (correlatie) met de dataminingvraag kunnen hebben. Dit kunnen transactiegegevens, productbezit gegevens en klantcontactgegevens zijn, maar ook samengetrokken variabelen zoals klantwaarde of kanaalpreferentie per klant.

Het samenstellen van een geschikte miningtabel (op Internet gegevens) is tot op heden vaak een probleem geweest. De meeste webanalytics pakketten leggen gegevens namelijk op sessieniveau vast en rapporteren ook op sessieniveau. Omdat we met datamining meestal uitspraken doen over behoefte en gedrag van klanten dient de mining tabel meestal ook op klantniveau te worden opgesteld en zal er dus in het onderliggende datamodel van de webanalytics pakketten nog een aggregatie van sessienoveau naar klantniveau moeten plaatsvinden.

Toepassingen op online klantgegevens

In het grote scala aan statistische technieken en algoritmes onderscheiden wij de volgende drie groepen datamining technieken die zich het best lenen voor online analyses:

  1. Associatieve technieken
  2. Technieken waarbij de te voorspellen variabele een binaire variabele is
  3. Technieken waarbij de te voorspellen variabele een continue variabele is.

Ad 1. Associatieve technieken
Associatieve technieken zijn de meest bekende vorm van datamining. Dit zijn technieken waarmee overeenkomsten binnen groepen en juist verschillen tussen verschillende groepen kunnen worden gebaseerd op geselecteerde variabelen. Bij associatieve technieken wordt datamining gebruikt om associaties en verbanden te leggen zonder dat er een doelvariabele is. Voorbeelden van dergelijke technieken zijn de clusteranalyse en de apriori analyse.

A) Clusteranalyse
Clusteranalyse is vooral bekend uit marktonderzoek en wordt veel ingezet voor klantsegmentatieonderzoeken. Het doel van de analyse is niet het voorspellen van klantgedrag, maar het zoeken naar een beperkt aantal homogene groepen die onderling sterk verschillen. Online kan deze techniek heel goed worden ingezet om websitebezoek te segmenteren. Onderstaand voorbeeld laat dat zien.

Case 1: Een aanbieder van vakantiereizen segmenteert websitebezoek
Een grote aanbieder van vakantiereizen wilde achterhalen wat bezoekers op de website doen. Om hier inzicht in te krijgen is een clusteranalyse uitgevoerd, waarbij alle sessies over de laatste maand zijn meegenomen. Uit de clusteranalyse blijkt dat de volgende groepen sessies bestaan:

  • Korte sessies waarbij slechts op de aanbiedingen werd gefocussed, de zogenaamde ‘pricehunters’
  • Extreem korte sessies, waarin slechts 1 of 2 pagina;s zijn bekeken, zogenaamd ‘verkeerd verbonden’
  • Lange sessies die zich verspreiden over de gehele website, de zogenaamde orientatiesessie
  • Middellange sessie waarbij de manier van boeken wordt onderzocht door de bezoekers, de zogenaamde ‘boekingsvoorbereiding-sessie’
  • Korte sessie waarin de aanbiedingen worden bekeken en de boekingsmodule wordt doorgelopen, meestal eindigend in een boeking, de zogenaamde ‘boekers’.

Een nieuwe clusteranalyse op klantniveau liet zien dat deze verschillende sessies door alle klanten kunnen worden toegepast, en afhankelijk zijn van de fase van het beslisproces waarin de klant zich bevindt. Dit inzicht werd gebruikt om een nieuwe indeling van de website vorm te geven waarbij elk van deze type sessies optimaal werd ondersteund, met andere woorden, de bezoeker werd gefaciliteerd in het behalen van zijn of haar doelen op de website.

B) Apriori analyse technieken
De apriori techniek is uitermate geschikt om transactie data mee te analyseren. De basket analyse is hiervan het bekendste voorbeeld. Binnen (offline) retail is deze techniek veel ingezet om te bepalen welke artikelen veel samen worden gekocht om zo de winkel optimaal in te richten (zodat bier en zoutjes in hetzelfde schap staan). In online retail zijn de mogelijkheden van deze techniek nog vele malen groter, omdat je online geen last hebt van fysieke beperkingen.

