MARKETING
●
MODELLEN
: DATABASEMARKETING .. INTUITIE OF MODELLEN? Dr. P.C. Verhoef, mevr. Prof.dr. J.C. Hoekstra, Prof.dr. P.S.H. Leeflang en mevr. Dr. P.N. Spring*
Bedrijfskunde,
jaargang
74,
2002
nr.
2
Introductie Klantendatabases worden steeds belangrijker in de marketingstrategie van bedrijven. Dit komt onder andere door de toegenomen aandacht voor relaties met klanten en het steeds toegankelijker worden van informatie- en communicatietechnologie (ICT). Vooral deze laatste ontwikkeling leidt ertoe dat bedrijven steeds gemakkelijker gegevens van klanten in grote databases kunnen opslaan. Er wordt in dit verband dan ook wel gesproken over de Marketing Information Revolution (Blattberg, Glazer & Little, 1994). Een bekend voorbeeld van deze ontwikkeling is de introductie van de BonusCard door Albert Heijn, waardoor Albert Heijn inmiddels een database met transactiegegevens van een groot gedeelte van de Nederlandse huishoudens bezit. De informatie in deze databases wordt onder andere gebruikt om relaties te onderhouden. In dit verband spreekt men
wel van Customer Relationship Management (CRM) (Liesker, 2000; Peppers & Rogers, 1999). Ook wordt getracht om met behulp van deze databases door middel van 1:1 marketing steeds beter in te spelen op de behoeften van de individuele klant (Hoekstra, Leeflang & Wittink, 1999). Door met klantendatabases beter in te spelen op deze behoeften kunnen marketinginstrumenten, zoals direct mailings, efficiënter en effectiever ingezet worden. Hiervoor is een aantal modellen ontwikkeld. Deels zijn deze modellen gebaseerd op elementaire statistische technieken, zoals kruistabellen, deels worden ook relatief nieuwe methoden gebruikt, zoals neurale netwerken (Bult, 1993; Van der Veer, Wierenga & Kluytmans, 1994). In dit geval spreekt men vaak over database(d) marketing (DBM) (Shepard, 1995; Verhoef & Hoekstra, 1999). In dit artikel presenteren we een onderzoek onder Nederlandse bedrijven die in het bezit zijn en gebruikmaken van een
S A M E N V A T T I N G
Klantendatabases vormen een steeds belangrijkere basis voor marketingstrategieën van bedrijven. Met deze databases trachten bedrijven efficiënter en effectiever klanten te benaderen en relaties met klanten te onderhouden. In de marketingliteratuur zijn verschillende modellen ontwikkeld die de manager kunnen ondersteunen. In dit arti-
kel gaan we in op het gebruik van deze modellen in de dagelijkse marketingpraktijk. Hieruit blijkt dat veel bedrijven nog steeds vertrouwen op hun intuïtie of relatief simpele modellen gebruiken. Het onderzoek laat echter ook zien dat bedrijven die geavanceerde methoden gebruiken van mening zijn dat zij hierdoor beter presteren.
