Archief voor categorie “Web intelligence”


Afgelopen dinsdag bezocht ik de derde thema-avond van DeMeter: Profiling & Targeting. Ik kijk terug op een succesvolle thema-avond met drie interessante sprekers met leuke tips en trucs aan de hand van inspirerende praktijkvoorbeelden. Ook het publiek was erg enthousiast! Hierbij een verslag van de avond…

Jan-Willem Sanders van Ilse Media
Jan-Willem Sanders van Ilse Media trapte af en legt uit hoe Ilse Media adverteerders helpt bij ‘cherry picking’, namelijk door gebruik te maken van behavioral targeting. Ilse Media maakt gebruik van een groot netwerk van websites waarbij ze surfgedrag slim proberen te taggen en gezamenlijk bouwen aan één centraal profiel. Met dit netwerk bereikt Ilse Media 80% van de Nederlandse online populatie. Wanneer klanten inloggen op een site in het netwerk worden de gegevens geaggregeerd en geanonimiseerd. Zo kunnen de socio-demografische gegevens die vanuit Schoolbank zijn opgehaald op bijvoorbeeld nu.nl worden uitgelezen en worden gebruikt.

Een interessante toepassing van behavioral targeting is ‘re-targeting: wanneer iemand bij Bol.com zijn winkelmandje vol achterlaat, wordt op de volgende landingspagina een passende banner geplaatst: dit kan de CTR met factor 4 verhogen.

De verdieping van profielen is volgens Jan-Willem de grootste uitdaging. Op het moment probeert Ilse Media ‘high involvement’ te traceren. Een bezoek aan Kieskeuring geeft bijvoorbeeld aan dat mensen écht op zoek zijn naar een bepaald product. Zo is elk bezoek aan een website aanleiding voor het ‘aanvinken’ van de bijbehorende interesses in het centrale profiel. Er wordt rekening gehouden met het feit dat een computer soms door meerdere personen wordt gebruikt: soms kan er dus ook geen uitspraak worden gedaan over bijvoorbeeld geslacht.

Een terechte opmerking uit het publiek: doordat alles geanonimiseerd is, kun je de digitale wereld helaas als een silo beschouwen.

Joris de Bruijne van Add to Favorites
Ook Joris de Bruijne van Add to Favorites had een interessant verhaal, namelijk over segmentatie en personalisatie in e-mailmarketing. Het lijkt voor de hand liggend en gemakkelijk, maar wordt in de praktijk weinig uitgevoerd. Zelfs leidende DM-voorbeelden maken beperkt gebruik van personalisatie. Uit een onderzoek dat Joris heeft uitgevoerd (N=40) blijkt dat 72% van de partijen niet personaliseert! Er zijn echter genoeg redenen om te personaliseren en te segmenteren, o.a.: het vergroten van open- en leesgedrag, een hogere conversie, verbetering langere termijn resultaten (als je niet relevantie push mail stuurt, heb je kans dat een vervolgmailing ook niet meer wordt gelezen) en het verhogen van de klanttevredenheid.

Aandachtspunt is dat er niet altijd direct uitspraken gedaan kunnen worden over iemands profiel. Neem het voorbeeld van Bol.com: pas na 10-15 bestellingen durven zij iets te zeggen over wie de klant is wat hij of zij doet.

Het interessante en levendige verhaal van Joris werd afgesloten met een aantal tips. Zo is het proces vaak de valkuil: zorg dat je gegevens uitvraagt bij registratie! De profilering moet echter wel aansluiten bij de targeting. Een andere goede tip die Joris geeft is dat een klant bij inschrijving voor de nieuwsbrief niet perse een waslijst aan informatie moet afgeven. Je kunt het in tweeën delen: zorg dat je de contactgegevens van de klant hebt om de nieuwsbrief te kunnen versturen en geef de klant daarna de mogelijkheid om eventueel nog wat interesses aan te vinken; zo doet Selexyz dit bijvoorbeeld!