Een bekend en succesvol online voorbeeld van toepassing van apriori datamining is Amazon. Door uitgebreide analyse van transactiedata wordt bij ieder product een extra suggestie gegeven (’mensen die dit boek kochten, hebben ook dit boek aangeschaft’).

Ad 2. De doelvariabele is een binaire variabele
Voorbeelden van miningvragen waarbij de doelvariabele een binaire variable is, is het voorspellen van de kans op weglopen. De doelvariabel is in dit geval wegloop (ja/nee). In dit geval zijn technieken als logistische regressie, kansbomen en neurale netwerken geschikte algoritmen.

Case 2: Een uitgeverij voorspelt kans op opzeggen van een abonnement
Een uitgever van een dagblad heeft de laatste jaren steeds meer moeite om abonnees te behouden. Om de uitstroom te verlagen wil de uitgever graag tevoren weten welke abonnees een verhoogde kans hebben om de krant op te zeggen. Hiervoor wordt een churnmodel ontwikkeld. Veel van haar klanten maken gebruik van de website van het dagblad om op de hoogte te blijven van het laatste nieuws. Gemiddeld wordt de website ongeveer drie keer per dag bekeken. Op internet zijn voor abonnees extra diensten gratis beschikbaar gesteld. Hiervoor moet wel op de site worden ingelogd, waardoor bekend is wie, wanneer, hoe vaak en wat op de site bezoekt. Deze gegevens kunnen worden gebruikt om opzeggers te voorspellen.

Er is een miningtabel opgesteld met alle klanten die in de afgelopen 3 maanden hebben opgezegd. Vervolgens wordt een model gemaakt om te voorspellen welke klanten een hoge kans hebben om hun abonnement op te zeggen. Hieruit blijkt dat weglopers in de maand voordat zij opzeggen meerdere keren de contactpagina met de algemene voorwaarden bekijken.

Klanten die hetzelfde gedrag gaan vertonen als de opzeggers, en dus een risicogroep zijn, komen nu in een aparte retentiegroep terecht waar extra marketing middelen worden ingezet om de klant alsnog te bewegen het abonnement te verlengen.

Ad 3. De doelvariabele is een continue variabele
Voorbeelden van miningvragen waarbij de doelvariabele een continue variabele is, zijn het voorspellen van de hoogte van de verwachte omzet per klant voor specifieke online marketing campagnes. In dit geval is de doelvariabele de omzet per klant, en deze kan een onbeperkt aantal waarden aannemen.

Advies
Zoals we hebben laten zien in de voorbeelden kan datamining ook succesvol worden toegepast op webdata en zijn de inzichten die je ermee kunt verwerven van grote waarde. Investeer echter niet meteen veel geld in systemen en tooling, maar begin klein.

Webanalytics is voor veel organisaties nog relatief nieuw. Richt je eerst op de (quick) wins die met webanalytics te bereiken zijn. Als dat proces onder de knie is, kun je als bedrijf eens naar datamining gaan kijken. Neem eens een steekproef uit je webdata en probeer daar een mining table van te maken. Levert dit nieuwe inzichten op, dan kun je hiermee verder gaan.

De praktijk leert dat organisaties vaak nog niet klaar zijn voor structurele datamining op internet gegevens zoals dit voor offline direct marketing al wel is ingebakken in organisaties. Het advies is dan ook om bij deze afdelingen aansluiting te zoeken en langzaam het webkanaal te ontsluiten en onderdeel te maken van het offline datawarehouse. Online marketing hoeft in dit geval niet opnieuw het wiel uit te vinden, maar kan snel de inhaalslag maken en profiteren van het voorbereidende werk van databasemarketing in de afgelopen 20 jaar.

Tags: ,

Comments Geen reacties »

De publiekstrekker (wat mij betreft) van de dag was de presentatie van Pieter Stel & Edwin van der Sande over Customer Profitability Management (CPM). Pieter heeft klantwaarde meer vanuit marketingkant bekeken, terwijl Edwin met een financiele pet naar de waarde van de klant kijkt.

