Data inspiratie: data-gedreven naar een onderscheidende klantinteractie

EY VODW Datatalents
07 dec 2020

De klantinteractie is de afgelopen jaren nogal veranderd. De reden? De opkomst van e-commerce als verkoopkanaal, wat ervoor zorgt dat de interactie zich, op de bezorging en het retourneren van producten na, volledig online afspeelt. Die afstand tussen consument en verkoper wordt nog eens versterkt door de coronacrisis, aangezien er maar een beperkt aantal klanten in een winkel mag zijn en ‘een dagje shoppen’ ontmoedigd wordt. Maar, een digitale klantinteractie biedt ook mogelijkheden. Het levert enorme kansen op voor het verzamelen van data en bijbehorende (klant)inzichten. Dit kan vervolgens weer worden ingezet voor het personaliseren en optimaliseren van de klantinteractie. In de ideale e-commerce wereld ervaart elke consument een unieke en gepersonaliseerde klantervaring, iets wat slechts in beperkte mate mogelijk is bij grote fysieke winkels zoals warenhuizen en ketens.

Veel bedrijven ervaren echter moeite met het (op een goede manier) omzetten van al deze klantdata naar een gepersonaliseerde en onderscheidende klantinteractie. Om een klant net zo persoonlijk te kunnen bedienen als de bakker op de hoek van de straat, is breed transformeren onvermijdelijk. Denk hierbij aan een klantgerichte werkwijze, data gedreven processen, inzet van de juiste personalisatietechnologie, het creëren van een zo rijk mogelijk klantbeeld en de inzet van de juiste analytische technieken. Vooral de laatstgenoemde, het maken van een keuze in de juiste analysetechniek, is iets waar bedrijven moeite mee hebben. Zo is het gemakkelijk om overspoeld te raken door de mogelijkheden aan technieken, variërend van eenvoudige algoritmen tot zelflerende black-box AI-modellen. Ook zijn sommige technieken lastig te interpreteren, zoals ML- en vooral AI-modellen. Gelukkig kunnen ook eenvoudig te interpreteren modellen al veel waarde toevoegen.

datainspiratie1-1Een voorbeeld van zulke modellen zijn regressies, die je in staat stellen om zowel continue (b.v. omzet per klant) als discrete (b.v. zegt klant ja/nee) data te voorspellen. Maar, er zijn meer analysetechnieken die ook een podium verdienen. In deze bijdrage willen we een drietal technieken onder de aandacht brengen die we niet vaak bij onze opdrachtgevers tegenkomen, maar toch veelbelovend zijn. Namelijk: de market basket analysis, het duration model en het count model. Ook dit zijn technieken die een snelle bijdrage leveren om klantdata om te zetten in heldere inzichten, die vervolgens weer gebruikt kunnen worden voor het optimaliseren van de klantinteractie.

 

 

 

Voorbeeld online supermarkt

Om de drie technieken wat meer tot de verbeelding te laten spreken, leggen we ze uit aan de hand van een concreet voorbeeld. Stel, je doet je boodschappen bij een online supermarkt. Wanneer je hebt afgerekend, weet deze online supermarkt wat je in je winkelwagentje hebt geplaatst en welke producten je dus samen hebt gekocht. Dit weet de webwinkel niet alleen van jou, maar van alle klanten die afrekenen. Daarnaast weten ze hoelang de sessie duurde en hoeveel tijd er tussen deze en vorige sessie zat (duration data). Ook weten ze hoeveel pagina’s je hebt bezocht, en hoeveel producten je retourneert (count data). Deze data kan alleen met de drie genoemde technieken omgezet worden naar bruikbare klantinzichten. Maar wat kun je daar dan mee?

datainspiratie2-1
  • Het weten van welke producten samen worden gekocht, voor welk type consument,
     stelt je in staat om gepersonaliseerde productaanbevelingen te doen. Naast dat dit commercieel interessant is, maakt het ook de klantinteractie meer gepersonaliseerd.
  • Het weten wanneer een klant terug zou moeten komen, dankzij het duration model, stelt je in staat om traffic naar de website te voorspellen. Ook kun je het gebruiken voor het timen van een commerciële mailing, net als voor het voorspelde herhaalbezoek.
  • De inzichten uit het count model stellen je in staat om het aantal retourneringen te voorspellen, wat bij een hoge voorspelling aanleiding kan vormen om de productinformatie en/of foto’s aan te passen voor die betreffende klanten. Ook kan het aantal bezochte pagina’s aanleiding vormen om de website flow toe te spitsen aan specifieke klanten.

Hieronder bespreken we kort de achterliggende voorwaarden en assumpties van de drie technieken, en leggen we nader uit welke (klant)data geschikt is.

Market basket analysis

Een market basket analysis is een model dat achterhaalt welke productcombinaties worden gekocht door klanten. Market basket analysis wordt gebruikt door commerciële data scientists om patronen te vinden en hierop in te spelen. 

datainspiratie3-1

Het is een applicatie van de datamining methode assocation rule mining, een methode die in staat is om kenmerken te vinden die vaak ‘samen’ voorkomen en aan elkaar gecorreleerd zijn: er is een als/dan relatie. Het berekent bijvoorbeeld de volgende kans voor de supermarktaankopen van een consument: als hamburgerbroodjes, dan ook hamburgers. Houd er rekening mee dat dit niet hoeft te betekenen dat iemand die hamburgers koopt ook hamburgerbroodjes koopt (let op de volgordelijkheid).

