Module Business Intelligence

Module Business Intelligence Kernwoorden: 80/20 regel, boomstructuren, business intelligence, direct mail respons, klantpiramides, klantprofielen, segmentatie

Hoofdstuk 1 Begripsbepaling Ten aanzien van business intelligence zijn vele boeken vol geschreven en even zovele software pakketten ontwikkeld. In veel gevallen wordt gebruik gemaakt van statistisch geavanceerde software om betekenisvolle datastructuren te ontdekken die informatie opleveren die de onderneming als concurrentieel voordeel kan gebruiken. Uiteraard leveren deze statistisch geavanceerde tools vaak bruikbare informatie. Echter, door gebruik te maken van eenvoudige software kan eveneens veel bereikt worden. Het belangrijkst is dat de marketeer leert hoe deze betekenisvolle datastructuren te ontdekken zijn. Met eenvoudige tools als een spreadsheet (Excel), database (Access), eventueel aangevuld met een statistisch programma als SPSS zijn zeer relevante analyses te maken. Het Marketing Lexicon1 geeft de volgende definitie van business intelligence: "Inzicht in zaken of bedrijfskunde. Alle verzamelde, geselecteerde en geanalyseerde informatie die van strategische betekenis voor de onderneming is. BI heeft ten doel risico’s en onzekerheden te verkleinen, actief te reageren op toekomstige ontwikkelingen door de kansen en bedreigingen tijdig te traceren en daardoor een voorsprong te krijgen en/of te behouden op de concurrentie." Er zijn meer definities van business intelligence, bijvoorbeeld: "het proces van verwerven en verwerken van informatie voor de strategievorming van organisaties2". Deze module beoogt niet uitputtend te zijn voor dit zeer brede vakgebied. Doel van deze module is om enkele relevante basisprincipes van business intelligence nader toe te lichten. Verder blijkt uit bovenstaande definitie dat business intelligence zich zowel richt op de informatie die beschikbaar is in de eigen onderneming als op informatie die beschikbaar is over concurrenten. Deze module richt zich op interne informatie. In de module worden de volgende basisprincipes behandeld: − boomstructuren − klantprofielen − segmenteren en klantpiramides

1 2

Huizinga (2000) Vriens en Philips

1

Hoofdstuk 2. Boomstructuren Eén van de doelstellingen van marketing is het zo optimaal mogelijk inspelen op de behoeften van de klant. Er is niet sprake van één klant, een klantendatabase kent doorgaans een breed scala van vele verschillende soorten klanten. Door middel van segmentatie wordt getracht om deze klantendatabase in segmenten onder te verdelen. Het streven daarbij is om de verschillende segmenten onderling zoveel mogelijk te laten verschillen, terwijl de homogeniteit intern juist zo groot mogelijk is. Grafisch kunnen we dat als volgt weergeven: Figuur 2.1 Eenvoudige segmentatie van een klantendatabase in twee segmenten

KLANTENDATABASE

Segment A Intern zo groot mogelijke homogeniteit

segmenten die onderling zoveel mogelijk verschillen

Segment B Intern zo groot mogelijke homogeniteit

De crux is nu: hoe bereiken we het bovenstaande? Hoe zorgen we ervoor dat de segmenten A en B onderling zoveel mogelijk verschillen en zij intern homogeen mogelijk zijn? We moeten dus op één of andere manier een variabele vinden die het databestand dusdanig opdeelt zodat dit bereikt wordt. De statistiek kan ons dienstbaar zijn om het antwoord op die vraag te vinden. Case respons op direct mail actie We bekijken een voorbeeld uit de direct marketing waarbij we het bovenstaande gaan uitvoeren voor een uitgaande mailing. We maken gebruik van het programma SPSS en beschikken over het bestand mailing.sav. De situatie is, dat er door een uitgeversmaatschappij een mailing is uitgedaan naar 72,217 klanten. In deze mailing werd een nieuw tijdschrift onder de aandacht gebracht, waarop men zich tegen gunstige voorwaarden kon abonneren. De variabele respons geeft aan of men zich al-dan-niet heeft geabonneerd. Een frequentieverdeling geeft de resultaten weer, zie het figuur links. De frequentieverdeling kunnen we ook grafisch weergeven, zie het figuur rechts. Figuur 2.2 Frequentieverdeling van geworven abonnees naar aanleiding van een mailing ABONNEMENT GENOMEN?

Valid

Ja Nee Total

Frequency 916 71301 72217

Percent 1,3 98,7 100,0

Valid Percent 1,3 98,7 100,0

Cumulative Percent 1,3 100,0

2

In woorden: 916 van de in totaal 72217 mensen reageerde positief; dit vormt 1.27% van het totaal. We beschikken niet alleen over respons; in de klantendatabase hebben we ook informatie over het geslacht van het gezinshoofd, de leeftijdsklasse, het beroep van het gezinshoofd, e.d. De grote vraag is: verschilt het percentage respons van mannen tot vrouwen? Of van leeftijdsklasse tot leeftijdsklasse? Aan de hand van een kruistabel kunnen we dit nader onderzoeken. We geven de kruistabel voor enkele variabelen, te beginnen bij geslacht tegen respons. Figuur 2.3 kruistabel naar geslacht ABONNEMENT GENOMEN? * GESLACHT Crosstabulation

ABONNEMENT GENOMEN?

