Graven naar klantgegevens

 

Peter van der Putten

 

Datamining is een hot topic op e-commerce symposia en in de columns van een-op-een marketing goeroes. De dagelijkse praktijk is weerbarstiger. Juist bij grotere organisaties blijft de invoering van datamining voor marketing toepassingen nog even achter bij de hooggespannen verwachtingen. Dit creëert een ongewenste situatie voor deze bedrijven, omdat het uiteindelijk met name de consumenten zijn die profiteren van de betere product-aanbiedingen en keuzemogelijkheden die door datamining tot stand zijn gekomen.

 

Groeiende interesse

De groeiende interesse voor datamining voor marketing toepassingen is relatief eenvoudig te verklaren. Datamining technieken komen oorspronkelijk uit de gereedschapskist van de statistische patroonherkenning en de kunstmatige intelligentie. Deze technieken kunnen gebruikt worden om verborgen patronen in klantgedrag te ontdekken. Zo kan onderzocht worden in welke nieuwe producten een klant mogelijk interesse heeft, welke producten vaak samen gekocht worden en wat consumenten beweegt om over te stappen naar de concurrent.

In tegenstelling tot wat vaak beweerd wordt is datamining niet nieuw: veel datamining technieken stammen al uit de jaren ’40, ’50 en ’60. Bedrijven beschikken al tientallen jaren over centrale stafafdelingen waar marktonderzoekers klantgegevens analyseren. Vanwege trends als de groei van klanten databases, de toenemende populariteit van direct marketing en de ontwikkeling van geïntegreerde en geautomatiseerde datamining omgevingen komt datamining langzaam maar zeker in het bereik van de eindgebruiker voor wie het uiteindelijk bedoeld is: de marketeer.

 

Fossiel

De term ‘datamining’ is enigszins misleidend. Het suggereert dat de database verborgen ‘fossiele’ klantkennis bevat die klaarligt om, geheel automatisch, opgegraven te worden met het datamining gereedschap. Terwijl het doel van het graafwerk en de interesse van de mijnwerker in hoge mate bepalen naar welke klompjes men op zoek gaat: karakteristieke profielen van respondenten, opzeggers van een abonnement of top klanten bijvoorbeeld. Bovendien is de gevonden kennis nog maar een ruwe grondstof. De resultaten krijgen pas waarde als er zinvolle actie op ondernomen wordt: gemailde contacten nabellen, opzeggers op tijd de juiste korting bieden, klanten met lage omzet maar een top profiel toch een persoonlijke account manager toewijzen.

In de praktijk blijkt dat het succes van datamining projecten staat of valt met de definitie van een heldere doelstelling en dito exploitatieplan. Helaas is de creativiteit en lange termijn visie hierbij nogal eens ver te zoeken. In negen van de tien gevallen gaat het of om het voorspellen van respons op een enkele direct mailing of om het beschrijven van consumenten van een bepaald product in de bekende variabelen geslacht, leeftijd en welstand.

 

E-commerce

De belangrijkste doelstelling voor de inzet van datamining binnen e-commerce is personalisatie: het aanpassen van het informatie- en productaanbod aan het wensprofiel van de individuele gebruiker. Datamining speelt hierbij nu nog een ondergeschikte rol. Zelfs op de de nieuwste e-commerce websites ontwikkeld met geavanceerde software van bijvoorbeeld BroadVision of Microsoft (Site Server Commerce) is personalisatie nog een relatief statisch begrip. Het profiel van een klant is grotendeels handmatig door een bezoeker zelf bepaald. Datamining zou gebruikt kunnen worden om interessante kenmerken af te leiden uit basisgegevens en surfgedrag en deze toe te voegen aan het profiel.  Men zou bijvoorbeeld kunnen denken aan klanttyperingen als 'snelle shoppers', 'bon vivants' en 'koopjesjagers'. De regeltjes waarmee wordt bepaald hoe, gegeven het profiel van een klant, de website wordt aangepast zijn meestal eveneens handmatig ingevoerd en wel door de ontwerper van de site: 'snelle shoppers'  krijgen klant-en-klare maaltijden voor hun neus, 'koopjesjagers' de prijs-aanbiedingen.  Ook deze regeltjes kunnen met datamining dynamisch 'ontdekt' worden, bijvoorbeeld door on-line per individuele klant de interesse in verschillende producten te voorspellen. Een bezoeker krijgt dan producten aangeboden die gekocht zijn door die individuele klanten waar hij of zij het meeste op lijkt. Het lijstje alternatieve boekentitels op de bekende boekensites is een voorbeeld van een dergelijke toepassing.

 

 

Datakwaliteit

Ook al zijn er een goede doelstellingen voor datamining geformuleerd, in de echte ofwel in de virtuele wereld, dan vormt de bereikbaarheid en de kwaliteit van de data vaak een probleem. Veel grote organisaties hebben de overgang van transactie-georiënteerde productie databases naar consument-georiënteerde klantendatabases nog niet afgerond. De individuele klanthistorie die een kruidenier op de hoek gewoon in zijn hoofd heeft zitten, is zeer moeilijk uit deze productiesystemen te halen.

