Zes vragen beantwoord over big data

Big data spreekt veel tot de verbeelding, maar is ook weinig concreet en daardoor een tikkeltje mysterieus. In dit artikel lees je de antwoorden op zes vragen over big data.

Tekst: Robin Gabriner

Welke bedrijven daadwerkelijk gebruik maken van big data is onduidelijk, hoewel we weten dat een aantal online retail-giganten het wel doen. Amazon, Alibaba en Zalando bijvoorbeeld, zetten big data in om beter en – vooral – meer te verkopen. Met succes, kunnen we wel stellen. Maar als je geen oneindige budgetten en bergen eigen data hebt, hoe kun je dan Big data inzetten om meer te verkopen? Zes vragen – en het ontnuchterende antwoord – over big data voor retailers.

Wanneer is iets big data?
Om te beginnen is het verstandig om big data te zien als gewoon véél en veel verschillende soorten data. En aangezien data een vorm van informatie is, haalt dit al een stuk mysterie weg. De informatie-experts van Gartner stellen dat, voordat data big data genoemd mag worden, het dient te voldoen aan minstens twee van de drie van de volgende criteria:

- Een hoog volume aan data
- Een hoge snelheid van data
- Een grote diversiteit van data

Hiermee wordt duidelijk dat de scheidslijn tussen data en big data niet strikt is, wat belangrijk is om het begrip big data te concretiseren. Het laat ons namelijk zien dat om met big data te gaan werken, er experimenten nodig zijn met ‘normale’ data. Het is nou eenmaal lastig om vanuit het niets met een volledige database aan big data te gaan werken.

Wat is het doel van big data?
Maar wat is überhaupt het doel van werken met big data in retail? Gerichtere marketing? Inzicht krijgen in de zaken waarmee een bedrijf beter gaat functioneren? Hoewel dit natuurlijk allemaal waar is, valt ook het doel verder te concretiseren. Het ultieme doel van het gebruik van big data zou natuurlijk moeten zijn het optimaliseren van de winst. Om dit verder te concretiseren kun je gebruik maken van het aloude Trinity-model. In het voorbeeld hiernaast zie je aan welke knoppen een retailer kan draaien om de winst te vergroten. Tevens kun je het model gebruiken om te bepalen wat het netto-effect is van een bepaalde knop. Dit inzicht helpt dan weer om te bepalen op welke facetten het investeren in big data potentieel loont. Wat is bijvoorbeeld het netto-effect van 20 procent meer ‘bij-verkopen’ op alle online orders? En wat is het netto-effect van 20 procent reductie in flexibel personeel door een betere inzetplanning in de winkel? De antwoorden op deze vragen geven aan welke benodigde investeringen in big data het meeste lonen. Bijvoorbeeld: investeringen rondom gelijktijdig aangeschafte producten of investeringen rondom data die de traffic in de winkel kunnen voorspellen?

Het Trinity-model

360 of 180-graden klantbeeld?
In het kader van big data wordt al snel gesproken over een 360-graden klantbeeld. Zo’n 360-graden klantbeeld verkrijg je door data van zoveel mogelijk potentieel relevante bronnen te verzamelen en te koppelen aan de individuele klant. Het vraagt vaak een behoorlijke (organisatorische en IT-)investering om een compleet klantbeeld te creëren. Ook hier loont het dus om eerst vast te stellen met welk doel dit wordt gedaan, waarna ook duidelijker wordt welke data wel en welke niet relevant zijn. Je kunt hieraan onder meer de volgende doelstellingen koppelen:

- Optimale customer service
- Gerichte persoonlijke aanbiedingen, zowel qua inhoud als timing
- Voorspelling van toekomstige interesses en kooppatronen

Een no-brainer is de beschikbaarheid van relevante transactiedata over alle kanalen voor optimale customer service. Het wordt ingewikkelder om te bepalen welke databronnen relevant zijn voor het doen van gerichte aanbiedingen. Is het bijvoorbeeld relevant om het actuele weertype bij het moment van aankoop in de winkel of online op te slaan? En moeten we de klant om zijn of haar geboortedatum vragen - of is dat zinloos en werkt het alleen maar storend?

Om hierin meer duiding te krijgen, is het zinvol individuele customer journeys te analyseren en te bediscussiëren. Hoe ging meneer Petersen uit Roermond aan de slag bij de aanschaf van een overhemd? Keek hij eerst online? Hoe vaak en wanneer? Waar zocht hij op? Wat heeft hij erbij gekocht? Had hij daar online ook al naar gekeken? Zit de winkel bij zijn huis of werk in de buurt? Dit kan gewoon gedaan worden zonder hier meteen software voor te moeten aanschaffen, terwijl het inzicht verrassend groot kan zijn! Belangrijk is wel dat je je baseert of feiten (data dus) en daar niet zelf allerlei aannames aan toevoegt. Na deze analyses is het raadzaam om de volgende vraag te stellen: kunnen we de verkregen inzichten toepassen op andere klanten, op basis van de aanwezige of te verzamelen data? Wellicht is het beter om een 360-graden klantbeeld te beperken tot 180 graden, waarbij de belangrijkste helft van alle mogelijk te verkrijgen informatie overblijft.