Het model kan worden toegepast op een scala aan associatievoorspellingen voor (web)winkels. Enkele toepassingen om de uitkomsten in te zetten zijn cross-selling stimuleren en product placement in je (web)winkel. Denk bijvoorbeeld ook aan dat als een klant webpagina x bezoekt, hoe groot is dan de kans dat webpagina y vervolgens ook door dezelfde klant wordt bekeken? Deze inzichten dragen bij om de shopping experience te verbeteren. Bijzondere of juist logische ontdekkingen kan een category manager doen besluiten om de shopping experience hierop aan te passen. 

Dus, het toepassen van verschillende market basket analyses stelt je in staat om de flow van je (web)winkel te optimaliseren voor een verbeterde customer experience en interactie. Dit heeft vervolgens een positief effect op klanttevredenheid en loyaliteit.  

Duration model

Dit type model houdt zich bezig met het voorspellen van het moment of de duur van een specifieke gebeurtenis. Duration models zijn vooral interessant in de context van customer relationship management. Denk hierbij aan het voorspellen van het moment wanneer een abonnee opzegt, gemeten in het aantal dagen na het afsluiten van het abonnement. Maar ook: hoelang duurt het voordat een klant een recent geïntroduceerde feature of service oppakt?  

Het duration model beantwoordt de vraag: gegeven dat gebeurtenis x nog niet is gebeurd, wat is de kans dat gebeurtenis x alsnog zal gebeuren in de observatieperiode? 

datainspiratie4

Dit wordt ook wel het risico (risk) genoemd. Risk is de relatie tussen de kans dat event x kan gebeuren tot de kans dat het nog niet is gebeurd. Deze risk ratio wordt berekend door de kans op Failure te delen door de kans op Survival. In deze context is failure de voorwaardelijke kans dat een event zal plaatsvinden en survival de kans dat event x ‘tot nu toe’ nog niet is gebeurd. Niet verwonderlijk wordt een duration model ook wel een survival analysis genoemd. Deze survival analysis kan worden gevisualiseerd aan de hand van de Kaplan Meier Curve met op de x-as de tijd in maanden en op de y-as de berekende kans op survival.

Voorbeeld online supermarkt

Voor het optimaliseren van een klantinteractie is het belangrijk om te weten wanneer een belangrijke klant-gerelateerde gebeurtenis plaatsvindt. Wanneer je bijvoorbeeld de tijd tussen twee bezoeken of herhaalaankopen weet, is het makkelijk om de juiste timing voor een reminder of marketingactie te bedenken. Een duration model stelt je ook in staat om een onderscheid te maken tussen klanten of doelgroepen als het gaat om productadoptie, een waardevol inzicht voor het bepalen van de strategie van een productlancering. Het verschil in kans op adoptie over tijd tussen de twee groepen is wederom te visualiseren in een Kaplan Meier Curve, zoals in het figuur aan de linker zijde. 

Count model

Een count model houdt zich bezig met tellen. Specifieker, het poogt een voorspelling te doen van een afhankelijke variabele die bestaat uit count data. Dit is ordinale, niet-negatieve data bestaand uit hele getallen. Je kunt hierbij denken aan het aantal producten dat een klant afrekent of het aantal webpagina’s dat een bezoeker bezoekt. Dankzij de kenmerken van count data (ordinaal, niet-negatief en hele getallen) is de data dus ook niet normaal verdeeld, waardoor een (op normaal verdeelde data gebaseerde) reguliere regressie niet geschikt is. Voor zulke data is het dus nodig een count model toe te passen. Een count model geeft de relatie weer van voorspellende onafhankelijke variabelen op de (uit count data bestaande) afhankelijke variabele, zoals te zien is in het rechter figuur.

datainspiratie5

Het kunnen herkennen én voorspellen van count data in de context van klantinteracties draagt bij om deze te kunnen optimaliseren. Door bijvoorbeeld te kunnen voorspellen hoeveel producten een klant retourneert is een goede inschatting van de daarbij bijbehorende kosten te maken. Bovendien stelt het je in staat om factoren te identificeren die invloed hebben op de hoogte van het aantal retourproducten, wat kan worden gebruikt om de (persoonlijke) productpagina aan te passen. En door een count model toe te passen met het aantal door een bezoeker bezochte websitepagina’s als afhankelijke variabele, zijn de factoren te achterhalen die invloed hebben op de hoogte van dit aantal. Deze inzichten kunnen weer gebruikt worden om de shopping experience smoother (lees: minder pagina’s) maken.

 

Breng het in de praktijk

Dankzij de digitale klantinteractie is het dus mogelijk om steeds meer (en steeds rijkere) klantdata te verzamelen. Dankzij, onder andere, de drie besproken technieken is deze data dan weer om te zetten naar bruikbare inzichten. Maar, gebeurt dat momenteel wel in jouw organisatie? Specifieker:

  • Verzamel je momenteel wel alle beschikbare (klant)data?
  • Zet je deze data wel om in bruikbare inzichten, wellicht zelfs met de drie genoemde technieken?
  • En, gebruik je deze inzichten om de klantinteractie te verbeteren?

We helpen organisaties bij het uitvoeren van deze vragen. Het analyseren en omzetten van (klant)data naar bruikbare inzichten vormt de rode draad van onze werkzaamheden.

Wil je meer weten? Stuur ons een mailtje! Maylen.de.koning@vodw.ey.com of dirk.lutke.veldhuis@vodw.ey.com

Onze blogs direct in je mailbox?

Interessant? Laat een reactie achter