Big Data hoeft niet zo ‘big’ te zijn

Elke retailer wil meer inzicht in de doelgroep om relevante gepersonaliseerde content te kunnen bieden en zelf het klantgedrag te beïnvloeden. Het buzzword om dit te bereiken: Big Data. Maar hoe kun je die gegevens omzetten in business value?

Onderzoeksbureau McKinsey stelt dat de potentie van Big Data nog lang niet wordt benut. De Europese retail bijvoorbeeld zit op 30 tot 40 procent van wat mogelijk is. Gebrek aan analytisch talent en silo’s binnen het bedrijf waardoor data blijven ‘hangen’ zijn de belangrijkste redenen. In een eerdere analyse uit 2011 becijferde McKinsey dat een retailer die Big Data goed inzet, de operationele marge met meer dan 60 procent kan verhogen. Dat is ook vandaag de dag nog een reële schatting.

Er zijn vier opeenvolgende niveaus waarop retailers Big Data gebruiken. De eerste is beschrijvend, waarbij wordt gekeken naar wat er in het verleden is gebeurd. De volgende is diagnosticerend: het bedrijf onderzoekt de waaromvraag. Dan komt voorspellend – wat gaat er gebeuren? En het hoogste niveau van analytics is voorschrijvend – hoe kan ik iets laten gebeuren? Dit vergt real-time geautomatiseerde voorspellingstools, die gebruikmaken van machine learning. Een zelflerend systeem vereenvoudigt de analyse van data en het omzetten daarvan in bruikbare inzichten. Het kan worden toegepast op allerlei aspecten van het retailbedrijf, zoals de customer journey (hoe zorg ik ervoor dat ik op de juiste momenten de juiste content bied?) en voorraadmanagement (hoe zorg ik ervoor dat de voorraad op de plaats is vanwaar ik de klant optimaal kan ‘beleveren’ op een kostenefficiënte manier?).

Centrale vraag is natuurlijk: hoe zet je Big Data om in bruikbare informatie, zodat de genoemde segmentatie, personalisatie en sturing mogelijk worden? Door de volgende drie vragen te beantwoorden:

1. Welke data heb je nodig?
2. Kun je over deze data beschikken?
3. Hoe ga je deze data inzetten?

Welke data heb je nodig?

Vroeger beperkte het verzamelen van data zich tot de gegevens die vanuit de eigen organisatie werden opgeslagen, zoals klant, artikel, leverancier, inkoop- en verkooptransacties. Nu worden die gegevens uiteraard nog steeds verzameld, maar zijn er ook data uit andere bronnen voorhanden om gefundeerde strategische en operationele beslissingen te kunnen nemen. Denk bijvoorbeeld aan social media – je hoeft er als bedrijf niet per se zelf op actief te zijn, maar het is wel belangrijk om te weten wat potentiële klanten daar over je zeggen. En nog beter is het natuurlijk wanneer je op de hoogte bent van het sentiment ten aanzien van je productcategorieën, je eigen merk en je concurrenten om daar vervolgens je voordeel mee te doen.

Meer kennis van de doelgroep, relevante content en beïnvloeding van het klantgedrag beginnen met de beschikbaarheid van detailinformatie over de klant: leeftijd, gezinssamenstelling, voorkeuren (zoals de gewenste maat of woonstijl), hobby’s, enzovoort. Denk hierbij goed na wat wel en niet interessant is en wat al beschikbaar is in je eigen systemen. Je verdwaalt al snel in te veel details. Hoe meer variabelen, des te complexer de analyse en het is zeker niet gezegd dat meer data leiden tot betere inzichten. Big Data hoeft niet per se big te zijn.

Kun je over deze data beschikken?

Onder Big Data verstaan we gestructureerde en ongestructureerde gegevens uit zowel interne als externe bronnen. Die laatste hoeven niet in de eigen bedrijfsdatabase worden opgeslagen, maar worden alleen benaderd of gebruikt wanneer ze relevant zijn. Neem bijvoorbeeld het weer. Als het een langere periode aaneengesloten gaat vriezen, weet een sportwebshop dat er extra schaatsen op voorraad moeten zijn. Een Amerikaans shampoomerk zet het Adwords-budget voor anti-pluisproducten vooral in op dagen waarop vochtig weer is voorspeld. Eveneens Amerikaans onderzoek wijst uit dat in de wintermaanden 6 procent meer 4WD-auto’s worden verkocht dan in de zomer. En op sombere dagen winkelen mensen liever online, terwijl bij mooi weer eerder fysieke winkels worden bezocht. Daar kun je campagnes op aanpassen.