In hoeverre kan big data realtime worden toegepast?
Op het moment dat er een database voorhanden is met daarin volledige klantprofielen, is het al mogelijk om met tools het real-time dataverkeer naar deze klanten aan te passen. Deze tools slaan alle acties op van de gebruiker en combineren dit met informatie die bijvoorbeeld uit de fysieke winkels, CRM-systemen en externe databronnen komt. Op het moment dat de klant een zoekopdracht uitvoert, kan real-time het resultaat van de zoekopdracht aangepast worden op basis van het klantprofiel. Zo wordt klikgedrag gecombineerd met eerdere aankopen, het weerbericht en de productmarges per product in de personalisatie van de gepresenteerde zoekresultaten.

Wat zijn voorbeelden van het gebruik van big data in de retail?
In een big data-database kun je gericht zoeken naar verbanden om vermoedens te bekrachtigen. Maar je kunt ook ongericht zoeken naar verbanden. Met name deze tweede optie is van grote toegevoegde waarde, aangezien waardevolle verbanden niet altijd voor de hand liggend zijn. 

Het meest beroemde voorbeeld van hoe big data kan zorgen voor omzetoptimalisatie is het verhaal over bier en luiers, een verhaal dat zijn origine kent uit 1990, en door experts regelmatig wordt aangehaald. Er werd een correlatie gevonden tussen de verkoop van luiers en bier. Via data-analyse kwam men er achter dat mannen die op donderdagen en zaterdagen tussen 17:00 en 19:00 luiers kochten, geneigd waren om ook meteen bier te kopen.

Dit voorbeeld illustreert hoe een relatie tussen data, die in eerste indruk arbitrair lijkt te zijn, kan zorgen voor optimalisatie van je winkelindeling. Je kunt hierop inspelen door bier en luiers bij elkaar in de buurt te zetten of wellicht om deze producten op donderdagen en zaterdagen niet in de aanbieding te doen - om zo extra marge te pakken.

Een grote Europese bouwmarkt ontdekte door ongericht te zoeken naar correlaties dat tijdens onweersdagen, de verkoop van batterijen en snoepgoed bij de kassa flink toeneemt. Hoe arbitrair of onverklaarbaar dit verband ook lijkt, het biedt wel de gelegenheid om hier op in te spelen.

Ook voorraadoptimalisatie over locaties wordt door big data gefaciliteerd. Als uit big data (bijvoorbeeld op basis van gebruikte zoekmachinetermen) blijkt dat er in het noorden van het land een griepepidemie gaat heersen, kunnen drogisterijen al tevoren de juiste producten daar ruim op voorraad zetten. Ook onverwachte verbanden kunnen leiden tot voorraadoptimalisatie.

Een goed voorbeeld van personalisatie op basis van big data in Nederland is zonder twijfel Albert Heijn. Al 18 jaar verzamelt Albert Heijn aankoopgegevens van haar klanten via de Bonuskaart, waarvan de data sinds 2013 ook daadwerkelijk gebruikt worden. Onder andere om inkopen mee te kunnen voorspellen en voor gerichte marketingacties die alleen voor individuen geldig zijn (Mijn Bonus). Het 360-graden klantbeeld wordt hier ook omnichannel toegepast. Zo geeft de app een persoonlijke looproute, waarmee voor de klant het verschil tussen on- en offline wordt verkleind.

Hoe te beginnen met het inzetten van big data?
Wat voornamelijk van belang is bij deze vraag, is om niet overrompeld te worden door de term big data. Beschouw big data meer als een laatste stap, die bereikt kan worden door met kleine stappen te beginnen. Een idee is om al aanwezige klantdata erbij te pakken en op zoek te gaan naar verbanden. Een goed begin hierbij is om te kijken naar het gedrag en de acties die een individuele klant uitvoert en daar zelf een verband uit te halen.

Uiteindelijk is het verzamelen van omnichannel gegevens van de klant het volgende doel. Als je deze omnichannel klantdatabase combineert met overige informatie, zoals omgevingsdata, ontstaat er een big data-database. Op deze (omnichannel) big data-database, die uitdijt door de hoeveelheid aanwezige informatie, kun je vervolgens tools loslaten die schijnbaar willekeurige verbanden inzichtelijk maken. Hiermee kun je de (omnichannel) winkel heel concreet optimaliseren, net als je winst.

Stappenplan voor het opbouwen van een big data database

Robin Gabriner is consultant bij Magnus Red. Dit artikel verscheen eerder in het relatiemagazine van het bedrijf.