De opkomst van digital heeft de marketingwereld grondig door elkaar geschud. Hoe kan je deze veranderingen in jouw voordeel laten werken door het toepassen van Analytics?
Marketing in het digitale tijdperk
Marketing gaat over het communiceren van de waarde van een product, dienst of merk aan klanten, met het oog op het promoten van of het verkopen van dat product, dienst of merk.
One Way Mass Communication
Marketing is geruime tijd vooral eenrichtingscommunicatie (‘one to many’) geweest. Tijdschriften, posters, billboards, radio en televisie waren de favoriete kanalen voor een bedrijf om de waarde van hun producten te communiceren naar een breed publiek. In de jaren 1970 ontstond een nieuwe trend: telemarketing. Hoewel de communicatie hiermee van een ‘one to many’ naar een meer ‘persoonlijke’ ‘one to one’ benadering verschoof, bleef telemarketing toch voornamelijk eenrichtingscommunicatie.
Door de opkomst van de PC en het internet konden marketeers mensen op een nieuwe manier benaderen. Maar nog steeds betrof het eenrichtingscommunicatie naar de massa.
In april 1994 plaatste het advocatenkantoor Canter & Seigel uit Phoenix een bericht op enkele duizenden nieuwsgroepen. Dit is waarschijnlijk het eerste geautomatiseerde en grootschalige voorbeeld van spam. Het incident maakte de term ook meteen populair.
Het tijdperk van Inbound Marketing
Na het barsten van de dot-com bubble breekt er een nieuw tijdperk aan voor het internet, gekenmerkt door een grotere nadruk op het delen van informatie, user-centric design en samenwerking. Deze nieuwe trend – aangedreven door social media, Analytics en Mobile – zorgt ervoor dat klanten op nieuwe manieren met merken kunnen interageren.
In plaats van allerhande advertenties online te gooien, komt de nadruk te liggen op het creëren van waarde voor klanten en het ‘verdienen’ van hun tijd en geld. Studies hebben aangetoond dat een gepersonaliseerde reclameboodschap (via e-mail) aan een beperkt aantal ontvangers veel effectiever is dan een onpersoonlijke mass-mailing naar duizenden adressen.
Bedrijven die waarde kunnen bieden aan klanten en met hen op een zinvolle en spannende manier interageren zullen daarvan de komende jaren volop de vruchten van plukken.
Maar hoe kunnen we dit doen? Hoe kunnen we onze klanten leren kennen op zo'n manier dat we ze gepersonaliseerde berichten kunnen sturen, waarde voor hen creëren en met hen zinvol in dialoog gaan?
Customer Intelligence
Klanten laten een digitale voetafdruk na elke keer ze een product te kopen, gebruik maken van een dienst, surfen op het web, actief zijn op social media, wanneer ze televisie kijken en ga zo maar door. Dit betekent dat we heel wat data van onze klanten hebben: waar ze wonen, hoe oud ze zijn, hoe vaak ze contact opgenomen hebben met de helpdesk, welke producten ze in het verleden kochten, de evolutie van hun maandelijkse facturen, ...
Met Analytics kunnen we al deze gegevens met slimme algoritmes analyseren, waardoor we modellen kunnen gaan bouwen die de onderliggende patronen en relaties beschrijven. Op basis daarvan kunnen we nieuwe inzichten over onze klanten opdoen.
The Customer Analytics Record
We beginnen met het bouwen van een Customer Analytics Record (CAR) om onze klant beschrijven en gebruiken het als input om Analytics modellen te gaan bouwen. Een CAR bestaat uit een aantal variabelen die karakteristieken van een bepaalde klant weergeven. We maken een onderscheid tussen verschillende types variabelen, zoals te zien is in onderstaande figuur.
