Zo zet je een customer journey op met relationele data

Relationele databases zijn prima in staat grote hoeveelheden data op te slaan en te benaderen. De groep organisaties die vandaag de dag nog veel baat heeft bij relationele databases is zeer groot. Van daaruit is het opzetten van een customer journey heel goed mogelijk.

Fun fact: BWIN, een van de grootste online wedkantoren, draait (razendsnel) op een SQL-oplossing. Dagelijks hebben zij ruim een miljoen transacties, slechts een schijntje van wat zij aankunnen. Ze kunnen moeiteloos opschalen tot 250.000 transacties per seconde (…).

Je moet een  flink marktaandeel hebben in Nederland om aan die hoeveelheden data te komen. Als voorbeeld: één miljoen klanten, hun aankoopgedrag, klantprofiel en hun contactmomenten met jouw organisatie vormen voor een relationele database oplossing geen enkel probleem. Meer dan voldoende data om een customer journey in te richten. Het is niets nieuws dat organisaties die hun klanten echt goed kennen, zeer succesvol zijn. Denk aan Coolblue, Netflix of Spotify. De data is de bron van hun klantbeeld, de absolute basis van hun succes. Maar hoe kun je dat op een goede manier aanpakken in een relationele database omgeving? Door een customer journey in te richten.

De oprichting van een evenementenbureau

We hebben een evenementenbureau met een relationele database waarin we organisaties, personen, contactmomenten en events onderscheiden. We willen voor onze klanten een perfecte klantreis inrichten. In het kader van de GDPR hebben we toestemming gevraagd en gekregen om een klantprofiel in te richten en aanbiedingen op maat te kunnen mailen. 

Van onze klanten leggen we een aantal kenmerken vast zoals geslacht, leeftijd, aantal jaar klant, instroomkanaal. Op basis van contactmomenten kunnen we tevens een mate van betrokkenheid kwantificeren op basis van lezen van mails, klikken op artikelen van mails, aanwezigheid van eventuele klachten. Socialmedia-contactmomenten spelen hier vanzelfsprekend ook een rol.

Eenvoudige uitstapjes

Daarnaast onderscheiden we aankopen/deelname aan events van deze personen. Van iedere deelname weten we het type event, de plaats en tijd van een event en de kosten van het ticket. Nu we een mooie dataset tot onze beschikking hebben, kunnen we een uitstapje maken vanuit onze relationele database naar een tool, meer geschikt voor machine learning, zoals bijvoorbeeld Python of R. We kunnen een algoritme ‘trainen’, zodat er geleerd kan worden van bestaande data. Op basis van het getrainde model kunnen we de toekomst voorspellen, althans voor een gedeelte.

Dit klinkt misschien abstract. Meer concreet: We exporteren onze dataset van personen en gerelateerde data (kenmerken en events) naar een machine learning-omgeving. Het model leert dat persoon A met name geïnteresseerd is in events van een bepaald type in een bepaalde prijsklasse, maar alleen in de zomerperiode. Zo leert het model voor alle personen welke input leidt tot een bepaalde uitkomst. Het model kan vervolgens voor alle personen voorspellen of zij interesse hebben in het komende evenement dat we organiseren. In werkelijkheid vergt het trainen van een machine learningmodel wat meer inspanning, maar conceptueel is dit hoe het werkt. En het mooie is dat een wiskundig model niet alleen de verbanden ziet die met gezond verstand ook wel beredeneerd kunnen worden. Juist dieper onderliggende waarden en combinaties van factoren worden ‘onder de motorkap’ meegenomen.

De terugweg

De verrijkte dataset kan nu eenvoudig geïmporteerd worden in onze database. Nu we beter kunnen voorspellen welke komende evenementen zullen aansluiten op de behoefte van de klant, kunnen we gaan segmenteren. Naarmate we meer en nieuwer inzicht van onze klanten hebben, worden onze voorspellingen accurater, wat op zijn beurt weer zorgt voor een uitgebreider klantprofiel. Vanzelfsprekend is het waardevol om de voorspellingen te toetsen aan de werkelijkheid en daar waar nodig bij te stellen.

Wat merken de klanten van de werkwijze?

Zij ontvangen informatie die ze als relevant ervaren, via het kanaal dat zij als prettig ervaren, om het moment dat zij graag informatie ontvangen. De feedback die zij geven aan de klantenservice of op social media, wordt waar mogelijk gebruikt.

Het inrichten van een customer journey vanuit een relationele database omgeving is zeer goed mogelijk. Juist de eenvoudige uitstapjes of koppelingen naar andere tools, maken de reis waardevoller. Zo behoudt je de voordelen van relationele data (consistentie, normalisatie en atomiciteit van transacties – zij slagen in het geheel, of zij slagen niet) en kun je tegelijkertijd datascience technieken en predictive modelling toepassen op jouw data. En met de ondersteuning van Java Script Object Notation (JSON) zijn SQL databases tegenwoordig flexibeler dan ooit. Zij bieden de mogelijkheid structuur en flexibiliteit te combineren.

Een gestructureerde, flexibele dataset, waar vanuit multichannel marketing campagnes inzet kunnen worden, kan zo goed bijdragen aan een centraal klantbeeld en verhoogde betrokkenheid.