Laat je data voor je werken met automatische analyse

Met data driven commerce kun je klein beginnen, op basis van data die je al hebt. In het slotstuk van een serie legt Rutger Smit uit hoe.

Rondom Data Driven Commerce hebben we bij De Nieuwe Zaak een blogserie geschreven over het thema van het event: ‘Van verzamelen naar doen’. In deze serie bespreken we hoe je data kunt gebruiken om je klant te kennen en deze kennis toe te passen om relevanter te worden. In het eerste deel legde Jeroen van Eck je uit hoe je kunt groeien in datavolwassenheid en wat dat voor impact heeft op je gehele marketingorganisatie. In het tweede deel nam data scientist Frank Beke je stapsgewijs mee in het opstellen van je datastrategie en data roadmap. In aflevering drie gaf Wouter van der Heijden een voorbeeld van een concreet uit te voeren stap uit je opgestelde roadmap, zodat je daarna aan de slag kunt.

In dit vierde en laatste deel legt Rutger Smit uit hoe je direct al klein kunt beginnen met de data die je nu hebt.

Tekst: Rutger Smit

Data kun je, zoals reeds aangestipt in de vorige blogs, gebruiken om je klanten beter te leren kennen. Vervolgens kun je deze kennis gebruiken om je dienstverlening te optimaliseren en relevanter te communiceren met je klant. 'Maar hebben we daar wel de benodigde tooling voor?', is de vraag die hier dikwijls op volgt. Veel bedrijven denken dat als je ‘iets’ met data wil, je hier direct nieuwe tooling voor nodig hebt waarmee enorme investeringen gepaard gaan.

Bij De Nieuwe Zaak vinden we dat je klein moet beginnen, snel kleine succesjes moet boeken en daarna moet gaan uitbouwen. Dat betekent dat je moet beginnen met de data en de systemen die je al hebt. Hieronder lees je over hoe je op een efficiënte manier eenmalig je data-analyse opzet om vervolgens de inzichten continu te kunnen gebruiken voor relevantere communicatie.

Data over je klanten analyseren

Om snel waarde uit data te halen begin je met wat je wil, bijvoorbeeld relevanter communiceren. Vervolgens kijk je in hoeverre dit mogelijk is binnen wat je kan. Als je relevanter wil communiceren, begint dat met je klanten beter leren kennen. Daarvoor kun je de data die je over je klanten hebt analyseren. Er bestaan legio algoritmes die je kunt toepassen om je klanten op te delen in slimme segmenten. Deze segmenten kun je vervolgens gebruiken om relevanter te communiceren.

Handmatig analyseren middels een RFM-analyse

Om snel waarde uit data te halen begin je met wat je wil binnen wat je al kan. Juist, dat is soms makkelijker gezegd dan gedaan. Want wat kan ik dan precies? Wat je kan is beginnen met de data die je al hebt! In je e-commerce platform beschik je over alle orders op individueel klantniveau. Deze omzetdata is al voldoende om je klanten te segmenteren. Een RFM-analyse helpt je om binnen je huidige mogelijkheden de klantwaarde in kaart te brengen en te benutten. Deze klantwaarde bestaat uit:

• Recency: hoe recent heeft een klant iets gekocht?
• Frequency: hoe vaak koopt een klant iets?
• Monetary value: wat is de waarde van de aankopen?

Binnen je huidige mogelijkheden kan je de eerste analyse vaak al handmatig uitvoeren. Dit levert een lijst op met klantnummers en een score en segment. Heel mooi, maar sec kan je met deze lijst eigenlijk niks; je moet de inzichten over je klant ergens gaan gebruiken. Dit kan eenvoudig door je communicatie via e-mail relevanter te maken. Als je de resultaten uploadt naar je email service provider (ESP), kan je vervolgens de verschillende segmenten een andere e-mail sturen. Of je stuurt helemaal geen mail meer, want heeft het wel zin om die groep klanten met een lage score nog een nieuwsbrief te sturen?