Algemeen beschouwd zijn demografische en geografische variabelen het makkelijkst te bekomen: de meeste bedrijven hebben ze beschikbaar in de CRM database en/of een data warehouse. Gedragsmatige variabelen moeten vaak worden verzameld uit verschillende bronnen, zoals aankoop- en boekhoudsystemen, weblogs, callcenter-toepassingen, etc. Psychografische variabelen zijn het moeilijkst te verkrijgen, omdat ze karakteristieken van de klant beschrijven rond zaken als meningen en opvattingen. En die zijn meestal niet onmiddellijk beschikbaar in applicaties en databases. Dergelijke variabelen worden veelal gewonnen uit sociale netwerken als Facebook en Twitter.
We hoeven niet alle types variabelen te hebben om relevante inzichten betreffende onze klanten te krijgen. Wel is het van belang dat de variabelen voldoende van elkaar te onderscheiden zijn wat betreft het beschrijven van de verschillen tussen de klanten in ons klantenbestand. Uit het onderstaande voorbeeld blijkt dat hoewel Prins Charles en Ozzy Osbourne dezelfde demografische kenmerken hebben, ze toch heel ander gedrag vertonen. Anderzijds is het nemen van zo veel variabelen als mogelijk ook geen goede strategie, vooral wanneer de verschillende variabelen sterk gecorreleerd zijn of weinig onderscheidend werken.
Het bouwen van een CAR is een proces waar business bij betrokken dient te zijn. Kennis over de specifieke businesscontext (zoals de sector) speelt een belangrijke rol bij het bepalen van de juiste variabelen. Met name de gedragsmatige variabelen zijn sterk afhankelijk van de specifieke businesscontext: in een bancaire context bijvoorbeeld kan een gedragsmatige variabele de hoeveelheid geld zijn die elke maand overgemaakt wordt, of het aantal transacties via mobiel bankieren vs het aantal transacties in een klassiek kantoor. Bij een telecomoperator zijn typische gedragsmatige variabelen het maandelijks datavolume voor mobiel internet zijn, het aantal verzonden sms-berichten, of de evolutie van het bedrag van de maandelijkse facturen.
Het bouwen van een CAR bestaat uit een aantal stappen die verschillende vaardigheden en competenties vereisen:
- Identificeer de beschikbare databronnen en actuele extractie van de data.
- Leer de data beter kennen door een eenvoudige statistische analyse uit te voeren, zoals uitkeringen, histogrammen, taartdiagrammen, het detecteren van uitschieters etc.
- Selecteer de relevante variabelen die de karakteristieken van de klant beschrijven, niet alleen gerelateerd aan de specifieke businesscontext, maar ook in functie van de Analyticstechniek die zal worden toegepast.
- Maak de data schoon en transformeer ze, bvb. door het verwijderen uitschieters, te herschalen, discretisatie, etc.
Het bouwen van voorspellende en beschrijvende modellen
Zodra we een CAR hebben gemaakt, kunnen we Analyticsmodellen beginnen bouwen. Daarbij maken we een onderscheid tussen verschillende soorten modellen:
- Beschrijvende modellen beschrijven onderliggende patronen en relaties in de data.
- Voorspellende modellen voorspellen toekomstig gedrag op basis van historische gegevens en ervaringen uit het verleden.
- Prescriptieve modellen gaan verder dan het voorspellen van toekomstige resultaten door acties voor te stellen om voordeel te halen uit de gedane voorspellingen en de implicaties te tonen van elke mogelijke beslissing.
Het bouwen van deze modellen is een iteratief en incrementeel proces. Begin met een eenvoudige basis (bvb. één bron of techniek), evalueer de kwaliteit van het model en interpreteer de resultaten (samen met Business/Domain-experts). Dan kan je complexiteit gaan toevoegen (bvb. meer gegevensbronnen, een combinatie van verschillende technieken), terwijl je blijft itereren en verder bouwen op de verkregen resultaten.