*Dr. P.C. Verhoef is verbonden aan de Capaciteitsgroep Marketing en Organisatie, Faculteit der Economische Wetenschappen van de Erasmus Universiteit Rotterdam. Mevr. Prof.dr. J.C. Hoekstra is verbonden aan de Vakgroep Marktkunde en Marktonderzoek, Faculteit Economische Wetenschappen van de Rijksuniversiteit Groningen. Prof.dr. P.S.H. Leeflang is verbonden aan de Vakgroep Marktkunde en Marktonderzoek, Faculteit Economische Wetenschappen van de Rijksuniversiteit Groningen. Hij is tevens redacteur van Bedrijfskunde. Mevr. Dr. P.N. Spring was ten tijde van het ondezoek verbonden aan de Vakgroep Marktkunde en Marktonderzoek, Faculteit Economische Wetenschappen van de Rijksuniversiteit Groningen.1
66
Bij beide stappen kúnnen modellen worden gebruikt. Wij onderscheiden drie niveaus bij het gebruik hiervan: • geen gebruik van modellen; • gebruik van eenvoudige modellen; • gebruik van geavanceerde modellen. In het eerste vertrouwt men op eigen intuïtie, eigen ervaringen en klantinzicht. Zo zou bijvoorbeeld een aanbieder van creditcards in zijn zoektocht naar nieuwe klanten op basis van eerdere ervaringen alle huishoudens in Nederland met een hoger dan modaal inkomen kunnen selecteren. Op het tweede niveau worden relatief eenvoudige statistische modellen gebruikt. Bekende voorbeelden hiervan zijn kruistabellen en RFM-analyse. Bij RFM-analyse wordt op basis van de recentheid van de aankopen (Recency: R), het aantal afgenomen producten (Frequency: F) en de monetaire waarde van deze pro-
Bij de keuze voor het gebruik van een model dient een kosten-batenanalyse te worden gemaakt. Zoals gezegd zullen modellen in het algemeen zorgen voor het efficiënter benaderen van klanten of prospects en dus voor een hogere winstgevendheid van de gebruikte marketinginstrumenten. Modellen moeten echter ook ontwikkeld en onderhouden worden (Leeflang et al., 2000). Indien de verwachte opbrengsten groter zijn dan de kosten is het verstandig om modellen te gebruiken. De absolute opbrengsten van een model zullen toenemen, wanneer dit model vaker wordt gebruikt. Schaaleffecten zijn dan ook zeer belangrijk. Zo stelt Bessen (1993) dat vooral grote bedrijven modellen zullen gebruiken, omdat zij deze schaaleffecten kunnen behalen. Een multinational kan bijvoorbeeld een model inzetten in verschillende markten en landen. Daarnaast zullen de opbrengsten van een ontwikkeld model toenemen als het klantenbestand groter is.
Het onderzoek
2
Ondanks de betere prestaties van de (geavanceerdere) modellen zijn er toch nog veel bedrijven die vertrouwen op eigen intuïtie of op simpele modellen. Het vertrouwen op eigen intuïtie is niet per definitie onjuist. Het probleem van het gebruik van modellen is dat deze vaak gebaseerd zijn op gedrag in het verleden en dus in feite gedrag in het verleden verklaren. Daarom zal men modellen dusdanig moeten construeren dat veranderingen in de marktomgeving meegenomen worden. Eerst dan bezitten deze modellen mogelijkheden om de toekomst te voorspellen (Leeflang et al., 2000). Voor beslissers is het gemakkelijker om deze veranderingen waar te nemen en mee te nemen in hun beslissingen. Dit wil echter niet zeggen dat zij betere voorspellingen genereren. De beslisser kan immers systematisch effecten van variabelen over- of onderschatten, terwijl een model dit niet doet (Leeflang & Wittink, 2000). Blattberg en Hoch (1990) stellen dan ook dat de combinatie van modellen en intuïtie leidt tot betere beslissingen, omdat er zo geen systematische fouten worden gemaakt, maar er wel rekening wordt gehouden met veranderingen in de omgeving.
nr.
Traditioneel nemen modellen een belangrijke plaats in bij DBM (zie onder anderen Shepard, 1995). Deze modellen worden bij twee fasen in het analyseproces van een databasemarketeer gebruikt. Ten eerste zal de database zodanig gesegmenteerd worden dat de reacties van consumenten op de gehanteerde marketinginstrumenten van segment tot segment verschillen. Een postorderaar zou de database kunnen segmenteren op basis van het aantal aangekochte producten in het afgelopen jaar, omdat men verwacht dat klanten met een groter aantal aangekochte producten anders reageren op bijvoorbeeld het toezenden van een catalogus dan klanten die (tot dan toe) weinig producten kochten. Ten tweede zal men op basis van testen een model schatten om het gedrag van klanten, zoals respons op een direct mailing, te voorspellen. Hiermee kan vervolgens een gedeelte uit de klantendatabase met bijvoorbeeld de hoogste verwachte respons worden geselecteerd. Hierbij merken we echter op dat in de praktijk deze fasen vaak samenvallen, omdat segmentatie in DBM vaak plaatsvindt op basis van de verwachte respons op een marketinginstrument en juist deze respons probeert men te voorspellen in de tweede stap.