Petra Mesdag van Eneco Retail
De laatste spreker van de avond was Petra Mesdag van Eneco Retail. Petra legt uit hoe Eneco klantinzicht gebruikt voor het gericht benaderen van de klant. Zo worden LTV en de klantlevenscyclus gecombineerd om fact-based behouds- en win back activiteiten uit te voeren. Dankzij de churnmodellen wordt een churnreductie van 4% in de meest churngevoelige groepen gerealiseerd. Daarnaast wordt win back heel selectief uitgevoerd omdat niet alle klanten interessant zijn om terug te winnen. Ook worden klantgegevens gebruik bij plaatsing van slimme meters. Aangezien niet alle meters tegelijk geplaatst kunnen worden, krijgen klanten die de meterstanden niet doorgeven bijvoorbeeld voorrang. Naast het gebruik van LTV en de klantlevenscyclus voor retentie zie ik voor Eneco een kans om deze ook in te zetten bij het werven van klanten!

Het was weer een leuke en inspirerende avond! De volgende thema-avond gaat over de toekomst van DM en staat gepland op 19 mei 2009. Een avond die je als professional absoluut niet mag missen! Tot dan!

Comments Geen reacties »

Afgelopen maandag was het eerste M.I.B. event dan eindelijk een feit. In samenwerking met Unica waren Akin Arikan en Daniel Markus bereid gevonden om het hoe en wat van online en offline integratie uit de doeken te doen. Ruim 120 mensen zorgden voor een bijna volle zaal in de Media Plaza in Utrecht.

De aftrap was voor Gert_Jan Tretmans van Unica. Hij leidde de avond in met enkele conclusies uit Forrester onderzoek over multichannel gedrag bij consumenten. Zijn inleidende presentatie is hier te downloaden.

Vervolgens was het woord aan keynote speaker Akin Arikan. Hij startte met de grote uitdaging van Multichannel marketing, namelijk het daadwerkelijk integreren van online en offline (consumenten) gedrag. Iets dat voor consumenten al heel gewoon is, is voor veel organisaties nog heel lastig. Hij vatte het probleem passend samen door te stellen dat online marketeers een schatkist hebben, maar direct marketeers de sleutel. De tooling en knowhow om met individuele gedragsdata te werken is vaak al lang voorhanden bij DM afdelingen.

De eerste presentatie van Akin is hier in z’n geheel te downloaden.

Het tweede deel van de avond was voor Daniel Markus van Clickvalue. Zijn verhaal spitste zich toe op het bereiken van een situatie waarin on- en offline marketing werkelijk geïntegreerd zijn. Hij hing zijn verhaal op aan een Intelligence rijpheid matrix. Hierin onderscheid hij vijf fasen van intelligence:

  • Metrieken, waarbij slechts enkele basis metrieken worden gemeten
  • Conversie, waarin de conversie op de website centraal staat
  • Marketing, zaken als ROI komen in deze fase meer aan de orde
  • CRM, in deze fase is er echt sprake van integratie tussen on- en offline
  • Strategisch, waarbij intelligence ook op boardroomniveau meepraat

Daniel vergeleek de integratie tussen online en offline met een huwelijk. Net als in een succesvol huwelijk moet je naar elkaar toegroeien en moet je stapje voor stapje integreren.

De presentatie van Daniel is hier in z’n geheel te downloaden.

Akin sloot de avond vervolgens af met een tips om tot een volledige integratie tussen online en offline te komen. Dit tweede deel van zijn presentatie is hier te downloaden.

Al met al was het een zeer geslaagde avond en was het eerste event van de LinkedIn groep Marketing Intelligence Netherlands een groot succes. Eind april is er weer een Marketing Intelligence Borrel. Ik hoop een ieder daar weer te zien.

Tags: ,

Comments 3 Reacties »

Onderstaand artikel verscheen in het maart 2009 nummer van Twinkle Magazine en werd geschreven door Bart Clement & Bram van Essen. Het volledige artikel in pdf is hier te downloaden.