Customer Segmentation & Profiling
Klantsegmentatie en profiling is een beschrijvende modelleringtechniek die ons in staat stelt om het gedrag van klanten te gebruiken in combinatie met andere karakteristieken, zoals demografische gegevens (i.e. de CAR), als een middel om ze te categoriseren in gelijkaardige groepen of klantsegmenten die soortgelijk gedrag vertonen.
Vaak houden klassieke segmentatiemethoden hier op. Maar we kunnen verder gaan dan dat. De klanten binnen een bepaald segment zullen niet identiek zijn: ze zullen een aantal kenmerken delen, maar over de totale populatie van een segment zullen er ook heel wat kenmerken zijn die verschillen. Dus simpelweg klanten gaan opdelen in segmenten zegt ons niet zo veel over een typische klant in een segment. Daarom voegen we een extra profileringsstap toe. We maken profielen die een beschrijving geven van een typische klant in een bepaald segment op basis van heldere en relevante businessterminologie, zoals de karakteristieken uit het Customer Analytics Record.
Hiervoor kiezen we een doel: wat voor type klant zoeken we precies? We noemen dit gerichte profilering. Het voordeel hiervan is focus: we richten ons op een bepaald type klant waarin we geïnteresseerd zijn. Voorbeelden van doelen zijn: klanten die geïnteresseerd zijn in een specifiek(e) (groep van) product(en), goede klanten of klanten die gebruik maken van onze mobiele app.
De resulterende profielen kunnen op heel wat manieren gebruikt worden. Een ervan is om te kijken naar klanten in ons bestand die een grote gelijkenis met het beoogde profiel vertonen, maar die nog niet tot de doelgroep zelf behoren, bvb. klanten die een vergelijkbaar/hetzelfde profiel hebben als degenen die een specifiek product hebben gekocht, maar dat zelf nog niet hebben gedaan. Deze groep van klanten is een interessante groep om ons op te richten met specifieke en gepersonaliseerde reclamecampagnes voor dat specifieke product.
Een andere manier om de profielen te gebruiken is om persona’s te gaan maken die de basis kunnen vormen voor een customer journey mapping oefening.
Churn Prediction
Eén predictive modeling-techniek die bijzonder interessant is in een marketing context is Churn Prediction. Deze heeft tot doel de waarschijnlijkheid te bepalen dat een klant naar de concurrentie zal trekken.
Dit gebeurt gewoonlijk op basis van het gedrag dat de klant vertoond heeft over een bepaalde periode uit het verleden. Bvb. hoeveel keer heeft hij/zij met de helpdesk gebeld, wat is de evolutie van de maandelijkse facturen, heeft de klant bestellingen of diensten opgezegd, hoeveel keer heeft hij/zij ingelogd op het persoonlijke profiel op de website, enz. Gedragsmatige variabelen spelen dus duidelijk een belangrijke rol in Churn Prediction.
Door regelmatig churn scores (kansen) voor al hun klanten te berekenen, kunnen organisaties proactief de risico’s op het vertrek van individuele klanten beheren. Of zelfs globale trends van grotere groepen klanten die waarschijnlijk zullen vertrekken gaan bepalen en er op inspelen. Vaak wordt dit gedaan door zich specifiek op deze klanten te richten met marketingcampagnes en promoties.
Market Basket Analysis
Market Basket Analysis is een beschrijvende Analyticstechniek die bijzonder bruikbaar is in een retail context. De term verwijst naar de feitelijke ‘kar’ die klanten gebruiken om hun aankopen in te plaatsen in een fysieke winkel of naar de virtuele ‘mand’ op een webshop. Door te analyseren welke producten vaak samen worden gekocht, kunnen we op maat gemaakte aanbiedingen sturen naar onze klanten op basis van hun aankoopgeschiedenis. Op een webshop kunnen we producten in de kijker zetten waar de klant waarschijnlijk in geïnteresseerd is, bvb. op basis van de huidige inhoud van zijn of haar basket.