Kosten en baten van modellen
2002
De rol van modelleren in DBM
ducten (Monetary Value: M) een score berekend. Hierbij impliceren hoge scores een hoge responskans (Hoekstra, 1998, p. 136). Op het derde niveau gebruikt men statistisch geavanceerdere methoden, zoals regressieachtige methoden en de eerdergenoemde neurale netwerken en de recent ontwikkelde genetische algoritmen. De literatuur laat duidelijk zien dat de geavanceerdere methoden beter presteren dan de simpele methoden (zie onder anderen Bult, 1993; Magidson, 1988).
74,
Het artikel is als volgt opgebouwd. Het start met een korte discussie over het gebruik van modellen in databasemarketing. Vervolgens worden de onderzoeksopzet en de belangrijkste resultaten gepresenteerd. Het artikel eindigt met conclusies en aanbevelingen voor de bedrijfspraktijk.
MARKETING
jaargang
klantendatabase in de consumentenmarkt. We onderzoeken in hoeverre deze bedrijven verschillende modellen gebruiken. Daarnaast bekijken we of we het gebruik van deze technieken kunnen verklaren en of het gebruik van deze technieken de prestatie van de databasemarketingactiviteiten positief beïnvloedt.
●
Bedrijfskunde,
MODELLEN
In een onderzoek onder Nederlandse bedrijven die databasemarketing toepassen hebben we bestudeerd in hoeverre
67
MARKETING
men segmenteert en voorspelt en welke modellen men daarbij gebruikt. Daarnaast is onderzocht of het gebruik van deze modellen beïnvloed wordt door variabelen zoals bedrijfsgrootte en de grootte van de klantendatabase. Ten slotte is bekeken in hoeverre het gebruik van deze modellen de prestatie van de database-analyses positief beïnvloedt. In oktober 1999 is naar 1678 Nederlandse bedrijven een schriftelijke vragenlijst met voornamelijk gesloten vragen gestuurd. Uiteindelijk stuurden 290 bedrijven een ingevulde vragenlijst terug (17,3% respons). Van deze 290 vragenlijsten waren er 228 bruikbaar. De meeste respondenten in de steekproef zijn afkomstig uit de financiële dienstverlening, terwijl bijna 20 procent van de steekproef bestaat uit charitatieve instellingen. Dit wordt waarschijnlijk veroorzaakt door het feit dat bedrijven in de financiële sector en charitatieve instellingen al relatief lang databases met klantgegevens bijhouden. Een ruime meerderheid van de respondenten heeft een marketingfunctie. Ten slotte kunnen de respondenten in de steekproef omschreven worden als bedrijven met een behoorlijke klantendatabase die gebruikmaken van allerlei typen media (bijvoorbeeld direct mail, telefoon, internet en e-mail) en deze inzetten om producten te verkopen, relaties te onderhouden, informatie over te dragen en nieuwe klanten aan te trekken.
Onderzoeksresultaten
Bedrijfskunde,
jaargang
74,
2002
nr.
2
Voordat de resultaten ten aanzien van de gebruikte modellen worden besproken, wordt eerst kort ingegaan op de beschikbare klantgegevens in de database.
