Archief voor categorie “Marketing intelligence”

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.

De laatste workshop van de dag was voor Rijn Vogelaar & Jorrit Lang over de voors (Rijn) en tegens (Jorrit) van de Net Promoter Score. De workshop had een erg leuke opzet in de vorm van een soort battle en is wat mij betreft terecht gekozen tot beste workshop van de dag.

Voor NPS

Rijn mocht beginnen met zijn pro-NPS betoog en startte met een korte uitleg. De Net Promoter Score is bedacht door Fred Reichheld en is gebaseerd op de waarschijnlijkheid tot aanbevelen. Deze vraag wordt gemeten op een 11-punts schaal. De NPS wordt berekent door de Promoters (9-10) van de Detractors (0-6) af te trekken.

Waarom is de NPS zo populair geworden? Allereerst vanwege de relatie met omzetgroei. Daarnaast is het een maat voor enthousiasme en geloofwaardig. Promoters kopen meer, bevelen aan en geven feedback.

Het gebruik van de NPS is aan een aantal ‘regels’ gebonden:

• Stel alleen de NPS vraag (dus geen ellelange klanttevredenheidsvragenlijsten meer)
• Publiceer NPS naast financiele cijfers
• Geef een regionale benchmark (de mate waarin mensen producten aanbevelen is sterk regioafhankelijk)
• Zorg dat eerlijkheid (dus geen beloning voor hoge NPS)

Wat maakt de NPS zo geweldig?

• Het einde van lange vragenlijsten
• Het einde van complexe indices
• Het einde van ondoorgrondelijke rapportages
• Het is een simpel instrument
• De NPS is wereldwijd geaccepteerd
• CEO’s zijn er weg van!

Tegen NPS

Op dit moment loopt iedereen natuurlijk weg met de NPS. Aan Jorrti Lang de taak om ons op andere gedachten te brengen. Hij ging daarmee van start door enkele wetenschappelijke onderzoeken aan te halen.

De belangrijkste criticaster van de NPS is Timothy Keiningham. Hij heeft onderzocht of de NPS inderdaad de beste voorspeller van omzetgroei is. Hij vond hiervoor geen bewijs, sterker nog, multivariate modellen scoorde beter dan de NPS.

Ook Jorrits collega Maarten Terpstra heeft in 2004 op basis van 8000 respondenten onderzocht of de mate van aanbeveling een goede voorspeller van groei was. Ook hij vond hiervoor geen bewijs.

Als laatste heeft Jorrit zelf in 2007 ook nog eens hiernaar gekeken. Hij heeft een correlatiematrix gemaakt op basis van een aantal loyaliteitsvragen (waaronder de NPS vraag). De klanttevredenheidsvraag leverde negatieve correlaties op, zoals je ook zou verwachten. De NPS vraag leverde echter positieve correlaties op. Het lijkt er dan ook op de NPS meer persoons- dan productsafhankelijk is. Mensen die jouw product aanbevelen, bevelen ook andere producten makkelijk aan.

Onderzoekers zijn toch altijd gevoelig voor bewijs en dus wees de applausmeter Jorrit als winnaar aan. Na afloop van het MIE hebben we nog gezellig geborreld en gegeten in het cafe van Blauw.

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.

In de derde workshopronde heb ik de presentatie van Lex Knape & Marina Schoemakers van De Informatiegroep/Samp2 bezocht. Het grootste gedeelte van het verhaal behandelde web 2.0, waar wat mij betreft weinig nieuws gemeld werd. Beelden zeggen meer dan woorden, dus werd de geweldige video van Michael Wesch getoond. Die kun je wat mij betreft niet genoeg zien, dus hieronder nog een keer.

In het kader van waar gaat het naar toe, was het leuk geweest als ze EPIC2015, een toekomstvoorspelling uit 2005 ook nog even hadden laten zien. Deze moet je eigenlijk minstens één keer per jaar kijken.

Terug naar de presentatie. Het web 2.0 verhaal was vooral een inleiding voor Samp2. Samp2 staat voor Sound, Animation, Messages, Pictures en Motion Pictures. Hiermee kun je door het uploaden van een aantal foto’s binnen 2 minuten een eigen commercial maken. Inderdaad een hele mooie 2.0 toepassing.

Al met al niet veel neiuws en vooral reclame voor Samp2.

De BI industrie is al jaren druk bezig met het bouwen van BI oplossingen op klantsytemen. Hiertoe lezen we data uit systemen die intern gebruikt worden, soms gecombineerd met data die uit externe bronnen komt (b.v. CBS of brancheorganisaties) om benchmarking te faciliteren.