Ook hier kunnen we veel meer doen dan dat. We kunnen geavanceerde inzichten opdoen over onze producten en over hoe ze zich tot elkaar verhouden in verschillende contexten. We noemen dit ‘product intelligence’. Voorbeelden van vragen die kunnen beantwoord worden met een Market Basket Analysis zie je in de onderstaande figuur. 
Merk op dat in dit geval de CAR een andere vorm krijgt dan in de voorgaande voorbeelden. Om de relatieve waarschijnlijkheid van producten te berekenen die samen gekocht werden, dienen we alleen rekening te houden met gedragsmatige variabelen over het koopgedrag van onze klanten. Daarnaast kijken we naar de transacties van de klanten in plaats van de klant zelf. Normaal gesproken wordt deze info verkregen via de klantenkaarten die retailers aanbieden.
Het gaat hier om een win-win situatie: de klant kan extra kortingen krijgen en het bedrijf verzamelt waardevolle informatie over het koopgedrag van de klant. Op een webshop is de informatie onmiddellijk beschikbaar via de aankoopgeschiedenis uit de database.
Opnieuw hoeft het hier niet bij te stoppen. De transacties kunnen worden verrijkt met informatie over de winkel (bvb. demografische info uit de omgeving) en met informatie over de klant (bvb. demografische variabelen uit het CAR). Zo kunnen we de verworven inzichten in kaart brengen voor soortgelijke winkels en/of klanten. Neem het volgende voorbeeld:
In dit voorbeeld zijn er vijf transacties van twee klanten in vier verschillende ‘types’ van winkels, m.a.w. een kleine winkel in de stad, een grote op het platteland en aan de andere kant een kleine winkel op het platteland en een grote in de stad. Om de relatieve waarschijnlijkheid van producten die samen worden verkocht te berekenen, hebben we alleen de data over de transacties nodig. Maar als we ook koopgedrag in kaart willen brengen betreffende de winkel en/of klanten, zouden we ook de data over de winkel (en/of uit het CAR) erbij kunnen te nemen.
Een andere manier om het CAR te gebruiken is in combinatie met de segmentatie en profileringsaanpak die we hierboven hebben besproken. We kunnen koopgedrag aan specifieke segmenten en profielen linken, zodat we deze profielen met specifieke aanbiedingen kunnen aanspreken over producten waar ze waarschijnlijk in geïnteresseerd zullen zijn.
Het combineren van verschillende modelleringstechnieken en databronnen is vaak zeer krachtig en kan ons een nog beter inzicht geven in onze klanten en hun gedrag.
Social Media Analytics
Tot nu toe hebben we ons gefocust op de analyse van interne gegevens die al aanwezig zijn in de databases en applicaties van het bedrijf. Social Media Analytics is heel andere koek, omdat het gaat over de extractie van data uit social media platformen zoals Twitter, LinkedIn, Facebook etc.
Toepassingen van Social Media Analytics
Zonder in detail te gaan, zal ik hier kort een aantal mogelijke toepassingen van Social Media Analytics bespreken, samen met de belangrijkste implicaties van het verzamelen, opslaan en analyseren van de data.
We hebben reeds gezien dat het tijdperk van Inbound Marketing gekenmerkt wordt door het leggen van een grotere nadruk op het delen van informatie, user-centric design en samenwerking. Dit leidt ertoe dat klanten met merken gaan interageren op nieuwe manieren, voornamelijk via social media. Het is dus niet verwonderlijk dat deze kanalen een schat aan informatie kunnen bevatten over onze klanten, ons bedrijf en onze producten of diensten. Denk daarom aan de volgende toepassingen:
- Extractie van profielinformatie: we kunnen informatie uit de social media profielen van onze klanten extraheren. Het is bijzonder interessant om psychografische variabelen te verzamelen om het CAR mee te verrijken.
