Datamining en voorspellende analyse

Cijfers kunnen en moeten meer vertellen

Het fenomeen webanalytics zou zich net zo snel moeten ontwikkelen als het kanaal waarop het zich richt. De cijfers over kliks en bezoeken moet u inmiddels begrijpen. In de competitieve online-wereld gaat het nu om het ontdekken van patronen en relaties in de data, waarmee u zich op de bezoeker of klant kunt richten.

Tekst: Neil Mason

Traditioneel verstaan we onder webanalytics de analyse van gegevens over het gedrag van websitebezoekers. Een speciaal daarvoor ontwikkeld systeem registreert de gegevens en verwerkt die tot rapporten. Maar met de ontwikkeling en toenemende complexiteit van het online-kanaal, moeten ook de tools die u helpen te begrijpen wat er gebeurt zich ontwikkelen. Op sommige gebieden, zoals sociale media, kan dit betekenen dat er nieuwe tools nodig zijn. En soms volstaan oude tools voor een nieuw kanaal.

Grote volumes data

Eén van de gebieden waarop Applied Insights veel werk verricht is het gebruik van datamining en voorspellende analyse. Ongeveer vijftien jaar geleden paste ACNielsen soortgelijke methodes toe om uit te vinden hoeveel van hun reclamebudget ze verspilden. Er bestaat een boek over het gebruik van model building-technieken in de marketing dat al 25 jaar oud is. Deze technieken zijn dus niet bepaald nieuw te noemen, maar wel het systematisch gebruik ervan binnen de online-marketing.

Hiervoor zijn een aantal redenen te noemen. Het grootste  probleem was altijd het managen van grote volumes data en het uit de webanalytics-systemen losmaken van een paar cijfers die ver-telden hoe de winkel het deed (en waar iets aan te doen viel). Daarnaast betekende ongekende orga-ni--sche groei binnen het kanaal dat retailers niet gedwongen waren om te vechten voor een marktaandeel, of om de bedrijfsprocessen volledig te optimaliseren. En tot op zekere hoogte stelden zij niet de juiste vragen.

Dit verandert nu. Iedereen begrijpt die paar cijfers nu wel en wil meer weten. De online-wereld is veel competitiever geworden en begint vragen te stellen die traditionele analysetools niet meer kunnen beantwoorden. Vragen als:
- Hoe begrijp ik de effecten die verschillende marketingkanalen hebben op het genereren van verkoop?
- Hoe ziet de aankoopcyclus eruit over meerdere bezoeken en hoe kan ik deze optimaliseren?
- Hoe moet ik mijn publiek of klanten onderverdelen om de effectiviteit van mijn marketingactiviteiten te verhogen?

Om deze vragen te beantwoorden is het nodig de data op verschillende manieren te organiseren en er nieuwe tools bij te betrekken. Ten eerste moet u uw data integreren, zodat u verschillende aspecten van de acquisitie-, conversie- en retentieprocessen gezamenlijk kunt bekijken. Ten tweede moet u uw data op zo'n manier combineren dat u zich ermee op de bezoeker of klant kunt richten - niet op de klik of het bezoek. Ten derde moet u door de ruis in de data heen kunnen kijken met geavanceerde analysetechnieken, om zo tot de kerninzichten door te dringen.

Publiek onderverdelen

Een voorbeeld. Verschillende mensen bezoeken uw website om verschillende redenen en met verschillende intenties. Als u iedereen op dezelfde manier behandelt, neemt u niet de beste beslissingen over het verdelen van uw marketingbudget of het managen van de gebruikerservaring. U moet uw publiek onderverdelen om effectiever aan deze verschillende groepen te verkopen. Maar dat kunt u niet alleen maar doen op basis van hoe zij zich gedragen op de website. U moet ook hun demografie, bedoelingen, wensen en meningen kennen en begrijpen. U moet de verzamelde gedragsdata aanvullen met profilerings- en attitudedata uit andere bronnen, zoals marktonderzoeken.
Verder is het interessant om het gedrag van bezoekers over meerdere bezoeken te kennen, in plaats van tijdens een enkele blik in uw winkel. Verzamel daarom data waarmee u een overzicht heeft van het gedrag van verschillende bezoekers over langere tijd. U moet waarschijnlijk ook de data samenvatten en extra attributen creëren die aspecten van dat gedrag over langere tijd beschrijven. Denk dan aan het aantal bezoeken, het aantal conversies en de verschillende typen conversies. Ten slotte moet u de data analyseren om interessante en zinvolle bezoekerssegmenten te vinden.

Clusteranalyse

Nu heeft u waarschijnlijk een grote dataset met veel ruis, waarin u door de bomen het bos niet meer ziet. Traditionele query- en rapportagetechnieken zullen niet effectief zijn bij het vinden van patronen, dus moet u iets gebruiken wat ze wél ontdekt. In dit geval kunt u besluiten om een clusteranalyse uit te voeren. Bij een clusteranalyse wordt in de data gezocht naar groepen bezoekers, waarbinnen de individuen iets met elkaar gemeen hebben. Op welk gebied ze iets gemeen hebben verschilt echter per groep. Vervolgens interpreteert u de data om te begrijpen waarop de bezoekerssegmenten zijn geclusterd. Om daarna te beslissen of deze segmenten zinvol en nuttig zijn en of u er iets mee kunt. Dit proces kan verrassende resultaten opleveren en ervoor zorgen dat u over uw publiek nadenkt zoals u dat nog niet eerder had gedaan. U kunt patronen en relaties in de data ontdekken die u nooit gevonden zou hebben met de traditionele analysetechnieken.

Datamining en voorspellende analyse stellen organisaties in staat meer waarde uit hun data te halen, maar ze vereisen wel een andere benadering van het managen van data, andere tools en andere technieken.

Neil Mason is medeoprichter van Applied Insights, een consultancy die zich heeft gespecialiseerd in online-consumentenanalyses. Hij was keynote-spreker tijdens het Webanalytics Congres op 29 mei in Maarssen

Dit artikel verscheen eerder in Twinkle 5-2008