Ja Nee

Total

Count Column % Count Column % Count Column %

GESLACHT Man Vrouw 461 455 1,3% 1,2% 35017 36284 98,7% 98,8% 35478 36739 100,0% 100,0%

Total 916 1,3% 71301 98,7% 72217 100,0%

De verschillen tussen mannen en vrouwen in responspercentage lijken minimaal... De volgende tabel splitst uit naar beroep: Figuur 2.4 Kruistabel naar beroep ABONNEMENT GENOMEN? * BEROEP GEZINSHOOFD Crosstabulation

ABONNEMENT GENOMEN?

Ja

Nee

Total

Count % within BEROEP GEZINSHOOFD Count % within BEROEP GEZINSHOOFD Count % within BEROEP GEZINSHOOFD

Kantoor 237

BEROEP GEZINSHOOFD Arbeider Anders Onbekend 98 235 346

Total 916

2,9%

1,2%

1,1%

1,0%

1,3%

8076

7819

21654

33752

71301

97,1%

98,8%

98,9%

99,0%

98,7%

8313

7917

21889

34098

72217

100,0%

100,0%

100,0%

100,0%

100,0%

De verschillen in responspercentage tussen de beroepen lijken groter dan die bij geslacht (alhoewel... de beroepen arbeiders, anders en onbekend zijn bijna gelijk in hun responspercentage). Let wel: dit alles is een beoordeling met het blote oog. Hoe vergelijken we de tabellen op een meer verantwoorde manier? De vraag is: hoe kunnen we een verantwoorde uitspraak doen over welke van de twee variabelen het meeste met respons samengaat, geslacht of beroep? Ter beoordeling hiervan gebruiken we statistiek: SPSS geeft ons de kans dat er geen verband is tussen geslacht en respons, en evenzo de kans dat er geen verband is tussen beroep en respons. Deze kans staat bekend als de significantie bij een Chikwadraat-toets en kunnen we direct bij Crosstabs opvragen (zie de ingang Statistics in het dialoogvenster van Crosstabs). Het volgende figuur geeft de significantie voor het verband tussen geslacht en respons (links) en de significantie voor het verband tussen beroep en respons (rechts).

3

We kunnen onze bevinding dat percentage respons significant verschilt al naar gelang beroep ook grafisch weergeven: Figuur 2.5 kruistabel weergegeven als boomdiagram

We bekijken nu de kans dat er geen verband is, te vinden in de rij Pearson Chi-Square onder het hoofdje Asymp. Sig. Daarbij nemen we aan3: Is de door SPSS uitgerekende kans groter dan 0,05, dan concluderen we dat er geen verband is tussen de twee variabelen (de kans is immers “groot” dat er geen verband is). Is de door SPSS uitgerekende kans kleiner dan 0,05, dan concluderen we dat er wel een verband is tussen de twee variabelen (de kans is immers “klein” dat er geen verband is, dus moet er wel een verband zijn ....). De kans dat er geen verband is tussen geslacht en respons is 0,464. Volgens afspraak concluderen we: er is geen verband tussen geslacht en respons. Ofwel: geslacht doet er niet toe voor het al-dan-niet positief reageren op de mailing. De kans dat er geen verband is tussen beroep en respons is 0,000. Volgens afspraak concluderen we: er is wél een verband tussen geslacht en respons. Ofwel: het beroep doet er toe voor het al-dan-niet positief reageren op de mailing. Bekijken we de kruistabel van beroep tegen respons nog een keer, dan blijkt dat de hoogste respons verwacht kan worden bij de groep mensen die een kantoorbaan heeft. Samenvattend: geslacht doet er niet toe voor respons, beroep wel. Figuur 2.6 Kruistabel met chi kwadraat toets Chi-Square Tests RESPONSE * GESLACHT

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value ,535b ,535 72217

df 1 1 1

Chi-Square Tests RESPONSE *BEROEP Asymp. Sig. (2-sided) ,464 ,465 ,464

b. 0 cells (,0%) have expected count less than 5. The minimum expected count is 450,00.

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Value 190,465a 148,758 130,071

3 3

Asymp. Sig. (2-sided) ,000 ,000

1

,000

df

72217

a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 100,42.

We hebben hiermee een eerste zogenaamde segmentatie verkregen: we hebben 4 segmenten verkregen, elk met een verschillend responspercentage. Het plaatje maakt duidelijk dat een variabele waarnaar uitgesplitst

3

Uitgaande van een statistische betrouwbaarheid van 95%, bij kleinere steekproeven wordt ookwel gewerkt met 90% betrouwbaarheid