De presentatie had de volgende opzet:

  1. Hoe niet? De valkuilen van een naderende recessie
  2. Hoe wel? Waarom CPM uitkomst kan bieden
  3. Voor wie? Checklist om te bepalen of CPM interessant is
  4. Hoe precies? Een kijkje onder de motorkap van CPM

Hoe het niet moet werd aan de hand van een aantal recessievalkuilen (lekker actueel) geillustreerd.

Recessievalkuil 1: te veel focus op product winstgevendheid kan voor een onderneming funest zijn op de lange termijn

Recessievalkuil 2: strooien met kortingen en prijsverlagingen (vaak aan de verkeerde klanten)

Recessievalkuil 3: klanten die nu het meest winstgevend zijn, zijn dit niet automatisch ook op de lange termijn

Een aantal trends heeft een sterke invloed op klantwinstgevendheid:
- Onbenutte winstkansen bij klanten
- Aandeelhouders eisen hogere marges en winst. Bedrijven moeten daarom in toenemende mate
weten hoeveel winstkansen ze laten liggen bij hun huidige én potentiële klanten.

  • Afnemende klantloyaliteit
  • Nieuwe afzetkanalen
  • Druk op kostenbesparing
  • Nieuwe organisatiestructuren

Veel organisatie hebben echter weinig inzicht en grip op klantwinstgevendheid, door onder andere onvoldoende inzicht in de winstbijdrage per klant(segment) over gehele levensduur, onduidelijke marketing effectiveness en een interne eilandjescultuur. CPM beantwoordt de vraag waar het marketingbudget optimaal
rendeert (Marketing ROI).

Het loont niet voor iedere organisatie om CPM in te voeren. Het is opportuun indien:

  • De brondata van voldoende kwaliteit is
  • Potentiële verbetering van de technische berekening
  • Voldoende bewustwording in de organisatie

De grootste uitdaging is om alle klantspecifieke kosten door de gehele organisatie te identificeren (verkoop, distributie en productie). Hiervoor is nauwe samenwerking met afdelingen als finance en logistiek noodzakelijk.

Vooral het bepalen van toekomstige winstgevendheid is geen sinecure. Hiervoor zijn verschillende methoden:

  • Doortrekken van huidige waarde in de toekomst
  • Tevens de ‘share of wallet’ (het klantaandeel) in kaart brengen
  • Via modelbouw verkoop- en wegloopkansen berekenen en met verkoopwaardes vermenigvuldigen
  • Tevens de mate van prijselasticiteit berekenen per klant per product (per kanaal per moment)
  • Tevens het verschil berekenen tussen autonome LTV en beïnvloede LTV

Als laatste 5 stappen om CPM cyclisch aan te pakken

Pieter was zo vriendelijk om de sheets beschikbaar te stellen. De hele presentatie is hier te downloaden.

Tags: , ,

Comments Geen reacties »

In de huidige marketing wereld begint analytics (gelukkig) een steeds grotere rol in te nemen. Steeds meer personen in een organisatie (of daarbuiten aan bureauzijde) storten zich erop. Maar wat betekent dat nu, analytics? Een behoorlijk breed begrip waar iedereen zijn eigen versie van lijkt te hebben.

Via Datalligence werd ik gewezen op een aardig artikel in het laatste SAScom magazine waarin acht niveau’s van analyse worden beschreven. Het gaat om de volgende:

1. Standaard rapportages
Beantwoord vragen als: Wat is er gebeurd? en wanneer?
Voorbeeld: kwartaalrapportages.
Eigenlijk de meeste simpele vorm van analyse (is het wel analylse?). Puur ter info, maar niet bruikbaar om lange termijn beslissingen op te nemen.

2. Ad hoc rapportages
Beantwoord vragen als: Hoe veel? Hoe vaak? etc.
Voorbeeld: Hoe vaak wordt product x op woensdags besteld?
Een gevalletje ‘u vraagt, wij draaien’.

3. Query drill down (OLAP)
Beantwoord vragen als: Wat is het probleem? Hoe vind ik een oplossing?
Voorbeeld: Onderzoek doelgroepen en zoom in op hun betaalgedrag
Binnen deze vorm van analyse is al een zekere ontdekkingstocht aan de gang.

4. Alerts
Beantwoord vragen als: Wanneer moet ik reageren? Wat moet ik doen?
Voorbeeld: KPI rapportages.
In deze fase krijgt analyse echt een sturende rol.