68
Inhoud database Klantgegegevens hebben potentieel veel waarde voor de onderneming (Glazer, 1999): als men meer weet van de klant, kan men beter de aangeboden producten en diensten afstemmen op de wensen van de klant. Tevens heeft de kwaliteit van de gegevens invloed op de kwaliteit van de voorspellingen van de modellen (Leeflang et al., 2000). Zoals uit tabel 1 blijkt, beschikken bijna alle bedrijven over NAW-gege-
●
MODELLEN
vens (Naam, Adres, Woonplaats). Daarnaast beschikt meer dan de helft van de bedrijven over transactiegegevens, zoals het type aangekochte product en de data van aankopen. Dit is op zich logisch, omdat deze data relatief gemakkelijk te verkrijgen zijn uit de interacties met klanten. Daarnaast stellen Rossi, McCullough en Allenby (1996) dat juist deze informatie zeer waardevol is voor bedrijven en dat deze opvallend genoeg nog vaak niet voldoende wordt benut. Opvallend is dat ook veel bedrijven aangeven gegevens te bezitten over de herkomst van de klant (direct mail, telefoon enzovoort). Aanvullende data over bijvoorbeeld socio-demografische kenmerken, levensstijl en tevredenheid worden veel minder bijgehouden in de database. Dit soort gegevens wordt vaak apart verzameld en is dus zeer kostbaar. Gebruik van segmentatie en voorspellingstechnieken Segmentatie wordt door ruim 70 procent van de respondenten toegepast. In tabel 2 worden het segmentatiedoel en de segmentatievariabelen beschreven. De respondenten passen segmentatie voornamelijk toe om adressen te selecteren. Hierbij verwacht men vooral dat de segmenten verschillen met betrekking tot de verwachte respons op een marketinginstrument. Belangrijke variabelen op basis waarvan wordt gesegmenteerd, zijn de recentheid van de aankoop en de aankoopfrequentie. Waar segmentatie vooral gericht is op het onderverdelen van consumenten in homogene groepen, zijn de modellen vooral bedoeld om binnen deze segmenten het gedrag te voorspellen. Deze modellen om het gedrag van klanten te voorspellen worden maar door ongeveer 50 procent van de respondenten gebruikt. Hierbij voorspelt men voornamelijk (98,2%) het wel of niet responderen op een marketinginstrument, zoals direct mail. Ruim 40 procent van de gebruikers van modellen voorspelt de variabele ‘aankoopgedrag’ (Jonker, Paap & Franses, 2000). Als we de vragen over het gebruik van segmentatie en het bouwen van voorspellingsmodellen combineren komen we tot het volgende beeld. 22 procent van de responderende bedrijven segmenteert niet en bouwt noch gebruikt voorspellingsmodellen. Een redelijk percentage van de bedrijven (30%) segmenteert alleen de database, terwijl 8 procent
Tabel 1. Inhoud database (n=228)
Gegeven NAW-gegevens Datum eerste aankoop Herkomst klant Type product Bedrag eerste aankoop Aantal ontvangen aanbiedingen Datum volgende aankopen Bedragen volgende aankopen
Percentage 97.8 73.9 73.0 68.6 61.9 61.5 56.6 56.6
Gegeven Kanaal aankoop Respons medium Karakteristieken aanbieding Gegevens over interactie(s) Socio-demografische gegevens Levensstijl Tevredenheid Koopgedrag bij andere bedrijven
Percentage 50.4 48.7 46.5 42.5 34.5 17.3 12.4 7.5
Tabel 3. Gebruikte statistische technieken
Techniek Geen gebruik modellen Eenvoudige modellen Kruistabellen RFM Geavanceerde modellen Lineaire-regressieanalyse Clusteranalyse Factoranalyse Chaid of CART Discriminant analyse Logit- of probit-analyse Neurale netwerken Genetische algoritmen
2
Zoals uit tabel 3 blijkt maakt ruim 30 procent noch bij segmentatie, noch bij voorspellen gebruik van de genoemde statistische technieken. Men lijkt dus te vertrouwen op eigen intuïtie. Vervolgens is het opvallend dat een hoog percentage van de
Modellen en bedrijfskenmerken Zoals eerder beargumenteerd is het gebruik van modellen voor een groot gedeelte gebaseerd op een kosten- en batenafweging. De opbrengsten van modellen hangen daarbij sterk samen met factoren zoals bedrijfsgrootte, omvang van de database en de frequentie van direct-marketingactiviteiten. Om dit te onderzoeken is een drietal modellen geschat, waarin de volgende afhankelijke variabelen zijn bestudeerd: • het wel of niet segmenteren van de database; • het wel of niet bouwen en gebruiken van voorspellingsmodellen;
nr.
van de respondenten alleen voorspellingsmodellen bouwt en gebruikt. Ten slotte worden zowel segmentatie en het bouwen van voorspellingsmodellen door ongeveer 40 procent van de respondenten toegepast. Het is waarschijnlijk dat deze laatste categorie het gedrag van klanten binnen de gevormde segmenten voorspelt. Omdat dit echter niet expliciet gevraagd is, is dit niet met zekerheid te zeggen.