4

wordt, zoals beroep in dit geval, een splitvariabele wordt genoemd. Het plaatje laat een omgekeerde boom zien; deze boom wordt ook wel een beslissingsboom genoemd. De boom heeft een wortel (Engels: root), met een vertakking (branch). In dit geval hebben we een beslissingsboom van één niveau: onder de wortel hangt maar één laag. In dit verband hoort men ook vaak de term level. Uiteraard kunnen we een dergelijke boom nog verder uitbreiden. In de categorie "kantoor" zitten bijvoorbeeld nog 237 mensen waarvan we nog wel degelijk achtergrondvariabelen hebben op basis waarvan we verder kunnen segmenteren. Voorwaarde is wel dat de cellen voldoende waarnemingen bevatten om telkens een laag dieper te gaan. Vaak is de database daar onvoldoende groot voor. Wanneer de database wel voldoende groot is, kunnen dit soort analyses ook gemaakt worden met speciaal daarvoor ontwikkelde software4. Figuur 2.7 boomdiagram verder gesegmenteerd

Toetsvraag 2.1 1. Open met spss het bestand mailing.sav. 2. Bekijk het codeboek (utilities/file info) 3. Maak de kruistabellen die ten grondslag liggen aan dit hoofdstuk 4. Segmenteer de categorie "onbekend" verder. Op basis waarvan maakt u de segmentatie? Licht toe.

4

Een voorbeeld daarvan is het programma SPSS Answertree

5

Klantprofielen Boomstructuren kunnen we ook heel goed gebruiken om op basis van onderzoek te bepalen welke segmenten het meest interessant zijn wanneer het gaat om de koopintentie van een bepaald product. We spreken dan ook wel van klantprofielen: op basis van een (onderzoeks)database wordt een profiel geschetst van de meest interessante klantsegmenten. Neem bijvoorbeeld de "Buttonquick", een innovatie waarbij in plaats van de traditionele draad en garen er één product ontwikkeld is dat de truuk doet. Bij dit product zitten naald en draad al aan de knoop vast hetgeen het gebruiksgemak vergroot, zo is de hypothese. Door een aantal studenten is er onderzoek gedaan naar de belangstelling van consumenten voor dit product. In dit onderzoek is gevraagd aan de consument in hoeverre ze overwegen het product aan te schaffen voor gebruik thuis. De totale database bestaat uit 247 respondenten. De opdrachtgever is met name geïnteresseerd in de koopintentie voor thuisgebruik, met anderen woorden: welke mensen overwegen dit nieuwe product aan te schaffen voor gebruik in huis? Wat zijn de meest interessante segmenten? De koopintentie is op een vijfpunt schaal gemeten5. Vervolgens is in figuur 2.8 de top2 van deze koopintentie weergegeven, zowel in percentages als in aantallen (tussen haakjes). Figuur 2.8 Koopintentie gesegmenteerd

Het construeren van een boomstructuur als in figuur 2.8 kost enig werk, maar het geeft zeer duidelijke clues ten aanzien van interessante marktsegmenten. Zo blijkt de koopintentie het hoogst onder meerpersoonshuishoudens (vooral zonder kinderen). Vooral de vrouwen zijn enthousiast over het product. In dit geval is het aan te bevelen om de communicatie in eerste instantie te richten op de vrouwen in meerpersoonshuishoudens. Toetsvraag 2.2 1. open in spss het bestand buttonquick.sav 2. bekijk het codeboek (utilities/file info) en krijg een indruk van de gebruikte vragenlijst 3. reproduceer enkele cijfers zoals in figuur 2.8 4. Koopintentie is niet alleen gemeten voor thuisgebruik. Er is ook gevraagd naar koopintentie ten aanzien van gebruik elders (vraag 8) en er is gevraag of mensen zelf naald en draad meenemen op vakantie (vraag 13). Vul onderstaande boomstructuur nu verder in, analoog aan figuur 2.8.

5

De vraag was: Vraag 7: Hoe waarschijnlijk acht u dat u het product koopt voor thuisgebruik? 1 Zeer waarschijnlijk, 2 Waarschijnlijk, 3 Niet waarschijnlijk, 4 Onwaarschijnlijk, 5 Zeer onwaarschijnlijk, 6 Weet niet

6

Hoofdstuk 3. Segmenteren en klantpiramides Het doel van iedere onderneming is de winst te optimaliseren. Aangezien winst de resultante is van omzet en kosten zijn er dus twee manieren om dit te bereiken: kostenreductie en omzetmaximalisatie. De eerste focus is op het maximaliseren van die omzet. De populatie van een onderneming kan in een drietal hoofdcategorieën ingedeeld worden: 1. Nieuwe klanten6 2. Bestaande klanten 3. Ex-klanten (inactieve klanten) Met andere woorden: iemand is ofwel een nieuwe klant (nog nooit iets gekocht), een bestaande klant (wel iets gekocht) of een ex-klant (in het verleden iets gekocht). De crux zit hem in het moment waarop een klant als een ex-klant gezien wordt. Vaak kent een onderneming "slapende" of "latente" klanten die in een ver verleden wel eens iets gekocht hebben. Het exacte verschil tussen een klant en een ex-klant zal per branche verschillen, afhankelijk van bijvoorbeeld gemiddelde aankoopfrequentie. De termijn waarop een klant tot ex-klant wordt kan bijvoorbeeld drie maanden zijn, zes maanden, twaalf maanden. Het is belangrijk om dit goed van tevoren te definiëren. Op deze wijze kan goed de huidige omzet van een bedrijf geanalyseerd worden naar nieuwe, bestaande en exklanten. Vervolgens kunnen schattingen gemaakt worden van de gewenste situatie. Figuur 3.1: doelstellingen Huidige situatie aantal