- Impactanalyse van het social media gebruik: als je een bedrijf bent dat uitgebreid gebruik maakt van social media, wil je misschien de impact van uw communicatie-inspanningen op die kanalen analyseren. Er zijn veel producten op de markt waarmee je aan de slag kunt. De bekendste ervan is ongetwijfeld Google Analytics.
- Trendanalyse: waarover praten mensen op social media? Hoe vaak wordt je bedrijf vermeld? Hoeveel keer ging het over een bepaald product? Praten mensen over de tv-commercial je net hebt gelanceerd?
- Sentimentanalyse: dit is een specifieke vorm van trendanalyse met als doel de gevoelens of emoties van mensen in kaart te brengen als ze praten over je bedrijf en producten. Hebben ze het op een positieve, negatieve of eerder neutrale manier over je bedrijf?
Implicaties van Social Media Analytics
Social Media Analytics vereisen een aantal specifieke technieken en overwegingen waar men rekening mee moet houden. Een overzicht:
- Connecteer op social media: je moet je echt te verbinden met de kanalen die je wil analyseren. De verschillende platformen hebben allemaal procedures en API’s om dat te doen.
- Verzamelen en opslaan van data: de gegevens die je uit social media haalt zijn ongestructureerd en worden aangeleverd in een specifiek formaat, zoals JSON. Het verzamelen, opslaan en analyseren van deze gegevens vereist specifieke technieken en technologie. Vooral als je grote hoeveelheden aan social interacties wil analyseren, zal je Big Data technologie zoals NoSQL data stores nodig hebben.
- Identificatie van je klanten: als je het social media gedrag van specifieke klanten wil analyseren of als je profielinformatie wil extraheren om het CAR te verrijken, dan heb je manieren nodig om je klanten op social media te identificeren. Vaak wordt dit gedaan door klanten te vragen om deze informatie te delen, bvb. door ze een speciale promotie aan te bieden als ze dat doen, of door een Facebook-login op je website te voorzien.
- • Twijfels over privacy: het is erg belangrijk goed zorg te dragen voor de privacy van uw klanten (en anderen) op social media. Ga voorzichtig te werk en gebruik alleen de gegevens die publiek beschikbaar zijn of gegevens waarvoor u uitdrukkelijke toestemming van uw klanten hebt gekregen om ze te gebruiken.
Conclusions and Takeaways
Het gebruik van Analytics voor marketing is een krachtige manier om verregaande inzichten te krijgen in uw klanten, veel verder dan de klassieke business intelligence en data warehouse rapportage.
Het geeft marketeers de mogelijkheid om te communiceren met klanten en te verschuiven van massacommunicatie naar een meer persoonlijke ‘two-way’ communicatie. Dit maakt het mogelijk om cross- en up selling opportuniteiten beter te benutten en de levering van producten, diensten en promoties beter af te stemmen op de noden van onze klanten.
In plaats van reclame online te ‘pushen’, kunnen we voordeel halen uit het creëren van waarde voor onze klanten en het ‘verdienen’ om business met hen te doen.
Bedrijven die waarde kunnen leveren en kunnen interageren met klanten op een zinvolle manier, zullen daar de komende jaren de vruchten van plukken.
Enkele belangrijke punten om te onthouden:
- Er zijn verschillende basistechnieken die kunnen gebruikt worden in verschillende bedrijfscontexten. Bij elke vraag hoort vaak een passende techniek.
- Goede data is de sleutel tot succes. Bouw zorgvuldig je Customer Analytics Record. Analyseer je data, kuis ze op en transformeer ze. Doe het samen met business, want de variabelen die je moet gebruiken hangen heel sterk af van de zakelijke context.
- Start van een eenvoudige basis, itereer en voeg complexiteit toe door stapsgewijs voort te bouwen op eerdere resultaten, en betrek business gedurende het ganse proces.
- Het combineren van verschillende technieken en databronnen kan je nog meer inzichten opleveren. Het is een zeer krachtige manier om je klanten nog beter te leren kennen.