Met de toenemende belangstelling voor het integreren van externe informatie in de besluitvorming, bemoeien ook andere aanbieders zich meer met het BI vakgebied. Deze partijen houden zich bijvoorbeeld bezig met het bekijken van externe bronnen zoals kranten en vakbladen die in de gehele wereld worden gepubliceerd, zorgen ervoor dat dit online beschikbaar is en leveren het in abonnementsvorm aan. Dit wordt ook gecombineerd met slimme zoekfuncties, bijvoorbeeld door middel van profielen, waarmee je bijvoorbeeld op de hoogte kunt blijven van de wereldwijde ontwikkelingen op het vlak van olie, melkpoeder, gezondheidszorg, etc. Partijen die zich hiermee bezig houden zijn LexisNexis en Astragy.

Een andere interessante ontwikkeling is ook het verhogen van de snelheid waarmee informatie beschikbaar is. Kranten ervaren het steeds als groter nadeel dat ze het nieuws te laat kunnen aanbieden. Als voorbeeld de presidentsverkiezing in Amerika, de resultaten zijn al meer dan 24 uur bekend voordat de ochtendkranten het kunnen brengen, en dan is het dus al geen nieuws meer. FD biedt hierin een interessante propositie: abonneer je op de content die ook in de papieren krant verschijnt, en je hebt het nieuws beschikbaar zodra het verschijnt, eventueel geintegreerd in het intranet.

Als laatste ontwikkeling geloof ik dat er veel interesse zal komen in het gebruik van API’s om data van externe bronnen te onsluiten. Webplatformen die veel content bevatten (bijvoorbeeld LinkedIn, Twitter) kunnen via API’s (Application Programming Interface) constructies hun data beschikbaar stellen aan abonnees. Als voorbeeld van Twitter zou je kunnen denken aan de snelheid waarmee bepaalde ontwikkelingen als nieuws de wereld rondgaan. Voor bepaalde organisaties kan deze informatie interessant zijn, om bijvoorbeeld trends te ontdekken (waar praat met over op Twitter) of om als eerste deze nieuwsberichten op te pakken.

Volop ontwikkeling dus. Wat zitten we toch in een interessant vakgebied !

De tweede workshop die ik bezocht was “Baas over eigen data” van RapidSugar, een duopresentatie van Sander van der Blonk en Naos Wilbrink.

De aftrap was voor Sander die gepassioneerd over de machtsverschuiving van de producent naar de consument. De lijn van het verhaal in vier delen:

1. Regieverschuiving
2. Data impasse, zowel zorgen om data integriteit en privacy
3. De kans: Permissionbased Marketing
4. Permissionbased Marketing evolueert naar Vendor Relationship Marketing (VRM)

De consument schermt zijn gegevens steeds meer af. Ook wil hij niet op iedere plek zijn gegevens beheren. Via OpenID slaat hij zijn gegevens op een centrale plek op en geeft partijen toestemming om deze gegevens te gebruiken. In plaats van statische informatie in databases staat er dus een link naar de meest actuele gegevens.

Het bedrijven van marketing wordt daarmee steeds uitdagender. Klanten zullen alleen benaderd willen worden met relevante boodschappen en zullen anders het bedrijf buitensluiten. Hiermee komen we meteen op VRM en neemt Naos het woord over.

VRM is een verzamelnaam voor meerdere verschillende technieken op internet. Bij VRM is het de consument die initieert en beslist. De bouwstenen: Permission management, Reverse messaging & Personal knowledge banks.

VRM Generaties

1. Vraaggestuurd; de klant wenst een product en vraagt aanbieders of ze dat willen leveren, zoals Werkspot.
2. Integratie ID Providers, waar OpenID een mooi voorbeeld van is
3. Data portabiliteit en Peer reviewing marketing

Op het eind nog gauw een verwijzing naar het VRMevent, dat donderdag 20 november zal plaatsvinden.

2.

Als eerste workshop op het MIE van 4 november heb ik Just stream it gekozen, een duopresentatie van Andy Santegoeds (RTL Nederland) en Menno van der Steen (Universal Media). Zij hebben op grootschalige wijze de effectiviteit van online video onderzocht.

Het kijken naar televisieprogramma’s op een ander moment (uitgesteld kijken) neemt steeds meer toe. Ruim 60% maakt bij uitgesteld kijken gebruik van internet. Internet wordt daarmee een steeds interessanter kanaal voor online commercials.

Het onderzoek is een samenwerking tussen RTL Nederland, Universal Media, Microsoft en Metrixlab. Voor het onderzoek zijn 9.500 respondenten ondervraagd en 95 vragenlijsten afgenomen. De volgende vragen moeten met het onderzoek beantwoord worden:

1. Wordt een spot helemaal uitgekeken?
2. Wat is de invloed van de lengte van de spot?
3. Wat is de invloed van de lengte van de content?
4. Wat is de houding tov de verschillde reclamevormen?
5. Wat is het verschil in effect tussen de verschillende reclamevormen (Pre roll, Videobanner & Spot in reclameblok)?