Als je weet welke data je nodig hebt, weet je ook wat je nog mist en hoe je die gegevens moet ontsluiten. Vergeet hierbij niet om over de afdelingsmuren heen te kijken. Klantgegevens zijn op diverse afdelingen bekend – e-commerce, financiën, klantenservice – en dus zullen ze uit deze systemen gehaald moeten worden. Hierdoor voorkom je dat de data in de spreekwoordelijke bedrijfssilo’s blijven hangen.

Hoe ga je deze data inzetten?

Door verkoopdata, het sentiment op social media, demografische en geografische gegevens en het klikgedrag op de website aan elkaar te koppelen en te analyseren verkrijg je meer inzicht in je klanten. Een data-analist is de aangewezen persoon om dit te doen. Uit zo’n analyse kunnen verrassende resultaten komen. Een Noord-Amerikaans outdoor merk dacht dat vooral jongeren tot 24 jaar tot de doelgroep behoorden. Na data-analyse bleek dat met name 25- tot 34-jarigen met kleine kinderen het merk kochten. Er zijn tools beschikbaar die bijvoorbeeld op social media dit soort signalen oppikken en koppelen aan de klantdatabase. Zo krijg je een veel breder klantbeeld en kun je je verkoopstrategie, klantretentie en prijsstelling optimaliseren.

Dat klantbeeld heb je ook nodig als je relevante persoonlijke content wilt bieden. Personalisatie is een krachtige manier om een band op te bouwen met klanten. Het krachtigst is het als je on- en offline dezelfde persoonlijke content biedt. Online herken je klanten als zij inloggen op hun account of aan het klikgedrag, offline bijvoorbeeld door een loyalty card of een app waarvan het signaal in de winkel wordt opgepakt door een beacon. Als je weet dat de leeftijdscategorie 16 tot en met 23 jaar uit je database het meest geïnteresseerd is in een bepaald sneakermerk, dan maak je daar een target group van en kun je je content specifiek op die groep richten. Maar je kunt bijvoorbeeld ook de groep benaderen die niet zo positief over je praat op social media en proberen dat sentiment te kantelen.

Een voorbeeld van het aanbieden van dit soort specifieke content was recent in het nieuws: Philips wil in de menu’s van hun smart tv’s reclames gaan tonen. Niet standaardspotjes die je direct wegzapt, maar reclames die gebaseerd zijn op apps die je gebruikt en zenders die je bekijkt. Gepersonaliseerde content waarvoor de bedrijven die die reclame willen uitzenden moeten betalen.

Een andere toepassing van goede Big Data-analyse is dat je klantgedrag kunt voorspellen en beïnvloeden. Een mooi voorbeeld zijn autoverzekeringen waarbij de premie wordt bepaald door het rijgedrag van de verzekerde. Apps registreren waar en hoe hard iemand rijdt, remt of optrekt. Na een jaar levert een bepaald aantal punten korting op de premie op. Uiteraard kan de verzekerde op zijn smartphone volgen hoe het ervoor staat met zijn rijgedrag en dat aanpassen, zodat hij meer punten scoort.

Big Data kun je ook gebruiken om aanbevelingen te doen op basis van peer-to-peer analyses, zodat klanten een product kopen waar ze misschien zelf niet aan hadden gedacht. Of om erachter te komen welke producten vaak samen worden gekocht en die combinatie onder voor te leggen aan de klant, al dan niet met een incentive. Zo zijn er veel meer toepassingen te bedenken. Als iemand je merk of product een like geeft op Facebook, dan is dat een mooi moment om een kortingsvoucher aan te bieden. En als je weet dat iemand over twee weken op vakantie gaat, waarom zou je dan niet de collectie zwemkleding onder de aandacht brengen?

Big Data ook voor kleinere spelers

Het gebruik van Big Data is niet meer voorbehouden aan retailgiganten als Amazon en Bol.com. De analysetools zijn geen maatwerk meer en daardoor zijn de kosten gedaald. Toch staat het gebruik van big data bij veel retailers nog in de kinderschoenen, omdat technologie en statistiek niet tot hun kerncompetenties behoren. Toegegeven, het vergt een andere manier van denken, maar die raakt razendsnel ingeburgerd. De concurrent voorspelt al trends, weet wie de doelgroep is en wat zij bereid zijn te betalen en kan het klantgedrag zelfs beïnvloeden. Zonder analytics-strategie en de ommezwaai van intuïtieve naar data-gedreven besluitvorming mis je als retailer de boot.