Veel online-marketeers zijn opgevoed met click through rates als belangrijkste graadmeter voor succes van een campagne. Maar u kunt bijvoorbeeld ook het gedrag van uw nieuw geworven klanten precies meten, waardoor u het werkelijke resultaat van campagnes op de langere termijn kunt achterhalen. Maak hier optimaal gebruik van en voorkom onjuiste conclusies.

Laten we beginnen met een voorbeeld. Een verzekeraar is met twee online-marketingcampagnes tegelijk bezig. De ene campagne richt zich op het verkopen van autoverzekeringen, terwijl de tweede een reisverzekering promoot. Beide campagnes scoren goede conversiecijfers. De marge op de autoverzekering blijft ondanks de aangeboden korting erg hoog, terwijl de marge op de reisverzekering een stuk lager is. Meer autoverzekeringcampagnes en minder reisverzekeringcampagnes, lijkt dus het beste advies.

In dit artikel laten we u zien dat de gemaakte keuze niet per se de juiste hoeft te zijn. Een uitgebreidere analyse kan het werkelijke resultaat van een campagne aan het licht brengen en zo tot betere investeringsbeslissingen leiden.

Van click naar lifetime value
De groei van affiliatemarketing en de mogelijkheid om ‘cost per order’-deals (CPO-deals) te sluiten, heeft al een verandering veroorzaakt in het meten van succes van online-marketingacties. Bij key performance indicators (KPI), dat zijn de zogenoemde succesbepalende factoren, is de belangrijkste verschuiving die van click through rate naar daadwerkelijke conversie. Met de lengte van de geworven relatie wordt bij de evaluatie vaak nog geen rekening gehouden. Houdt uw klant het bij één aankoop of is een mooie en lange relatie geboren? Zoals uit direct marketing bekend is, zijn er per kanaal soms grote verschillen in typen klanten die worden geworven. Zelfs binnen een kanaal, maar met verschillende campagnes, kunnen op dat vlak grote verschillen ontstaan. Online is dat niet anders. Bij de traditionele kanalen is meestal bekend hoe lang een geworven klant blijft en wat deze klant in de tussentijd gaat uitgeven. Bij een internetkanaal ontbreken deze gegevens vaak. De klant die u online geworven heeft, zou het wel eens bij één aankoop kunnen houden. En dan blijkt goedkoop opeens duurkoop te zijn.

Ook online naar langere termijn kijken
Laten we de campagnes uit het voorbeeld eens verder volgen. Bij nadere analyse blijkt dat de klanten die de autoverzekering afnemen, op de langere termijn weinig opleveren, omdat ze bij de eerste de beste campagne van de concurrent bij u weglopen. De verwachte opbrengsten over de gehele levensduur van de klant beperken zich slechts tot een jaar nettomarge minus korting, schade en servicekosten. Dezelfde analyse van de reisverzekeringcampagne laat zien dat de nieuwe klanten veelal ook een zorgverzekering en uiteindelijk zelfs soms een autoverzekering afsluiten. Daarmee wordt de verwachte levensduur, ofwel de tijd dat de klant een actieve relatie blijft, erg vergroot. De verwachte opbrengst over de gehele levensduur (wat de klanten betreft ) is daarmee vele malen hoger dan het resultaat van de autoverzekeringcampagne.

Online wordt vaak niet verder gekeken dan de eerste fase van de evaluatie, en daarmee wordt slechts het kortetermijnresultaat in ogenschouw genomen. In het voorbeeld van de verzekeraar betekent dit, dat er meer budget in de campagne wordt gestoken die op langere termijn de slechtste business case heeft.