Voor het onderzoek zijn de verschillende 30″ spots teruggesneden naar 15″ en 10″ versies (dat is het voordeel als je RTL Nederland bent). Deze zijn wel eerst voorgelegd aan een expertpanel bij McCann om te checken of de boodschap nog wel overeind blijft in de korte versie. Dit bleek in (bijna) alle gevallen zo te zijn.

Conclusies

• Gemiddeld 74% wordt uitgekeken. Dit zakt naar 42% als mensen de mogelijkheid tot zappen krijgen.
• Langere spots worden beter gewaardeerd dan korte
• Er is geen verschil in waardering tussen de reclamevormen
• Reclameherinnering en boodschapoverdracht zijn beter met een langere spot
• Pre roll zorgt voor de hoogste reclameherinnering en boodschapoverdracht
• De effectiviteit van online advertising is met dit onderzoek voor het eerst aangetoond.

Implicaties mediaplanning

De pre roll lijkt een heel geschikt instrument te zijn voor complexe boodschappen. Er is getest met een demo van Microsoft Office die mensen eerst helemaal af moesten kijken voordat ze gratis Goosche Vrouwen mochten kijken.

Het online bereik is voor sommige doelgroepen (20-34) net zo groot als dat van televisie, vooral als op mannen gericht wordt. Als ook nog boodschap en propositieherinnering meegenomen worden komt internet als goedkoper naar voren.

Next steps

Als laatste enkele ontwikkelingen die eraan staan te komen:

• Content productie, zoals Spotzer.com
• Nieuwe verdienmodellen, zoals Hans Teeuwen die een item over Tele2 maakt
• Layered video
• Het meenemen van het umfeld, zoals Wii Mario

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.

Blauw Research nodigt je graag uit om op dinsdagavond 4 november na het MIE te komen borrelen in ons eigen café in hartje Rotterdam. Vanaf 18.00 uur kun je hier napraten met onze klanten, Blauwers, concullega’s en natuurlijk met de sprekers van de workshops, die Blauw verzorgt op het MIE. Ook serveren wij een heerlijke Blauwe Hap. Stuur even een mail naar Caroline.Nevens@blauw.com als je gezellig komt borrelen en eten in de Place to B (zo heet het Blauw café).!

Hieronder de routebeschrijving (ook te vinden op www.blauw.com onder contact, routebeschrijving kwalitatief onderzoek):

Eigen vervoer: Blauw Research en ons café Place to B zijn gevestigd aan het Weena, bij het Hofplein, in Rotterdam. Volg vanaf De Kuip de borden ‘Centrum’, ga over de Erasmusbrug en rijd alsmaar rechtdoor over de Coolsingel. Bij Hofplein (rotonde met fontein) ga je linksaf. Place to B zie je dan direct aan je rechterhand: Weena 107. Parkeren kan bij de Fortisgarage (Hofplein rond rijden, eerste rechts, achter het Hilton Hotel op de Kruiskade). Wij zorgen voor een uitrijdkaart.

Openbaar vervoer: We regelen een bus vanaf de Kuip naar ons café (vraag de tijden even bij onze stand). Verder is ons café Place to B vanaf de Kuip te bereiken met tram 23 richting Holy. Uitstappen bij de halte Weena. Na de borrel kan je ook gemakkelijk weer met het openbaar vervoer terug, want Centraal Station ligt op loopafstand vanaf ons café.

Hopelijk tot volgende week dinsdag!

Rijn Vogelaar

Op 4 en 5 november vindt al weer de 7^e editie van het Marketing & Information Event plaats in de Kuip in Rotterdam. Het MIE is een veelzijdig event door de samenwerking en actieve rol van acht branche- en beroepsverenigingen: CRM Association NL, MWG, PIM, VMC, DDMA en GVR en het NIMA en MOA als initiators.

De hoofdthema’s van het event zijn:

• Accountability
• Innovatie
• Connected Customer
• Sustainability
• Branding
• Marketing Research Technieken

Het uitgebreide programma is hier te vinden. Ik ga zelf op 4 november. Helaas lijkt databasemarketing er in het programma een beetje karig van afgekomen te zijn. Desalniettemin zijn er genoeg interessante presentaties te zien. Enkele sessies die ik zeker wil bezoeken:

• RapidSugar: ‘Baas over eigen data’. Connected Customer
• Oud collega’s Pieter Stel & Edwin van de Sande: Customer Profitability Management.
• De Informatiegroep: Van Customer Insight en Marketing Intelligence naar verbeterde bedieningsconcepten.

Verder is het event altijd een weerzien van oud collega’s en andere bekenden, wat een bezoek ook al de moeite waard maakt.