Op basis van tabel 2 kunnen databasemarketeers die segmentatie en/of voorspellende modellen toepassen (n=155), ingedeeld worden in de hiervoor onderscheiden drie niveaus. Hieruit blijkt dat 29 procent van deze groep geen modellen gebruikt, 23 procent relatief eenvoudige modellen gebruikt, terwijl 48 procent geavanceerde modellen toepast.2
2002
Tabel 2. Toepassing segmentatie
respondenten gebruikmaakt van relatief eenvoudige technieken, zoals kruistabellen. Van de geavanceerdere methoden wordt regressieanalyse relatief veel gebruikt. Geavanceerdere methoden, zoals logit- en probit-modellen, die overigens geschikter zijn dan lineaire-regressiemodellen bij binaire uitkomsten, worden relatief weinig gebruikt (Franses & Paap, 2001; Magidson, 1988). Nieuwe technieken, zoals neurale netwerken, worden bijna niet toegepast. Dit zou onder andere verklaard kunnen worden uit het feit dat deze technieken moeilijk te doorgronden zijn voor de manager. Bij de interpretatie van de tabel moet er rekening mee worden gehouden dat bedrijven meerdere modellen naast elkaar kunnen gebruiken. Zo is het gebruikelijk dat bedrijven starten met eenvoudige analyses om de data te verkennen om vervolgens geavanceerde methoden toe te passen.
Doelstelling Segmentatie (n=155) 30.6%
Voorspelling (n=109) 35.5%
58.7% 40.0%
47.7% 44.0%
33.5% 31.6% 18.7% 17.4% 13.5% 4.5% 3.9% 3.2%
33.0% 16.5% 11.9% 8.3% 5.5% 3.7%
74,
Percentage 90.0 64.4 42.5 26.9 Percentage 87.4 61.6 42.8 6.9 Percentage 58.1 32.1 48.1 55.6 28.1 34.4
MARKETING
jaargang
Doelstelling segmentatie (n=160) Selectie Gedifferentieerd aanbod Timing Modelbouw Segmenten verschillen m.b.t. … (n=160) Responskans Aankoopbedrag Winstgevendheid Kredietwaardigheid Segmentatie variabelen (n=160) Recency Aankoopbedrag Bestelfrequentie Respons Lifestylegegevens Socio-demografische gegevens
●
Bedrijfskunde,
MODELLEN
69
MARKETING
Bedrijfsgrootte/1.000 Databaseomvang/100.000 Frequentie van DM-activiteiten2 > 1 keer per week 1 keer per week 1-3 keer per maand 1-2 keer per kwartaal Ervaring in databasemarketing Gebruik directe kanaal2 Alleen Zowel direct als indirect
●
MODELLEN
Bouwen en gebruik van voorspellingsmodellen1,3 (n=228) 0.74 0.53
Type statistische modellen4 (n=159)
1.07 0.11 0.77 -0.29 0.03
0.59 1.23 0.94 0.36 -0.01
1.32 0.47
0.28 -0.15
0.63 0.20
Toelichting 1. Vet betekent significante invloed, waarbij als grenswaarde een p-waarde van 0.05 is gehanteerd. 2. Gewerkt met dummies. 3. Geschat met logistische regressieanalyse. 4. Geschat met geordende regressieanalyse (Long, 1997). Tabel 4. Modelbouw en bedrijfskenmerken
Bedrijfskunde,
jaargang
74,
2002
nr.
2
• de type gebruikte statistische modellen bij segmentatie en/of het bouwen van voorspellingsmodellen.