Korte termijn versus lange termijn
De lifetime value van een klant is pas op langere termijn vast te stellen. In het voorbeeld van de twee campagnes is gebleken er dat de verschillen tussen het gedrag van de klanten pas na drie tot zes maanden zichtbaar worden. Het is ook zinvol om andere value drivers te monitoren. Denk bijvoorbeeld aan dubieuze debiteuren of ‘dure’ klanten die via de verschillende campagnes worden binnengehaald. Klanten die erg veel aandacht van de servicesdesk nodig zullen hebben, zijn erg dure klanten en bent u misschien zelfs liever kwijt dan rijk. Door inzicht in de lifetime value van klanten, voorkomt u dat het kostbare marketingbudget weliswaar voor de korte termijn goed wordt ingezet, maar dat er op de lange termijn toch geen positief gewenst resultaat wordt behaald. Voorkomen is beter dan genezen.

Voordelen life-timevaluebenadering
U kunt dus veel profijt hebben van een evaluatie op basis van de life-timevaluebenadering. Belangrijke voordelen van deze benadering zijn:
• U kunt inzicht krijgen in de langetermijneffecten van online-marketingcampagnes, waardoor u betere business cases kunt opstellen.
• De toepassing van een eenduidige evaluatiemethode, die ook de basis vormt voor evaluaties in de offline-marketingcampagnes, maakt het mogelijk om resultaten van campagnes in verschillende kanalen onderling te vergelijken.
• U kunt inzicht krijgen in onderlinge versterkingseffecten. Correlatie tussen campagne-effecten worden vaak verondersteld, maar een bewijs was tot op heden moeilijk te bewijzen. Door slimme keuzes van controlegroepen is het met een lifetime-valuebenadering wel mogelijk om deze effecten te bewijzen.

Een lifetime-valuebenadering geeft ook antwoord op vragen als:
• Hoe hoog mogen de acquisitiekosten van een klant zijn?
• Hoeveel kan ik uitgeven om de klant te behouden (retentiekosten)?
• Is de (marketing)strategie houdbaar op de langere termijn?
• Zijn online-marketingcampagnes effectiever dan offline-campagnes om nieuwe klanten te werven of om cross-sell toe te passen?

Conclusie
Kijk bij evaluaties niet alleen naar korte termijn conversie maar probeer toekomstig klantgedrag mee te nemen in de evaluatie.

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 »

Een tijdje geleden schreef ik hier over het uitkomen van het boek Multichannel Marketing van Akin Arikan. Een echt geweldig boek dat iedere marketeer zou moeten lezen! Unica Benelux heeft Akin uitgenodigd om in Nederland zijn verhaal te vertellen en nodigt alle lezers van M.I.B. en de leden van de LinkedIn groep Marketing Intelligence Netherlands uit om hierbij aanwezig te zijn.

Zet dus snel 23 maart om 18.30 in je agenda voor een niet te missen marketing intelligence event!

Bij veel bedrijven bestaat de behoefte om traditionele marketing te integreren met de groeiende mogelijkheden van online marketing. Bedrijven die hierin slagen kunnen de komende jaren een groot concurrentievoordeel behalen en daarmee zal de integratie van on en offline marketing in 2009 één van de belangrijkste onderwerpen zijn binnen het marketingdomein.

Akin’s ervaringen met het combineren van on en offline marketing worden gecomplementeerd door Daniël Markus van ClickValue, die zijn ervaringen zal delen met betrekking tot de trends en innovaties binnen online marketing.

Beide sprekers zullen ingaan op het personaliseren van web interacties door middel van het genereren van “behavioral insights” van iedere individuele webbezoeker. Daarnaast leert u hoe deze informatie gebruikt kan worden om interacties over andere kanalen aan te sturen en een significante verbetering te behalen in de communicatie met uw klanten en een hogere conversie van uw geïnvesteerde marketing Euro.

Het seminar wordt gehouden in het Mediaplaza in Utrecht. Meer informatie over het programma en de sprekers is hier te vinden. Registreer je snel voor dit geweldige event. Voor de eerste 100 gasten van dit evenement ligt het boek “Multichannel Marketing” van Akin Arikan klaar. Aan het event zijn verder geen kosten verbonden.

