Er zijn 7 reacties op dit artikel

• 
  Michiel Frackers

  Is dit een commerciele posting, of een redactionele posting?

  geplaatst op 24-02-2006 om 19:22
• 
  Floris Spin, TNT Express

  Ik zal de eerste zijn om te erkennen dat Cendris een commerciële betrekking heeft met MarketingFacts in de zin dat Cendris MarketingFacts sponsort, echter willen wij met deze posting graag de discussie starten over de waarde van marktonderzoek.
  
  Hier op MarketingFacts wordt regelmatig verwezen naar marktonderzoek. Echter blijkt uit onze ervaring dat het vaak bij marktonderzoek blijft en dat de vraag naar een oplossing voor een individuele benadering van de klant niet wordt beantwoord.
  
  De fusie tussen marktonderzoek en de totale klantendatabase is wat ons betreft een waardevolle en is zeker boeiend om over te discussiëren, juist omdat marktonderzoek vrij populair is. Wij geloven dat waarde van marktonderzoek toeneemt als het 1-op-1 wordt doorvertaald naar de klantendatabase door middel van datafusie.

  geplaatst op 24-02-2006 om 20:33
• 
  Marco Derksen, Upstream

  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?

  geplaatst op 24-02-2006 om 21:27
• 
  Constantijn Rijsdijk

  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".

  geplaatst op 27-02-2006 om 06:40
• 
  Marco Derksen, Upstream

  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).

  geplaatst op 27-02-2006 om 10:36
• 
  Constantijn Rijsdijk

  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.

  geplaatst op 01-03-2006 om 07:21
• 
  Marco Derksen, Upstream

  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!

  geplaatst op 01-03-2006 om 07:48

Plaats zelf een reactie

Log in zodat je (in het vervolg) nóg sneller kunt reageren