70
In deze modellen zijn verklarende variabelen opgenomen die schaaleffecten weergeven. Daarnaast is in deze modellen ook het aantal jaren ervaring met databasemarketingactiviteiten en het al dan niet gebruik van het directe distributiekanaal opgenomen als verklarende variabelen. Met betrekking tot het aantal jaren ervaring wordt verwacht dat bedrijven met meer ervaring meer gebruikmaken van modellen. Het gebruik van het directe distributiekanaal zal ook een positieve invloed hebben, omdat voor deze groep bedrijven de databasemarketingactiviteiten een zeer belangrijk onderdeel vormen van hun marketingstrategie. Uit de analyse blijkt dat het wel of niet segmenteren van de database niet samenhangt met de in ons model meegenomen variabelen. Een verklaring hiervoor zou kunnen zijn dat het gebruik van klantsegmentatie weergeeft in welke mate bedrijven klantgericht te werk gaan. Hierbij zullen schaaleffecten minder een rol spelen, maar is vooral de organisatiecultuur een belangrijke verklarende variabele (Homburg & Pflesser, 2000). De resultaten van dit model worden dan ook niet weergegeven. In tabel 4 staan wel de resultaten van de overige twee modellen weergegeven. Omdat het bouwen van voorspellingsmodellen een stap verder gaat dan segmenteren en hierdoor meer investeringen vergt, spelen schaaleffecten bij modelbouw wel een rol. Zowel de grootte van de database als de bedrijfsgrootte hebben een significante invloed op het wel of
niet modelleren en de geavanceerdheid van de gebruikte modellen. Daarnaast heeft de frequentie van de direct-marketingactiviteiten (DM-activiteiten) een positieve invloed. Wanneer men meer dan één keer per week deze activiteiten uitvoert is het waarschijnlijker dat bedrijven voorspellende modellen gebruiken. De gebruikte modellen zijn geavanceerder bij bedrijven die meer dan één keer per maand deze activiteiten ontplooien. Het gebruik van het directe kanaal heeft alleen een positieve invloed op het gebruik van voorspellende modellen, terwijl het aantal jaren ervaring DM geen significant effect heeft. Prestatie en modelbouw Aan de respondenten zijn twee stellingen over de prestatie van hun databasemarketingactiviteiten voorgelegd, waarna ze op een 5-puntsschaal konden aangeven in hoeverre ze het met deze stellingen eens waren (1= helemaal mee oneens en 5 = helemaal mee eens). In tabel 5 zijn de gemiddelde scores weergegeven voor de totale steekproef en de verschillende toegepaste modellen. Gemiddeld genomen geven de bedrijven met een score van bijna 4 aan dat ze door hun databasemarketingactiviteiten betere prestaties behalen. Onder databasemarketingactiviteiten wordt hier het gebruik van de gegevens in de klantendatabase bij het vormgeven van de DMcampagnes, zoals het versturen van mailings, verstaan.3 Ze zijn met een gemiddelde score van 3,07 echter minder tevreden met de door de DM-campagnes behaalde responscijfers. Waarschijnlijk komt dit doordat de praktijk de afgelopen jaren geconfronteerd wordt met dalende responscijfers.
MODELLEN
Uit tabel 5 blijkt verder dat bedrijven die segmentatie toepassen zeggen dat ze door hun databasemarketingactiviteiten significant beter zijn gaan presteren dan bedrijven die geen segmentatie toepassen. Ook geven gebruikers van segmentatiemodellen aan dat ze meer tevreden zijn over de respons op hun DM-campagnes. Met betrekking tot het gebruik van voorspellende modellen blijkt dat gebruikers van dit soort modellen ook significant zeggen beter te presteren. Er is echter geen significant verschil met betrekking tot de resultaten van de DMcampagnes. Uit de resultaten blijkt verder dat gebruikers van geavanceerde modellen zeggen het meeste effect te ervaren van hun databasemarketingactiviteiten. Opvallend is verder dat bedrijven die geen modellen gebruiken en dus lijken te vertrouwen op intuïtie gemiddeld genomen het laagst scoren. We zien echter geen duidelijke verschillen in de scores met betrekking tot de tevredenheid met de resultaten van de DM-campagnes. Ondanks het feit dat gebruikers van geavanceerde modellen zeggen beter te presteren met hun databaseanalyses, is men dus toch nog niet helemaal tevreden over de uiteindelijke resultaten van de campagnes. Dit zou wederom wellicht verklaard kunnen worden door de al eerder gememoreerde daling in responscijfers. Bij de interpretatie van deze resultaten moet er rekening mee worden gehouden dat het percepties zijn van managers. Deze percepties kunnen vertekend zijn. De resultaten zijn echter wel in lijn met de DM-literatuur dat geavanceerde modellen leiden tot succesvollere DM-acties.