Een keer een gesegmenteerde mail sturen is natuurlijk een hele mooie eerste stap. De uitdaging is de actualiteit: wanneer je de analyse handmatig uitgevoerd hebt, is het resultaat alweer achterhaald. Bij een volgende nieuwsbrief moet je opnieuw de ruwe klantdata uit het bronsysteem halen, met de hand de analyse uitvoeren, resultaat controleren en de data uploaden naar je ESP. Alles handmatig, en dus erg veel werk waarbij de kans op een foutje op de loer ligt. Gelukkig is dit proces binnen je huidige mogelijkheden vaak al bijzonder goed te automatiseren. Hier gebruiken we ADA (Automatische Data Analyse) voor.

Wat is ADA?
Data analyses zoals een RFM-analyse worden vaak éénmalig ingezet als momentopname. Voor meerdere momenten worden deze vaak handmatig uitgevoerd. Automatische Data Analyse (ADA) automatiseert dit proces en kan regelmatig deze data toevoegen aan een klantprofiel.

Data uit verschillende systemen samenvoegen

‘Ja, maar mijn data staat in verschillende systemen!’
Wanneer je data gefragmenteerd opgeslagen staat, zul je hier eerst een verbeterslag moeten maken. Je moet de data samen laten komen. Bij ADA lossen we dat op door vanuit de verschillende systemen ruwe data te ontsluiten naar een centrale opslaglocatie. Vervolgens wordt de ruwe data automatisch opgeschoond, genormaliseerd en gecombineerd. Deze genormaliseerde data kan vervolgens door één of meerdere algoritmes gehaald worden. Bijvoorbeeld, je kunt klanten met behulp van RFM in laten delen in segmenten.

Resultaat van de analyse toepassen

Zoals we al eerder aangaven, wil je natuurlijk wel iets doen met het resultaat van de analyse. Veel aanbieders van software scheppen op dat ze out-of-the-box een waslijst aan systemen kunnen koppelen. In de praktijk zie je toch maar wat vaak dat die standaard koppeling net niet werkt omdat er altijd wel iets is waardoor er toch weer maatwerk nodig is. Bij ADA werkt dat net iets anders.

Er zijn verschillende manieren om de resultaten van een analyse in ADA te gebruiken. Het resultaat kan als CSV-bestand worden gedownload. De locatie van het bestand is elke keer wanneer de analyse uitgevoerd gelijk. De meeste software kan vervolgens eenvoudig naar dit bestand laten verwijzen. Zo kun je bijvoorbeeld je ESP de resultaten iedere nacht laten ophalen. Behalve via een download is de data ook via een API beschikbaar. Dit is vooral voor geautomatiseerde systemen erg handig. Ten slotte kun je de resultaten ook checken via een dashboard. Op die manier weet je zeker dat de RFM correct is uitgevoerd en krijg je in één oogopslag een overzicht van de uitkomsten.

RFM-score koppelen aan profielen

De resultaten van ADA zijn dus op verschillende manieren te benaderen. Daardoor is het eenvoudig om de resultaten van een RFM-analyse toe te passen binnen je standaard nieuwsbrief. Door de RFM-score toe te voegen aan de profielen in je CRM of ESP kun je in het vervolg in je communicatie onderscheid maken tussen je loyale klanten, je potentiële loyale klanten en de ‘toevallige passanten’.

En heb je, geholpen door relevantere communicatie dankzij je RFM-analyse, die potentiële loyale klant kunnen converteren naar een echt loyale klant? Dan kan je geautomatiseerd de communicatie via e-mail met de klant aanpassen aan zijn nieuwe status. Door de RFM-analyse frequent uit te voeren en beschikbaar te maken binnen je ESP, zorg je ervoor dat je communicatie altijd up-to-date blijft.

Je kunt nu al beginnen!

Dus wil je direct beginnen met waarde genereren binnen wat je nu al kan? Als je omzetdata hebt en een ESP hebt ingericht kun je al beginnen. Op die manier kan je naast groeien in volwassenheid ook direct beginnen om waarde genereren met je waarde.

Eerst meer weten over hoe jij je data kunt verzamelen en hier vervolgens mee aan de slag kunt gaan om relevanter voor jouw klant te worden? De hele blogserie is als whitepaper beschikbaar.

Rutger Smit is technisch consultant bij De Nieuwe Zaak.