omzet

Gewenste situatie aantal

omzet

Nieuwe klanten

Bestaande klanten

Ex klanten

Totaal

Dan dienen alle mogelijke informatiebronnen goed in kaart gebracht te worden met betrekking tot omzet- en kostencomponenten. Vervolgens dient geëvalueerd te worden welke van deze omzet- en kostencomponenten toe te schrijven zijn aan de klant en welke niet. Met deze cijfers kan berekend worden wat het de onderneming gekost heeft om nieuwe klanten te werven (figuur 3.1). En wanneer dat boven tafel is, kan een schatting gemaakt worden van het benodigde marketingbudget voor de komende periode (figuur 3.2). Figuur 3.2: randvoorwaarden Huidig budget voor marktbewerking

Gewenst budget voor marktbewerking

Nieuwe klanten

Bestaande klanten

Ex klanten

Curry (2003) verdiept dit verder in "prospects" (hebben wel een relatie met de onderneming maar nog geen producten/diensten afgenomen), "suspects" (nog geen relatie met de onderneming) en "de rest van de wereld" (mensen of bedrijven die geen behoefte hebben aan de producten/diensten van de onderneming).

6

7

Het doel van het analyseren van een klantenbestand is te komen tot segmenten die vervolgens door middel van marketing en sales bewerkt kunnen worden. Een marktsegment is "een groep van afnemers met min of meer gelijkgerichte behoeften of wensen en die een zelfde reactiepatroon op bepaalde productattributen en een gekozen marketingmix vertoont. Ofwel: consumenten met een min of meer homogeen koopgedrag"7. Bij segmenteren gaat het om het indelen van het klantenbestand in groepen waarbij deze groepen onderling zoveel mogelijk verschillen en de groepen intern zoveel mogelijk overeenkomsten vertonen (intern homogeen/extern heterogeen). Het is zaak dat het aantal klantgroepen niet te groot is. Bij een beperkt aantal klantgroepen is het voor een onderneming beter om hierop te sturen. Segmentatie van een orderbestand Op basis van een eenvoudig orderbestand is reeds een goede segmentatie te maken (zie onderstaande figuur). Figuur 3.1: segmentatie van een orderbestand Segmentatie matrix

aankoop frequentie hoog

n-tal klanten, (…%) ….% van de omzet


"B" klanten

"A" klanten

laag

hoog



"C" klanten

"B" klanten

omzet per order

? laag

Bij deze segmentatie wordt het klantenbestand geanalyseerd op: − gemiddelde omzet per order en − aankoopfrequentie. Beide variabelen worden ingedeeld in een categorie "hoog" en "laag". De definitie van "hoog" en "laag" zal per branche verschillen. Er kan gekozen worden voor een indeling "hoger dan gemiddeld" en "lager dan gemiddeld". Deze benadering is in elk geval helder qua definitie. Er is nu een segmentatie in een drietal klantgroepen gemaakt (A, B, en C klanten). De "A"-klanten zijn qua omzet natuurlijk de beste klantgroep: gemiddeld besteden ze grote bedragen en ze kopen vaak. De "B"-klanten besteden gemiddeld ook grote bedragen maar ze kopen iets minder vaak. Dan de andere "B"-klanten: deze kopen wel vaak maar de besteding per transactie is relatief laag. Tenslotte de "C"-klanten: deze kopen relatief minder vaak én besteden weinig per transactie. Deze categorie klanten is voor het bedrijf vaak het minst interessant. Vaak wordt deze segmentatie ook weergegeven door middel van piramides. Want wat blijkt vaak? De "A"-klanten zullen een relatief laag percentage van het klantenbestand zijn maar ze zullen voor een groot deel van de omzet verantwoordelijk zijn. Dit staat ook wel bekend als de "20/80"-regel. Die stelt dat doorgaans 20% van de klanten (de "A"-klanten) verantwoordelijk is voor 80% van de omzet8. Als we de piramide in omzet tekenen dan resulteert dit in het "kantelen" van de grafiek.

7 8

Huizinga (2000) Overigens blijkt in de praktijk vaak dat die verhouding geen 20/80 is maar lager

8

Figuur 3.2: segmentatie en klantpiramides Segmentatie matrix

Klantenpiramide op basis van aantallen

aankoop frequentie hoog



"B" klanten

"A" klanten

laag

hoog



"C" klanten

"B" klanten

omzet per order

Klantenpiramide op basis van omzet

"A" klanten …%

"A" klanten …%

"B" klanten …%

"B" klanten …%

"C" klanten …%

"C" klanten …%

? laag

Segmentatie voor verschillende markten Bij dit soort segmentaties verdient het aanbeveling om tevoren te bepalen voor welke markt deze segmentatie uitgevoerd wordt. Het gevaar is namelijk dat de bekende appels met peren vergeleken zullen worden. Een voorbeeld: een grote mobiele netwerkoperator in Nederland wil haar klantenbestand segmenteren en klantenpiramides maken om zodoende haar marketinginspanningen efficiënter te kunnen richten op de juiste doelgroepen. Deze mobiele operator weet uit ervaring dat zij een groep zakelijke klanten en een groep particuliere klanten heeft. Deze klantgroepen worden met verschillende merken bediend. Bovendien is de groep particuliere klanten te verdelen in abonnees en prepaid bellers. Deze operator weet dat deze klantgroepen sterk verschillen in gedrag. Gezien de grote omvang van de markt en haar klantenbestand zou het niet logisch zijn om deze drie markten bij elkaar te gooien. Figuur 3.3: segmentatie in de markt van mobiele telefonie Klantenpiramide op basis van aantallen