●
MARKETING
Conclusies Klantendatabases worden steeds belangrijker in de marketingstrategie van bedrijven. Deze databases kunnen onder andere worden gebruikt om marketinginstrumenten efficiënter en effectiever in te zetten. Hierbij kunnen allerlei statistische modellen worden gebruikt. In het in dit artikel gepresenteerde onderzoek onder 228 Nederlandse bedrijven is bekeken in hoeverre deze modellen inderdaad gebruikt worden. Uit het onderzoek komt naar voren dat ruim 25 procent van bedrijven die in principe modellen zouden kunnen gebruiken, deze nog niet toepassen en lijken te vertrouwen op eigen intuïtie of klantinzicht. Daarnaast blijkt dat bedrijven ook nog steeds vertrouwen op relatief eenvoudige modellen, terwijl de literatuur aangeeft dat deze modellen gemiddeld genomen minder presteren. In het gepresenteerde onderzoek komt ook duidelijk naar voren dat gebruikers van (geavanceerde) modellen zeggen beter te presteren door hun databaseanalyses. Ondanks deze betere prestaties blijven bedrijven dus toch nog vaak vertrouwen op eigen intuïtie en de relatief eenvoudige methoden. Deels zou dat kunnen komen, doordat bedrijven onbekend zijn met de statistisch ingewikkeldere methoden. Bedrijven gaven ook aan bepaalde technieken niet te kennen. In de analyses is vooral onderzocht in hoeverre schaaleffecten het gebruik van modellen kunnen verklaren. Hieruit blijkt
3.17 2.82
4.23 3.58
3.17 2.97
3.80 3.97 4.22
3.15 3.08 3.15
Toelichting
nr. 2002 74, jaargang
4.01 3.61
Bedrijfskunde,
Totale steekproef (n=228) Segmentatie (n=228) Wel gebruik Geen gebruik Voorspellende modellen (n=228) Wel gebruik Geen gebruik Type modellen (n=172) Geen modellen Eenvoudige modellen Geavanceerde modellen
Gemiddelde score op gepercipieerde prestatiemaatstaven databasemarketingactiviteiten Door onze databasemarketingactiviteiten We zijn tevreden met de in zijn we in staat veel betere resultaten te onze DM-campagnes behalen met onze DM-campagnes behaalde responspercentages (1=helemaal mee oneens, (1=helemaal mee oneens, 5=helemaal mee eens) 5=helemaal mee eens) 3.90 3.07
2
Tabel 5. Prestatie databasemarketingactiviteiten en modelgebruik
- Vet: significant verschil in gemiddelden volgens t-toets en/of F-toets
71
MARKETING
dat deze er inderdaad toe doen. Grotere bedrijven met grotere databases die meer gebruikmaken van DM-instrumenten, zoals direct mail, zijn meer geneigd om geavanceerdere modellen te gebruiken. Zij zijn in staat om de modellen te ontwikkelen en waarschijnlijk kostendekkend te exploiteren. Voor bedrijven laat het onderzoek duidelijk zien dat het zinvol lijkt om de databasegegevens te analyseren door gebruikmaking van geavanceerde methoden. Hierdoor worden de marketinginstrumenten efficiënter ingezet. De ontwikkeling van deze modellen kost echter geld. Zo moeten bijvoorbeeld nieuwe analisten met een econometrische of statistische achtergrond worden aangetrokken. Bedrijven dienen de hiermee gepaard gaande kosten te vergelijken met de verwachte opbrengsten. Vooral voor grotere bedrijven met grote klantendatabases en met meerdere klantcontacten per maand zullen de opbrengsten dusdanig zijn dat het zinvol is om met (geavanceerdere) modellen te werken.