Ik hoop je te zien op de 23ste!

Tags: , ,

Comments 1 Reactie »

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 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 !

Comments 1 Reactie »

Het intergreren van online en offline marketing is al een paar jaar een hot item. Daar waar meerdere disciplines samenkomen lijkt echter iedere discipline zijn eigen definitie van een ‘geintegreerde’ aanpak te hanteren.

Akin Arikan, schrijver van het geweldige boek Multichannel Marketing, heeft in The Electronic Retailer een artikel geschreven waarin hij deze problematiek op amusante wijze bespreekt. De integratie van online en offline marketing wordt bekeken vanuit online marketing, direct marketing en brand marketing. Vanuit de gedachte dat als je enige gereedschap een hamer is, elk probleem eruit ziet als een spijker, geven alle drie hun eigen visie op online-offline integratie.

Het hele artikel is hier te lezen, een absolute must read voor wie met multichannel marketing bezig is (en wie is dat niet tegenwoordig).

Tags: ,

Comments 26 Reacties »

Ongeveer een half jaar geleden kondigde ik hier de overname van IndexTools door Yahoo! aan. Vandaag heeft Dennis Mortensen, Director of Data Insights (en voormalig eigenaar van IndexTools), via zijn blog de officiele integratie en rebranding van IndexTools naar Yahoo! Web Analytics bekend gemaakt.

De uiteindelijke naam is heel origineel Yahoo! Web Analytics geworden. Ook hebben ze een mooie nieuwe site gemaakt en een paar verbeteringen doorgevoerd. Hieronder een screenshot van het ‘nieuwe’ dashboard.


Tags: ,

Comments Geen reacties »

Zoals afgelopen week op Design for Conversion ook weer bleek, begint online marketing steeds volwassener te worden. Het belang van meten en optimaliseren wordt steeds meer onderkent, waardoor de webanalist een steeds grotere rol krijgt.

De ontwikkeling van de web analitics industrie vertoont veel paralellen met de business intelligence industrie van pakweg 10 jaar geleden. Niet alleen vanwege de manier waarop de overnames binnen de branche elkaar in hoog tempo opvolgen, maar vooral de ontwikkeling van reporting naar analyse. In de eerste jaren lag de nadruk op het bouwen van mooie rapportage, terwijl pas veel later meer naar analyse werd gekeken.

Binnen web analytics gebeurt een beetje hetzelfde. De afgelopen jaren draaiden vooral om het gebruik van webanalytics te vergroten en werd de KPI rapportage het toverwoord voor optimale sturing van je website. Heel langzaam komt nu het besef dat de analyse van (online) klantgedrag lastig in een standaardrapportage is te vatten en dus aanvullende analyses nodig zijn.

Deze ontwikkeling heeft ook consequenties voor de webanalist. Het maken van rapportages en het analyse van klantgedrag vereisen verschillende vaardigheden. Er zullen twee type analisten zijn die zich met webdata gaan bezighouden.

Type 1: Ontwikkelt rapportages en KPI dashboards. Zorgt voor de dagelijkse aansturing op basis van data. Doel van de functie: websiteoptimalisatie.

Type 2: Genereert inzichten uit online klantgedrag. Zorgt voor integratie online en offline marketingactiviteiten. Maakt analyses van klantwaarde per wervingskanaal of instrument. Doel van de functie: klantoptimalisatie.

De huidige webanalist zit vooral een type 1 analist. Het analyseren van online klantgedrag vereist andere vaardigheden, zoals datamining. Deze werkzaamheden sluiten veel beter aan bij de werkzaamheden van de databasemarketeer. Het is dan ook niet meer dan logisch als dat de analyse van online klantgedrag bij de databasemarketeer wordt belegd en uit het takenpakket van de webanalist verdwijnt.

Tags: ,

Comments 3 Reacties »