5. Statistische analyse
Beantwoord vragen als: Waarom gebeurt dit? Welke kansen laat ik liggen?
Voorbeeld: Waarom sluiten steeds meer klanten een rechtsbijstand verzekering af?
Hier wordt het kaf van het koren gescheiden en stappen we van reporting echt naar analyse.

6. Forecasting
Beantwoord vragen als: Wat gebeurt er als deze trend voortzet? Hoeveel budget moet ik wanneer inzetten?
Voorbeeld: Een retailer voorspelt hoeveel TV’s hij op voorraad moet houden per winkel.
Forecasting maakt het mogelijk om alternatieve scenario’s door te rekenen en daardoor betere beslissingen te nemen.

7. Predictive modelling
Beantwoord vragen als: Wat gaat er nu gebeuren? Welke consequenties heeft dit voor mijn omzet?
Voorbeeld: Een kansspelorganisatie voorspelt welke klanten geinteresseerd zijn in een nieuw product.
Nu de budgetten weer aangehaald zullen worden is het slim inzetten hiervan nog belangrijker geworden. Budget is over het algemeen de beperkende factor en dan benader je toch liever die klanten met een hoge kans op respons.

8. Optimalisatie
Beantwoord vragen als: Hoe kunnen we het beter doen? Welke beslissing is nu het beste?
Voorbeeld: Op basis van beperkingen als kanaalcapaciteit, business rules en responswaarschijnlijkheid wordt bepaald welke klant welk aanbod krijgt voorgeschoteld indien hij/zij contact met het bedrijf.

Met optimalisatie ben je in staat om een echte marketingfabriek te starten, waarmee de gut feeling van de marketeer zoveel mogelijk wordt vervangen door statistische bepaalde beslissingen. De resultaten van dergelijke real time decisioning oplossingen zijn fantastisch. Zolangzamerhand zijn er steeds meer organisaties die een dergelijke werkwijze (dit gaat verder dan alleen analyse!!) gebruiken en hier dagelijks de vruchten van plukken.

Tags: ,

Comments 1 Reactie »

De tijd van massale mailings naar je klanten is voorbij. De respons is teruggelopen en het aantal producten dat een organisatie voert sterk gegroeid. Voor veel producten worden klanten niet of nauwelijks actief benaderd.

Veel organisaties zijn inmiddels met inbound marketing bezig en daarvoor wil je voor iedere klant een optimaal aanbod hebben. Een veelgebruikte methode hiervoor is het maken van scoremodellen waarmee voor iedere klant de kans op aanschaf van een bepaald product wordt berekend.

Idealiter bereken je deze score op basis van een random steekproef die je voor dit product benaderd. Je benaderd zeg 50.000 klanten en maakt een voorspellend model op de respons. Hiermee kun je de rest van je database uitscoren.

Probleem is dat in de praktijk weinig (of geen) organisaties eerst een random groep gaan benaderen en daarop een model maken. Voor veel producten worden geen grote campagnes gehouden en dus wordt het model op autonome groei gebaseerd. Geen ideale situatie omdat na verloop van tijd een self forfilling prophecy ontstaat. Om je model in de toekomst te kunnen valideren zul je dus altijd een deel van je database van (inbound) benadering uit moeten sluiten.

Voor veel producten lijkt het een betere oplossing te zijn om via events een verhoogde scoringskans te signaleren. Nadeel van deze methode is dat vaak moeilijk is om objectieve scoringskans te bepalen, waardoor het vergelijken van verschillende uitkomsten lastig is.

Helaas is de praktijk toch vaak minder mooi dan de theorie ons wil doen geloven. De drempel om met inbound marketing te starten is dan ook vaak te hoog. Je hoeft echter helemaal niet groot te beginnen. Start met een aantal relevante producten en probeer uit te vinden wat werkt en wat niet. Werkt een model beter dan op events gebaseerde kansen of wellicht een combinatie? Naarmate je meer ervaring krijgt kun je langzaam het aantal producten gaan verhogen.

Inbound marketing is een continue proces van meten en optimaliseren, maar als het draait zijn de resultaten velen malen beter dan de resultaten die met outbound marketing kunnen worden gerealiseerd.