"A" klanten …%

"A" klanten …%

"A" klanten …%

"A" klanten …%

"A" klanten …%

"A" klanten …%

"B" klanten …%

"B" klanten …%

"B" klanten …%

"B" klanten …%

"B" klanten …%

"B" klanten …%

"C" klanten …%

"C" klanten …%

"C" klanten …%

"C" klanten …%

"C" klanten …%

"C" klanten …%

Per markt zal bepaald moeten worden welke de relevante variabelen zijn om op te segmenteren, dat kunnen ook andere variabelen zijn dan gemiddelde omzet per order en aankoopfrequentie . Enkele voorbeelden van discriminerende variabelen: − detailhandel: aantal winkelbezoeken per klant − supermarkten: aantal bezoeken per maand − kledingzaken, kappers: aantal bezoeken per jaar Op basis van dit soort criteria kunnen ook klantenpiramides gemaakt worden.

9

Hoofdstuk 4 belangrijke lessen uit klantenpiramides Curry en anderen beschrijven op basis van hun onderzoek een aantal belangrijke lessen die getrokken kunnen worden uit de klantenpiramides. Van deze worden er een aantal uitgelicht en onderstaand grafisch vorm gegeven. Figuur 4.1 Lessen uit klantenpiramides Klantenpiramide: lessen 4) Klanttevredenheid is een kritische factor bij het opwaarderen van klanten in de piramide 1) De top-20% van de klanten genereert 80% van de omzet "A" klanten …%

2) De top-20% van de klanten is goed voor meer dan (!) 100% van de winst

opwaarderen van

"B" klanten …% 3) Bestaande klanten zijn goed voor het leeuwendeel van de omzet maar

klanten "C" klanten …% binnen halen van klanten

inactieve klanten, prospects, suspects, "de rest van de wereld"

het leeuwendeel van het marketingbudget gaat doorgaans naar niet-klanten.

De belangrijkste lessen van klantenpiramides zijn: 1. De top-20% van de klanten genereert 80% van de omzet − Het blijkt dat slechts een klein deel van de klanten verantwoordelijk is voor een groot deel van de omzet. Hoewel de verhouding 20/80 door sommige auteurs bekritiseerd wordt, is er doorgaans een kern van klanten te onderscheiden die voor een groot deel van de omzet verantwoordelijk is. 2. De top-20% van de klanten is goed voor meer dan (!) 100% van de winst − Op het eerste gezicht lijkt dit niet mogelijk, meer dan 100%….anders gezegd: vaak leiden bedrijven verlies op het grootste deel van hun klanten (!). Luchtvaartmaatschappijen worden als voorbeeld genoemd van ondernemingen waar de topklanten, de "frequent flyers", ervoor zorgen dat de onderneming als geheel geen verlies draait. 3. Bestaande klanten zijn goed voor het leeuwendeel van de omzet maar het leeuwendeel van het marketingbudget gaat doorgaans naar niet-klanten − Heel belangrijk: een bedrijf kan alleen overleven met een vast klantenbestand. 60 tot 80% van het marketingbudget wordt doorgaans besteed aan communicatie met niet-klanten of bedrijven die niet kunnen groeien. Maar het verkopen aan niet-klanten gaat doorgaans gepaard met veel hogere kosten. Meer aandacht voor bestaande klanten kan resulteren in een grote winstgroei. 4. Klanttevredenheid is een kritische factor bij het opwaarderen van klanten in de piramide − Onderzoek van Harvard Business Review9 toont aan dat er een zeer sterke relatie bestaat tussen klantgedrag en klanttevredenheid. Dit onderzoek toont bijvoorbeeld aan dat bij Rank Xerox de frequentie van herhalingsaankopen van "zeer tevreden" klanten zes maal hoger is dan van gewone "tevreden" klanten

9

Jones en Sasser (1995)

