Marktonderzoek doorvertaald naar de praktijk
Vandaag de dag maken veel bedrijven gebruik van segmentatietechnieken om hun klanten in te delen in verschillende (communicatie) doelgroepen op basis van marktonderzoek. Met deze indeling wil men vervolgens gericht met klanten communiceren.
In de praktijk komt het echter maar al te vaak voor dat niet over alle klanten voldoende informatie aanwezig is om ze aan een segment toe te wijzen.
Om aan de behoefte van één-op-één benadering te voldoen bestaan er technieken die het mogelijk maken om marktonderzoeksresultaten door te vertalen naar de totale klantendatabase. Deze technieken worden ook wel datafusie genoemd. De doelstelling van datafusie is kennis en informatie over een kleine groep doorvertalen naar de totale klantengroep.
Door gebruik te maken van datafusietechnieken is het mogelijk om segmentaties wél door te vertalen naar alle klanten en zelfs prospects. Op deze manier kan een effectieve invulling aan gedifferentieerde individuele klantgroepbenadering worden gegeven.
De stelling is dan ook: De waarde van marktonderzoek wordt verhoogd als het 1-op-1 wordt doorvertaald naar de klantendatabase middels datafusie.
Is dit een commerciele posting, of een redactionele posting?
Floris, naar aanleiding van de reactie van Michiel heb ik zojuist ook het artikel gedownload en gelezen. En om heel eerlijk te zijn vraag ik me af wat het artikel bijdraagt aan kennis over het onderwerp en begrijp dan ook Michiel’s reactie. Het blijft wel heel erg op de vlakte en zegt ons niet veel meer dan dat datafusie bestaat. Maar waar zijn de voorbeelden? Wat zijn de concrete voordelen? Wat levert het op in de praktijk?
Ik heb in het verleden regelmatig data verrijkt op basis van postcode data en maar zelden modellen kunnen maken die een beter voorspellend gedrag vertoonden. Wat deed ik fout? Wanneer heeft het wel en wanneer heeft het geen zin?
Een segmentatie gebaseerd op literatuuronderzoek en marktonderzoek kan met
behulp van een doorvertaling (datafusie) naar de totale klantendatabase
worden getoetst op bruikbaarheid. Voor een energieleverancier heeft Cendris
een doorvertaling gemaakt waarbij bleek dat de 10 klantsegmenten
teruggebracht moesten worden naar 4 groepen (6 van de 10 bleken qua profiel
gelijk te zijn aan een andere groep).
Als het gaat om het verrijken van data met postcode data zijn er ook
bestanden beschikbaar op huishoud- of persoonsniveau. Afhankelijk van de
vraag kan de data (op ieder niveau) zeker bijdragen aan een beter model. Het
moet alleen 1 keer worden onderzocht en dit kan op vele manieren. Welke
techniek heb jij gebruikt Marco en wat was het doel van het model?
Bij een financiële instelling bleek dat topklanten o.a. konden worden
gevonden op basis van o.a. hun woningkenmerken (hoge waarde van de woning).
Het betrof hier namelijk klanten met een laag spaarsaldo die hun
beleggingsportefeuille bij een andere bank hadden belegd. In de marktbewerking kregen deze klanten toch een persoonlijke adviseur aangewezen.
Wanneer een organisatie op basis van analyse inzicht krijgt in de waarde van
externe data geeft dit concreet antwoord op de vraag ” moeten we de data
aanschaffen of niet”.
Constantijn, ik heb diverse technieken gebruikt voor modelling (van lineaire discriminantanalyse tot niet-lineaire technieken als neurale netwerken en NPLS). Daarbij is telkens uitgegaan van dataset zonder en met verrijking op basis van postcode data. In het geval van lineaire technieken zijn met zowel backward als forward selection de variabelen geselecteerd. In geval van niet-lineaire technieken gaat mijn voorkeur uit (als er voldoende objecten zijn) om alle variabelen mee te nemen. In alle gevallen is de data geschaald (autoscaling).
Ook de toepassingen varieerden enorm (van cross-sell, churnanalyse tot callcenter optimalisatie) waarbij de harde data verschilden van rijk (klantgegevens telecom) tot arm (profielgegevens te bellen mensen callcenter).
Marco. Heb je deze technieken alleen met postcode data bereikt of heb je ook data op andere niveaus gebruikt (huishoud data of data op persoonsniveau) ?
Als je goede ervaring hebt met een bepaalde techniek zal het niet aan de techniek liggen dat de maximale resultaten niet worden bereikt. Het niveau van de data waarmee het model wordt gebruikt moet wel verschil in resultaten laten zien. Heb je helemaal geen significante verschillen gezien bij het gebruik van de modellen?
Als het gaat om het gebruik van harde data (rijke/arme, intern/extern) kan je met databasemarketing alles toesten. Ik ben dus erg benieuwd waarom je geen duidelijke winsten hebt behaald met modellen.
Ik heb bestaande data (en dit verschilde per case) verrijkt op basis van postcode data. Die bestaande data bestond in sommige cases uit hele rijke data (bij telecom is dat naast persoonlijke gegevens zoals NAW, leeftijd, m/v ook gebruikersgedrag zoals belgedrag) en in andere uit arme data (bij call center is dat slechts NAW met slechts 1-2 kenmerken). Dataverrijking leverde altijd een verbetering op maar deze was niet altijd rendabel (kosten waren hoger dan de investeringen).
Constantijn, ik kom binnenkort wel weer een keer langs bij Cendris om de details te bespreken!
Gerelateerde artikelen
Marketingfacts. Elke dag vers. Mis niks!
Marketingfacts. Elke dag vers. Mis niks!