Een snelle en algemeen aanvaarde oplossing voor een gebrek aan data is de inkoop van socio-demografische gegevens bij een externe gegevensleverancier. Hier wordt het prehistorische een-op-een gehalte van de huidige marketing aanpak duidelijk. De de facto standaard voor koppeling van deze waardevolle externe gegevens aan de interne klantendatabase is de postcode: alle klanten uit een specifiek postcode gebied krijgen dus exact dezelfde kenmerken toegewezen. Lijkt u zoveel op u buurman? Een intelligentere matching van consument en geënquêteerde lijkt hier op zijn plaats. Kenmerken die bij beiden voorkomen, zoals geslacht, leeftijd en opleiding kunnen hierbij uitkomst bieden.

 

Vraag het de klant

Een andere mogelijkheid om in de toekomst meer van individuele klanten te weten te komen is eigenlijk vrij simpel: vraag het de klant. Klanten zijn in het algemeen best bereid persoonsgegevens en informatie over koopmotieven te verstrekken aan de producent, als het maar klip en klaar is dat daar iets tegenover staat – een beter product, service of prijs.

Al enkele weken na de lancering van de Albert Heijn bonuskaart hadden ruim 2 miljoen consumenten de kaart aangeschaft. Slechts 2% had geen naam, adres en woonplaats op het aanvraagformulier ingevuld. In reactie op kritische geluiden uit de publieke opinie over het schenden van de privacy plaatste Albert Heijn paginagrote advertenties met centraal een slim een-op-een symbool: het kruideniertje waar de grootgrutter ooit in het klein begonnen was.

Bezoekers van de website van SportsLine USA krijgen punten voor het bezoeken van de site. De punten kunnen geruild worden voor sport memorabilia en on-line chats met sportcoryfeeën. Hoe vaker men de site bezoekt, des te beter de beloningen en des te meer SportsLine weet van het surfgedrag. Het verst gaat het bedrijf FreePC, dat 10.000 computers gaat weggeven aan consumenten die uitgebreide persoonsgegevens verstrekken en bereid zijn constant bloot te staan aan advertenties op hun scherm.

 

Evolutie van klant en producent

Kunnen we nu concluderen dat het nog niet zo’n vaart loopt met datamining en we dus rustig achterover kunnen leunen? Deze vraag laat zich het best beantwoorden vanuit het perspectief van de klant.

Naarmate het publieke bewustzijn omtrent privacy kwesties stijgt, zullen organisaties die op een niet-selectieve, verspillende manier marketing bedrijven harder door consumenten worden afgestraft. De irritatiedrempel voor ongewenste brieven of erger nog, irrelevante verkooptelefoontjes tijdens het eten zal steeds lager komen te liggen. Een zogenaamde een-op-een relatie moet ook vanuit de optiek van de klant betekenis hebben. Privacybeschermers en datamining leveranciers kunnen in deze zin wel eens een paradoxale gelegenheidsalliantie gaan vormen gezien het gezamenlijke doel: minder ongewenste marketing contacten.

Bedrijven die juist op een selectieve manier willen marketen en handelen, en met name de elektronische handelaars, zullen vaker datamining willen gaan inzetten om de klant beter en flexibeler een gepersonaliseerd aanbod te kunnen doen. Klanten krijgen langzaam maar zeker een betere keus tussen verschillende producenten, wat betekent dat producenten weer extra hun best moeten doen om een betekenisvolle relatie op te bouwen. Het voordeel van de transparantere markt ligt dus voornamelijk aan de kant van de klant, al kan de producent simpelweg niet achterblijven. In deze snelle evolutie van de wedloop tussen producenten en klanten kunnen bedrijven die vanwege hun grootte niet flexibel inspelen op deze ontwikkeling hetzelfde lot beschoren zijn als andere reuzen uit de prehistorie.

 

Autospeurders

Het is enigszins speculatief, maar op de electronische marktplaatsen van de toekomst zal de consument waarschijnlijk zelf datamining technieken kunnen gebruiken om het aanbod optimaal te analyseren. Op de Autospeurdersite van de Telegraaf kan een bezoeker nu al het profiel van zijn ideale wensauto opgeven waarna de searchengine of een zoekagent de chaotisch opgestelde rubrieksadvertenties uit de krant doorpluist op zoek naar de best matchende tweedehandsjes. Indien er geen auto’s zijn die 100% overeenkomen gaat de agent op zoek naar de meest passende alternatieven. In de toekomst zou datamining hier bijvoorbeeld gebruikt kunnen worden om te beoordelen of een gevraagde prijs redelijk is door een vergelijking te maken met een voorspelde prijs.

 

Een stap vooruit?

Samenvattend: de hype rondom datamining en een-op-een marketing doet geen recht aan de huidige stand van zaken in de praktijk, waar het ontwikkelen van datamining scenario’s en het gestructureerd verzamelen van een rijke relevante verzameling klantgegevens van goede kwaliteit nog sterk in ontwikkeling is.

Het zal nog wel even duren maar de instrumenten datamining, een-op-een marketing en e-commerce zullen elkaar in de toekomst via het hefboomeffect van verhoogde transparantie en concurrentie zeker gaan versterken.

De techniek achter datamining vormt niet het meest complexe onderdeel. De crux ligt bij het op- en doorstarten van het datamining proces, om stap voor stap te komen tot een efficiënte, lerende organisatie die relaties aangaat met haar klanten. Zodat ondernemers kunnen doen wat het meest telt vandaag en morgen: klanten en concurrenten een stap voor zijn.

 

Peter van der Putten (pvdputten@smr.nl) is datamining consultant bij Sentient Machine Research.