In het online-kanaal vindt al jarenlang enorm veel interactie met de klant plaats. Toch worden de gegevens die online het gedrag van klanten beschrijven, nog steeds nauwelijks gebruikt ten behoeve van analyses en geïntegreerde marketing.
Offline wordt het gedrag van klanten al jaren met grote nauwkeurigheid voorspeld en wordt per klant vaak real-time de beste aanbieding doorgerekend. De voorspellingen zijn gebaseerd op grote hoeveelheden gedragsgegevens, contactgegevens, productgegevens en persoonsgegevens van klanten. Deze schijnbaar onoverzichtelijke bron wordt behapbaar gemaakt door toepassing van datamining technieken die patronen en profielen kunnen opsporen in de gegevens. Deze technieken zijn, onder enkele voorwaarden, ook geschikt om toe te passen op online klantgegevens.
Toepassingen op online klantgegevens
Er is een aantal dataminig technieken die vrij eenvoudig online kunnen worden toegepast en enorm veel inzicht verschaffen in online klantgedrag. Een veel toegepaste techniek is clusteranalyse. Clusteranalyse is vooral bekend uit marktonderzoek en wordt veel ingezet voor klantsegmentatieonderzoeken. Online kan deze techniek heel goed worden ingezet om websitebezoek te segmenteren.
Basket analyse
Een tweede voorbeeld is de basket analyse. Binnen (offline) retail is deze techniek veel ingezet om te bepalen welke artikelen veel samen worden gekocht om zo de winkel optimaal in te richten (zodat bier en zoutjes in hetzelfde schap staan). In online retail zijn de mogelijkheden van deze techniek nog vele malen groter, omdat je online geen last hebt van fysieke beperkingen. Een bekend en succesvol online voorbeeld is Amazon.com ('mensen die dit boek kochten, hebben ook dit boek aangeschaft').
Logistieke regressie
In offline direct marketing wordt datamining vooral toegepast om de kans op een bepaalde gebeurtenis te voorspellen (wel/niet weglopen, wel/niet kopen). Hiervoor wordt bijvoorbeeld een techniek als logistische regressie ingezet. Voor dit soort voorspellende modellen geldt over het algemeen: hoe meer gedrag beschikbaar, hoe beter de voorspelling. Online marketing heeft op dit vlak een grote voorsprong op offline marketing.
Miningtabel
Voor het maken van een goed voorspellend model is het samenstellen van een goede miningtabel cruciaal. Hier beginnen voor online marketing de problemen. De meeste webanalytics pakketten leggen gegevens namelijk op sessieniveau vast en rapporteren ook op sessieniveau. Omdat met datamining meestal uitspraken worden gedaan over behoefte en gedrag van klanten dient de mining tabel ook op klantniveau te worden opgesteld.
Nog niet klaar
De praktijk leert dat organisaties vaak nog niet klaar zijn voor structurele datamining op internet gegevens zoals dit voor offline direct marketing al wel is ingebakken in organisaties. Het advies is dan ook om bij deze afdelingen aansluiting te zoeken en langzaam het webkanaal te ontsluiten en onderdeel te maken van het offline datawarehouse. Online marketing hoeft in dit geval niet opnieuw het wiel uit te vinden, maar kan snel de inhaalslag maken en profiteren van het voorbereidende werk van databasemarketing in de afgelopen 20 jaar.
Helemaal mee eens. Schatgraven is waardevol.
Een paar maandjes geleden schreef ik zelf ook al iets over de stap van data mining naar proces mining.http://www.twinklemagazine.nl/weblog.aspx?id=20232
Web-non-intelligence kenmerkt helaas veel webwinkels. Ongerichte mailings, die in de spambox eindigen. Of nog erger... omdat je een dubbele achternaam hebt steevast mevrouw Ploos-van Amstel wordt genoemd (en eindigt met die onbruikbare Wehkamp catalogi met de laatste mode in de brievenbus).
@ Walther,
Ik pleit al langer voor een meer databasemarketing-achtige aanpak voor webwinkels, maar tot op heden lijkt het of deze nog niet uit de acquisitiemodus zijn gekomen. Wellicht dat de recessie het belang van huidige klanten wat vergroot, waardoor dit soort processen wat meer aandacht krijgen.