Betere klantenbinding? Leer data beter analyseren

In het bedrijfsleven vergaren we steeds meer informatie over onze bezoekers. ‘Big data’ is het toverwoord geworden binnen complete bedrijfstakken en individuele bedrijven. Maar het overzicht in de data, dat zijn we vaak kwijt. Tijd dus voor betere data-analyse. Welke data analyseer je en hoe win je daar klanten mee?

1. Scheid het kaf van het koren

Een betere analyse begint met het besef dat niet alle data even nuttig is. Als je een webshop in tandenborstels hebt, hoef je niet te weten of je klant een Opel of een Renault rijdt. Maar ook op microniveau kun je kijken welke data interessant is en welke niet.

Denk bijvoorbeeld eens aan de productpagina waarop je een Google AdWord-campagne hebt lopen. Wat meet je daarop? Tien tegen een dat je uitgaat van de clicks op de pagina. Dat is verstandig, maar misschien is het nog wel belangrijker om te traceren welke relevante artikelen je paginabezoekers aandoen. En hoelang blijven die bezoekers dan op een vervolgpagina hangen ten opzichte van de productpagina die je adverteert? Zo meet je niet ruwe paginastatistieken, maar ook het umfeld. Welke producten zijn interessant voor de klant die op product X binnenkomt?

Een andere data-asset waar veel marketeers en producteigenaren naar kijken en beslissingen op baseren is de *cost per click*; de berekening hoeveel geld een klik van een gebruiker waard is. Een nuttig uitgangspunt, maar kijk ook eens naar de *cost per acquisition*. Hoeveel geld kost het traject van een gebruiker binnenhalen tot het aankoopmoment? Welke stappen moet je daarvoor ondernemen? Hoeveel aanbiedingen heb je ervoor nodig? Hoeveel nieuwsbrieven moet je versturen? Volg dat datatraject en je komt op verbeterpunten uit waarmee je de cost per click wellicht weer kan verlagen.

In het kort: vogel uit welke stappen je klant doorloopt en welke pagina’s hij aandoet op weg naar de kassa. Onderzoek waar hij afhaakt, waar hij de weg kwijtraakt. Dan verzamel je nuttige data.

2. Formuleer voor jezelf: wat je wil weten?

Het data-kaf van het -koren scheiden is niet iets om onvoorbereid te doen. Daarvoor is het goed om de koppen binnen je bedrijf bij elkaar te steken: wélke data heb je nodig? Wát moet je weten? Dan zit het soms in heel verrassende dingen.

Een bekend voorbeeld is bijvoorbeeld dat Amazon al weet dat een bezoeker zwanger is voordat diegene het zelf weet. Hoe? Omdat ze zoekt naar neutraal ruikende shampoo of douchegel. Amazon zet daarop alles op alles om andere zwangerschapsproducten aan te bevelen en stuurt mails die daarop gericht zijn. Maar het kan ook nóg slimmer. De webshop zou aan het IP-adres (of het ingelogde account) en aan de bezochte productpagina’s kunnen zien dat niet zij, maar haar man aan het surfen is. Onderzoek wijst uit dat mannen in tijden van de eerste zwangerschap bang zijn hun mannelijkheid kwijt te raken. Ziet de webshop dat haar man aan het shoppen is, dan krijgt hij pakketten met speciaalbier aangeraden. Want mannelijk blijven? Dat kan op deze manier ook thuis.

Iets wat onlogisch lijkt om te verzamelen – het herkennen van de man van een zwangere klant dus, kan zo plots heel nuttig blijken. Het is belangrijk om voortdurend na te denken hoe je op een bezoeker, een klant kan inspelen en dus welke data je wil analyseren.

Als je hebt bepaald welke data je wilt bewaren en waarop je wilt inspelen, is het belangrijk om die data te verankeren. Als een bank spaarrekeningen, hypotheken en verzekeringen aanbiedt, is het een vereiste dat er een centraal systeem is waarin staat welke diensten een klant afneemt. Het klinkt logisch, maar dat ís het niet. Vaak heeft een bedrijf verschillende CRM-systemen voor de verschillende takken en integreren de systemen totaal niet. En dan zit er ook nog een stagiair op de social media-webcare. Oeps.

3. Begin bij de volgende e-mailcampagne

Werk je zelf in dat bedrijf met verschillende CRM-systemen en een social media-afdeling die de bestaande klanten niet kent? Dan wordt het tijd om te investeren in een nieuw, overkoepelend systeem waarin al je data-analyses samenkomen en je er gericht op kan targetten.

Maar: het beter inrichten van je data begint al bij de volgende mailcampagne.

Bedenk een logische follow-up voor een van je verkochte producten. Stel: je hebt een smartphoneshop. Je hebt net de eerste toestellen met USB-C aansluiting verkocht en merkt dat de verkoop van losse USB-C kabels sindsdien is toegenomen. Achterhaal of die aankopen van dezelfde klanten komen. Ja? Richt je volgende mailcampagne specifiek op kopers van die smartphones en verkoop ze een USB-C accessoire. Bekijk dan of die mail beter converteert dan algemene mailings. Het antwoord laat zich raden.

Een ander voorbeeld: je breidt je digitale dienstverlening uit met een financieel product. Voordat je bakken geld investeert in een AdWords-campagne en er daarna achterkomt dat je product nog niet af is, kan je beter de interesse peilen onder je eigen gebruikers. Bestook niet al je klanten, maar de sector die het aangaat. Zoek in je mailbestand op ‘financiën’, ‘financial’ en sorteer op .com-extensies van financiële klanten die je al hebt. Richt je volgende mail op hen en je hebt een goedkopere en gerichtere lancering van je product, waar je bovendien veel feedback en analyse mee kan vergaren voor een grotere campagne daarna.

De volgende stap is dus je volgende campagne. Gebruik die om meer te weten te komen over je klanten. Dan kan je ze de volgende keer nog beter bedienen. Als je alleen data verzamelt en analyseert die je écht nodig hebt, denk je in ‘clean data’ in plaats van ‘big data’. En dan maak je pas echt een stap.