10

Hoofdstuk 5 Segmenteren naar winst Een terechte kritiek op de toepassing van klantenpiramides is dat zij vaak gebaseerd zijn op omzet alleen. Maar omzet is niet altijd heilig. Het is veel slimmer om naar winst te kijken, en wel naar winst per klant. Want pas wanneer een segment daadwerkelijk winst oplevert is het interessant om dit uit te bouwen. Pas wanneer dit gebeurt dan worden klantenpiramides op de juiste wijze toegepast. Klanten worden dus ingedeeld naar omzet en kosten (en dus rendement). Omzet en kosten zijn altijd bekend in een onderneming dus dat moet een eenvoudige exercitie zijn, nietwaar? Hier blijkt nu juist de crux te zitten: het inventariseren en toewijzen van kosten naar klanten blijkt een waardevolle maar niet altijd eenvoudige klus. Volg in ieder geval het onderstaande stappenplan. Stappenplan voor berekenen van klantenpiramides10. 1. Omzet en kostencomponenten inventariseren In deze techniek bepaalt u eerst de verschillende omzet- en kosten componenten. Het gaat hier om kosten die u direct aan de klant kunt toewijzen. Denk bijvoorbeeld aan acquisitiekosten, installatiekosten en communicatiekosten. Elke keer dat een klant uw helpdesk belt, kost dat tijd van de medewerker die betaald moet worden. 2. Gemiddelden berekenen Als alle omzetten en kostenposten in kaart zijn gebracht berekent u over de totale klantendatabase de gemiddelde omzet en gemiddelde kosten. 3. Omzet en kosten per klant Vervolgens bepaalt u per klant of die meer of minder omzet dan het gemiddelde genereert. En u bepaalt of die klant meer of minder kosten met zich mee brengt dan het gemiddelde. Welke klanten generen meer dan gemiddelde omzet en welke klanten minder? En welke klanten kosten meer dan het gemiddelde en welke minder? 4. Segmentatie Wanneer u beide dimensies combineert, kunt u alle klanten indelen in vier segmenten. Linksonder, het gebied waar beide assen negatief zijn, zitten de klanten die een lager gemiddeld bedrag aan omzet besteden, maar daarentegen aanmerkelijk minder kosten met zich meebrengen. Linksboven is het segment klanten dat relatief veel omzet realiseert, maar eveneens een meer dan gemiddelde hoge kostenpost vertegenwoordigt. Een soortgelijke groep klanten zien we rechts onderin. Deze klanten genereren weinig omzet maar ook weinig kosten. Als we alleen kijken naar rendement dan zijn de klanten gelijk aan de klanten links bovenin. De beste klanten zitten rechtsboven. Zij besteden aanmerkelijk meer geld aan uw bedrijf tegen minder kosten. 5. Drie klantgroepen Net als bij de klantenpiramide kunt u nu ook de klanten groeperen in A, B of C-klanten. Klanten die veel omzet genereren tegen lage kosten noemt u A-klanten. De groep die veel omzet maakt, maar ook hoge kosten is qua rendement gelijk aan de groep die weinig omzet maakt maar ook weinig kosten. Dit zijn de B-klanten. De groep die weinig omzet maakt, maar veel kosten betitelt u als C-klanten.

10

Deze segmentatie gaat uit van gemiddelde omzet per order en aankoopfrequentie

11

Figuur 5.1: segmentatie en winst Segmentatie matrix

gemiddelde omzet hoog



"B" klanten

"A" klanten

hoog

laag



"C" klanten

"B" klanten

gemiddelde kosten

? laag

Segmentatie en financiële kengetallen Vervolgens is het zinvol om per segment te kijken naar relevante financiële kengetallen als gemiddelde klantduur, klantverliespercentage, gemiddelde omzet per klant, aanwas van nieuwe klanten11 en netto contributiemarge per product. Door de financiële kengetallen te berekenen kan er per segment een goede inschatting gemaakt worden van de financiële aantrekkelijkheid van dat segment. Figuur 5.2: segmentatie en kengetallen gemiddelde omzet hoog "B" klanten - gemiddelde klantduur: … maanden - klantverliespercentage: … % - gemiddelde omzet per klant: … euro - aanwas van nieuwe klanten: aantal nieuwe klanten/aantal bestaande klanten - netto contributiemarge per produkt: hoog

"A" klanten - gemiddelde klantduur: … maanden - klantverliespercentage: … % - gemiddelde omzet per klant: … euro - aanwas van nieuwe klanten: aantal nieuwe klanten/aantal bestaande klanten - netto contributiemarge per produkt: gemiddelde laag kosten

"C" klanten - gemiddelde klantduur: … maanden - klantverliespercentage: … % - gemiddelde omzet per klant: … euro - aanwas van nieuwe klanten: aantal nieuwe klanten/aantal bestaande klanten - netto contributiemarge per produkt:

"B" klanten - gemiddelde klantduur: … maanden - klantverliespercentage: … % - gemiddelde omzet per klant: … euro - aanwas van nieuwe klanten: aantal nieuwe klanten/aantal bestaande klanten - netto contributiemarge per produkt:

laag

Segmentatie en marketingacties Wanneer op basis van financieel harde cijfers het klantenbestand gesegmenteerd is, zal de onderneming diverse opties hebben om haar klanten te bewerken. Het moge duidelijk zijn dat de "A"-klanten het ideale segment vormen gezien de hoge gemiddelde omzet en de lage gemiddelde kosten. De "B"-klanten zijn ook interessant maar bij beide "B"-segmenten zijn verbeteringen te bewerkstelligen: ofwel de gemiddelde kosten omlaag brengen, ofwel de gemiddelde omzet verhogen.