Tags: , , ,

Comments Geen reacties »

Ruim een week nadat de Tijdschrift voor Marketing op de mat viel, ben ik er vandaag eindelijk aan toe gekomen. Marketing Intelligence komt helaas weinig aan bod, dus was ik positief verrast dat het artikel ‘De vier belangrijkste trends in marketing intelligence’ van Hiek van der Scheer werd belicht.

In het artikel worden, zoals de titel reeds suggereert, vier MI trends besproken. Ook wordt aangegeven hoe deze trends optimaal kunnen worden ingezet voor actuele marketingthema’s als waardecreatie, klantwaardemanagement, multichannel strategie en online customer experience.

Hiek onderscheid vier componenten van marketing intelligence:

  1. Data, zonder data geen marketing intelligence
  2. Model, transformeren van data naar informatie
  3. Inzicht, vertalen van het model naar inzichten voor marketinginput
  4. Value drivers, het toepassen van inzicht om daadwerkelijk waarde toe te voegen (het uiteindelijke doel)

Trend 1: Hoeveel waarde creeer jij vandaag?
Door combineren van verschillende databronnen kan de effectiviteit van marketing steeds beter inzichtelijk worden gemaakt. Hiermee wordt het ook steeds beter mogelijk om je campagne tijdig bij te sturen. Door klantwaarde als een van de KPI’s mee te nemen wordt niet alleen naar korte termijneffecten van campagnes gekeken, maar wordt ook de lange termijn niet vergeten.

Trend 2: Goede klant is koning
Bij vrijwel iedereen wel bekend, maar nog weinig in de praktijk toegepast. Niet iedere klant levert geld op en verdient dezelfde behandeling. Deze trend wordt toegelicht aan de hand van een case uit de mobiele telefonie, waar ze natuurlijk veel met dit probleem te maken hebben. In plaats van iedere klant hetzelfde te bieden bij verlening wordt gekeken naar klantwaarde en churnkans om het aanbod te bepalen.

Trend 3: Multichannel op microniveau
Multichannel marketing is al jaren een hot item. Veel organisaties gebruiken verschillende kanalen om met hun klanten te communiceren. Wat echter voor de organisatie het beste (goedkoopste) kanaal is, hoeft voor de klant niet zo goed uit te komen. Door per kanaal het beste aanbod te bepalen kan per klant(groep) de ideale kanaalmix worden bepaald.

Trend 4: Connected customer in charge
Vooral door internet is de klant steeds beter geïnformeerd, waardoor hij steeds kritischer en vluchtiger wordt. De klant is aan de macht zou je kunnen zeggen. Persoonlijk denk ik dat het gebruik van internet door de klant alleen maar meer mogelijkheden biedt om zijn gedrag te beïnvloeden, dus dat de macht juist meer naar de aanbieder gaat. De analyse van online gedrag wordt alleen steeds cruciale voor een succesvolle campagne.

Om goed op deze trends in te kunnen spelen is het van groot belang dat marketing intelligence uit de ‘list management’ hoek komt en zich meer met de marketingstrategie gaat bemoeien. Dit is en blijft de grootste uitdaging voor marketing intelligence afdelingen!

Het volledige artikel is hier te downloaden. Zeer de moeite waard wat mij betreft.

Tags: ,

Comments Geen reacties »

Via Datamining Research werd ik gewezen op een interessante Franse onderneming die door middel van onder andere datamining technieken de koersen van aandelen voorspellen. Ik weet dat veel datamining ‘nerds’ hier in hun vrije tijd mee bezig zijn, maar deze heren hebben kennelijk van hun hobby hun werk gemaakt.

Het bedrijf Botraiders is opgericht door Xavier Bouteiller en Yann Finck. Per aandeel hebben ze een bot die de koers van dat aandeel voorspeld. Recentelijk zijn ze ook met een soort portfolio bot gestart om zo een optimale portfolio samen te kunnen stellen. Dagelijks worden hun voorspellingen op hun blog gepubliceerd. Tot op heden is dat nog gratis, maar bij bewezen succes zal daar op termijn wel verandering in komen.

Was toch handig geweest om de koersontwikkeling van zeg Fortis een dag van tevoren te weten :-)

Tags: ,

Comments Geen reacties »