●
MODELLEN
Homburg, C. & C. Pflesser, ‘A multiple-layer model of market organizational culture: measurement issues and performance outcomes’, Journal of Marketing Research, 37, November, p. 449-462, 2000. Jonker, J.J., R. Paap & P.H. Franses, ‘Modeling charity donations: target selection, response time and gift size’, Working Paper EI2000-07, Econometrisch Instituut, Erasmus Universiteit Rotterdam, 2000. Leeflang, P.S.H., D.R. Wittink, M. Wedel & Ph.A. Naert, Building models for marketing decisions, Kluwer Academic Publishers, Boston 2000. Leeflang, P.S.H. & D.R. Wittink, ‘Models for marketing decisions: past, present and future’, International Journal of Research in Marketing, 17, p. 105-126, 2000. Liesker, F., ‘De waarde van klantendiscriminatie’, Het Financieele Dagblad, 16 augustus, p. 7, 2000. Long, J.S., Regression models for categorical and limited dependent variables, Sage, Thousand Oaks 1997. Magidson, J., ‘Improved statistical techniques for response modeling: progression beyond regression’, Journal of Direct Marketing, 2(4), p. 6-18, 1988. Rossi, P.E., R.E. McCulloch & G.M. Allenby, ‘The value of purchase history data in target marketing’, Marketing Science, 15(4), p. 321-340, 1996. Peppers, D. & M. Rogers, Enterprise one to one: tools for competing in the interacti-
Noten
ve age, DoubleDay, 1999.
1. Dit artikel is gebaseerd op: P.N. Spring, P.C. Verhoef, J.C. Hoekstra & P.S.H. Leef-
Shepard, D., The new direct marketing: how to implement a profit-driven database
lang, The commercial use of segmentation and predictive modeling techniques for
marketing strategy (2nd ed.), Business One Irwin, Homewood 1995.
database marketing, SOM Research Memorandum, 2000.
Veer, R.C.P. van der, B. Wierenga & J.C.H.W. Kluytmans, ‘Neurale netwerken in
2. Bedrijven zijn als volgt ingedeeld. Bedrijven die geen statistische methoden gebrui-
Verhoef, P.C. & J.C. Hoekstra, ‘The status of database marketing in the Dutch fast
die alleen aangeven relatief eenvoudige methoden te gebruiken bij segmentatie en/of
moving consumer goods industry’, Journal of Market Focused Management, 3(3/4),
modelbouw komen in de tweede categorie. Bedrijven die aangeven geavanceer-
p. 313-332, 1999.
de technieken te gebruiken bij segmentatie en/of modelbouw komen in de laatste categorie. 3. Deze vraag zou tot verwarring kunnen leiden bij respondenten, omdat onder DBM-
Bedrijfskunde,
jaargang
74,
2002
nr.
2
activiteiten hetzelfde als DM-campagnes zou kunnen worden verstaan. De vragenlijst is echter verstuurd naar respondenten met relatief veel DBM-kennis. Zij zijn, zoals ook uit het testen van de vragenlijst bleek, goed in staat om het onderscheid tussen deze twee activiteiten te maken.
Literatuur Bessen, J., ‘Riding the marketing information wave’, Harvard Business Review, 71(5), p. 150-160, 1993. Blattberg, R.C. & S.J. Hoch, ‘Database models and managerial intuition, Management Science, 36, p. 887-889, 1990. Blattberg, R.C., R. Glazer & J.D.C. Little, The marketing information revolution, Harvard Business School Press, Boston 1994. Bult, J.R., Target selection for direct marketing, dissertatie, Rijksuniversiteit Groningen, 1993. Franses, P.H. & R. Paap, Quantitative models in marketing research, Cambridge University Press, Cambridge, 2001. Glazer, R., ‘Winning in smart markets’, Sloan Management Review, Summer, p. 5969, 1999. Hoekstra, J.C., Direct marketing, Wolters-Noordhoff, Groningen 1998. Hoekstra, J.C., P.S.H. Leeflang & D.R. Wittink, ‘The customer concept’, Journal of Market-Focused Management, 4, p. 43-75, 1999.
72
marketing’, NVMI Jaarboek, p. 9-24, 1993.
ken bij zowel segmentatie als modelbouw komen in de eerste categorie. Bedrijven