11

Zie voor een definitie van nieuwe klanten de paragraaf over de klantenfabriek

12

Meestal zijn de "C"-klanten het minst interessant, hetgeen voor een onderneming vaak verassend is omdat het hier vaak een groot deel van het klantenbestand betreft! "C"-klanten besteden weinig, zijn vaak prijsgevoelig en minder loyaal. In onderstaande figuur staan een aantal opties nader toegelicht. Figuur 5.3: mogelijke marketing acties naar aanleiding van segmentatie Mogelijke marketingacties

gemiddelde omzet hoog

"B" klanten

"A" klanten

hoog

laag

"C" klanten

gemiddelde kosten

"B" klanten

? laag

Is het nu mogelijk om door middel van marketing acties de bestaande klanten te bewerken? Ja, dat kan want we beschikken immers over de klantgegevens op individueel niveau. Kunnen we datzelfde voor potentiële klanten doen? Nee want we beschikken niet over de gegevens op individueel niveau. Wanneer we een databestand aankopen, bijvoorbeeld om direct marketing acties op te zetten, dan beschikken we wel over gegevens op individueel niveau maar dan ontbreken gegevens over segmenten. Wat we nodig hebben zijn profielgegevens van de segmenten. Met behulp van profielgegevens is het bijvoorbeeld mogelijk om marketingacties te bedenken die een bepaald segment zullen aanspreken. Met behulp van profielgegevens is het ook mogelijk om een gerichte selectie te maken bij de aankoop van een databestand voor direct marketing. Deze profielgegevens kunnen op een tweetal wijzen verkregen worden: intern (kennissystemen) of extern (business intelligence). Uiteraard kijken we eerst welke gegevens er intern in de onderneming voorhanden zijn. Het klantenbestand is een goed vertrekpunt. Maar ook een facturatie systeem of een orderbestand kan goede informatie leveren. Door middel van business intelligence kan ook dergelijke informatie verkregen worden. Denk bijvoorbeeld aan een klanttevredenheidsonderzoek: dit kan allerhande nuttige informatie bevatten waarmee de segmenten beter beschreven kunnen worden. Maar ook andere informatie kan nuttig zijn. Wanneer een lifestyle segmentatie model van een extern bureau overeenkomsten vertoont met het profiel van onze segmenten kan dit gebruikt worden om de eigen segmentatie te verrijken. Vaak zijn externe bureaus ook in staat om de segmentatie zoals gehanteerd door het marketingbureau verder te specificeren op de wensen van de individuele klant.

13

Figuur 5.4: segmentatie en klantprofielen gemiddelde omzet hoog "B" klanten - klanttevredenheid - klantenloyaliteit (aanbevelen/intenties) - demografische kenmerken - socio demografische kenmerken - bedrijfskenmerken (bijv aantal werknemers) - verkoop/transactie historie - respons historie - etc hoog

"A" klanten - klanttevredenheid - klantenloyaliteit (aanbevelen/intenties) - demografische kenmerken - socio demografische kenmerken - bedrijfskenmerken (bijv aantal werknemers) - verkoop/transactie historie - respons historie - etc gemiddelde kosten laag

"C" klanten - klanttevredenheid - klantenloyaliteit (aanbevelen/intenties) - demografische kenmerken - socio demografische kenmerken - bedrijfskenmerken (bijv aantal werknemers) - verkoop/transactie historie - respons historie - etc

"B" klanten - klanttevredenheid - klantenloyaliteit (aanbevelen/intenties) - demografische kenmerken - socio demografische kenmerken - bedrijfskenmerken (bijv aantal werknemers) - verkoop/transactie historie - respons historie - etc laag

Figuur 5.5: toolbox 1 Doelstellingen

2 Randvoorwaarden

3 Kennissystemen

4 Businessintelligence

5 Actie

6 Communicatie & verkoopkanalen

7 Gedrag/ Respons

- nieuwe klanten

- kosten

- transactie/producten database

- externe bronnen

- new business gesprek

- beurs& tentoonstellingen

- bereikt/niet-bereikt

- bestaande klanten - cross sell - up sell - deep sell

- opbrengsten/marge

- (database) analyse - RFM-analyse - lifetime value - potentiële waarde - profiel analyse/ segmentatie analyse - respons analyse

- merk/merklading

- facturatie systeem - rendement/resultaat - prospectdatabase - (investerings)budget

- ex klanten - behoud - terug winnen

- klantendatabase - juridische beperkingen - kennisniveau personeel

- externe databases (listbrokers, tijdschriften, etc)

- beschikbare capaciteit (FTE)

- kennis-databases (vb wie mailt wat)

- bedrijfscultuur

- registers (faillisementen, verhuizingen etc)

- onderzoeken - non-respons onderzoek - non-conversie onderzoek - klanttevredenheidsonderzoek

- gestructureerde respons - in store/point of sale

- awareness/bekendheid - product/verpakking

- niet-gestructureerde respons

- televisie

- non-mail

- radio

- postretour - informatieaanvraag

- aanbieding

- advertentie (krant, tijdschriften)

- joint promotie

- huis-aan-huis

- couponning

- nieuwsbrief/catalogus

- verzoek tot betalen

- (gepersonaliseerde) brief

- (geregistreerde) conversie/ non-conversie

- zuilen

- herhalingsaankoop

- telemarketing

- ontevredenheid

- internet

- kopen bij concurrent

- prijsvraag/wedstrijd - refundactie - evenementen

- winkelbezoek - imago/awareness

- informatie

- evenementen - vertegenwoordiger/ tussenpersonen

Het speelveld van de marketeer, de "toolbox" waar deze mee kan werken is weergegeven in figuur 5.5. In dit 7 stappenplan is een limitatieve opsomming gegeven van relevante onderwerpen, met andere woorden: alles wat mogelijk relevant is voor de marketeer staat daarin weergegeven. Respons en conversie De benadering heeft een sterke focus op het minimaliseren van fouten: (potentiële) klanten die niet kopen, niet reageren op een mailing, ontevreden zijn etcetera. Want op het moment dat iemand klant is, voldoet hij aan hetgeen je als onderneming van hem/haar verwacht. Op het moment dat hij dat niet doet, dan wordt het interessant. Waarom reageert een prospect niet op een mailing? Reageert deze prospect misschien wel op een telefonische benadering? Of op een ander aanbod? Waarom is een klant ontevreden? Hoe kan ik ervoor zorgen dat deze klant wel tevreden is en daardoor klant blijft?

14

Case business intelligence: analyseer een klantendatabase in 7 stappen Onderstaand staat een 7 stappenplan dat u kunt uitvoeren op een willekeurig klantenbestand. Daarbij is het aantal vragen dat u kunt beantwoorden afhankelijk van de het te analyseren bestand. 1. Doelstellingen: definities en doelen worden vastgesteld en segmentatie analyses uitgevoerd − Hoe definieert u een klant? En een ex-klant? En een "nieuwe" klant? Waar ligt de grens en hoe bepaalt u dat? (tip: volg niet te "slaafs " de definitie van een opdrachtgever, in de meeste gevallen zult u een subject die één jaar of langer geen aankopen meer gepleegd heeft als ex-klant moeten aanmerken) − Wat zijn de cijfers voor aantallen klanten en omzet − Hoe wordt het klantenbestand gesegmenteerd? Op basis van welke variabele(n) kunt u het orderbestand het best segmenteren? Onderbouw uw antwoord op statistisch wetenschappelijke wijze. − Hoe is de procentuele verdeling van de verschillende segmenten? − Wat is de gemiddelde omzet per klant (per order, bestelfrequentie, per jaar) − Wat is de gemiddelde klantduur per segment? − Wat is het klantverliespercentage per segment? − Wat is de aanwas van nieuwe klanten per segment? − Wat is de netto contributiemarge per product per segment? − Geef alle cijfers in een figuur weer conform figuur 5.1 en figuur 5.2 2. Randvoorwaarden: alle kosten- en omzetcijfers worden geïnventariseerd − Maak een volledige inventarisatie van alle mogelijke kostencomponenten Out-of pocket Interne kosten (tijd, capaciteit) Welke van deze kosten zijn toe te rekenen aan de klant en welke niet? − Maak een volledige inventarisatie van alle mogelijke omzetcomponenten (verdiencapaciteit) Welke zijn toe te rekenen aan de klant en welke niet? − Gegeven de doelstellingen en winstdoelstelling, wat mag maximaal het budget voor marktbewerking zijn? − OF, gegeven het budget, wat kunnen de doelstellingen maximaal zijn − Geef alle cijfers in een figuur weer conform figuur 5.3 en figuur 5.4 3. Kennissystemen, kennis van de klant − Geef een opsomming van de beschikbare informatie over klanten − Waar is deze informatie doorgaans te vinden? − Op basis van de beschikbare informatie: welke analyses zijn er mogelijk? (tip: dit zijn er meer dan u wellicht in eerste instantie zult denken, zeker wanneer uw opsomming van beschikbare informatie over klanten volledig is) − Welke informatie heeft u gemist? Welke analyses had u kunnen uitvoeren indien u deze informatie wel gehad had? Op welke wijze is deze informatie te verkrijgen? 4. Business intelligence − Welke analyses en onderzoeken kunt u uitvoeren om tot een doelgroepgerichte marktbewerking te komen (zie ook de figuur mogelijke marketing acties naar aanleiding van segmentatie) 5. Acties & planning − Welke marketing acties kunt u uitvoeren richting de verschillende klantgroepen? 6. Communicatie en verkoopkanalen − Welke communicatie en verkoopkanalen kunt u gebruiken richting de verschillende doelgroepen? 7. Respons en conversie − Geef een opsomming van alle mogelijke vormen van respons (gedrag/reacties van klanten) bij de verschillende klantgroepen

15

Bronnen − − − −

Curry, Jay e.a., De customer marketing methode, MSP Associates Nederland B.V., Amsterdam, 2003 Huizinga, Henk, Standaardlexicon Marketing, Samson, Alphen aan den Rijn, 2000 Jones, T.O. en Sasser, W.E., Why Satisfied Customers Defect, Harvard Business Review, december 1995. Mens, Michiel van, Operationele Marketing: het 7-stappenplan voor marktbewerking, 2004

16

Module Business Intelligence

Recommend Documents