Gert Haanstra en Melbert van Emmerik. CustomerBase, customer loyalty & database marketing, F&G Publishing, Amersfoort, Nr. 3, 1999

Printversie: Datamining in direct contact met de klant

De rol van data mining binnen het marketing- en verkoopproces evolueert. In de beginfase leek data mining een proeftuin om te laten zien dat inzicht in het klantenbestand geld kan opleveren. In veel gevallen bewees het zijn meerwaarde door successen te herhalen en het marketingproces structureel te verbeteren. Tegenwoordig eist het steeds vaker zijn plaats op; midden in de organisatie en in direct contact met de klant.

Te lang is data mining buiten het marketing- en verkoopproces gehouden. Gebrek aan kennis en goede data, twijfels over de haalbaarheid van investeringen, de angst om algoritmen mee te laten beslissen, en een dosis conservatisme zorgen ervoor dat nog weinig bedrijven data mining gebruiken. Wel dragen analisten soms voorspellingsmodellen of score cards aan, maar van het structureel inzetten van data mining binnen het campagne management is nauwelijks sprake. Een klein percentage bedrijven blijkt wel in staat de eigen organisatie aan te passen op het gebruik van data mining en daarmee de mogelijkheden ervan volledig te benutten. Recente ontwikkelingen laten zien dat de mogelijkheden van data mining verder gaan dan haar oorspronkelijke analysefunctie. Het zoeken naar onverwachte patronen in de database, het verklaren van gedrag en het maken van voorspellingsmodellen, maakt plaats voor het direct en interactief inzetten van de verkregen klantinformatie. Een enkele organisatie is toe aan de uitdaging om data mining in te zetten als essentiële schakel in het onderhouden van klantrelaties. Niet alleen in het out-bound campagne management, maar ook in de directe interactie met de klant.

In dit artikel beschrijven we hoe data mining zich ontwikkelt en op welke manier het ingrijpt in het bedrijfsproces. We laten de veranderingen in doelstellingen, onderzoeksvragen en methoden zien. Daarnaast gaan we in op de nieuwe verantwoordelijkheden en de consequenties die de nieuwe positie heeft binnen de organisatie.

‘Eerste generatie data mining; vluchten of vechten!’

Data mining begint met het uitproberen van de mogelijkheden. Zo’n eerste stap heeft als functie om het bedrijf warm te maken voor data mining. Wat kan data mining voor het bedrijf betekenen? Levert het geld op? Zo ja, hoeveel? Welke investeringen gaan ermee gepaard? En op welke gebieden vereist het organisatorische aanpassingen? Bedrijven begrijpen dat klantinformatie geld oplevert, en proberen met behulp van data mining de benodigde informatie uit de databases te krijgen. Enerzijds om de effectiviteit van de marketing inspanningen te vergroten. Anderzijds om nieuwe verkoopmogelijkheden te ontdekken in het klantenbestand. Een eerste grote succes prikkelt het bedrijf om aandacht te geven aan de mogelijkheden.

Er wordt het een en ander uitgeprobeerd met het eigen klantenbestand: een grote analyse, het bouwen van een scoremodel, het vinden van nieuwe klantsegmenten. Bij een gedegen teststrategie en voldoende aandacht voor de creatie van afgeleide voorspellende klantkenmerken kan het succes van data mining niet uitblijven. In de ideale situatie werken verschillende disciplines samen om hun eerste resultaten te behalen. IT-specialisten om ruwe data uit de diverse transactie bestanden te verzamelen en vast te leggen in een eerste data warehouse. Marketeers om input te geven aan de bruikbaarheid van de klantinformatie. En analisten voor het bewerken van de data en het ontwikkelen van een voorspellingsmodel. Duidelijk is dat data mining in deze eerste fase vanaf de zijlijn meedoet aan het verkoopproces. Bij aantoonbaar succes gaat de deur open voor een structurele rol in het marketing & verkoop proces.

‘Tweede generatie data mining: continu mining, continu leren!’

Komt er een vervolg na de ‘pioniersfase’, dan staat de tweede fase de integratie van data mining in het marketing- & verkoopproces centraal. Enerzijds om data mining consequent te gebruiken en maximaal te profiteren van de opbrengsten. Anderzijds om ontwikkelde voorspellingsmodellen continu te evalueren en verder aan te scherpen. De integratie moet uiteindelijk leiden tot structurele verbeteringen in de actieresultaten.

Het streven is continuïteit. Continuïteit in het verbeteren van de kwaliteit van de modellen. Continuïteit in het creëren van meer modellen voor nieuwe doelgroepen en voor andere producten. En continuïteit in het binnenhalen van meer omzet. Ofwel, continuïteit in het optimaliseren van het commerciële proces.

In de praktijk betekent dit het opzetten van testcycli om voortdurend de juiste mix van klanten, producten, kanalen en timing te achterhalen. Wij noemen dit het data mining spel. Verschillende acties worden specifiek opgezet om nieuwe modellen te bouwen. Daarnaast worden bestaande modellen aangescherpt door ze te gebruiken en tegen oude modellen te testen. Uiteindelijk leiden deze cycli tot een set kwalitatieve goede voorspellingsmodellen voor de meeste ‘standaard’ acties.

Voorheen gaven analisten voornamelijk vrijblijvend advies aan marketeers over de te benaderen klantgroepen. Met een integratie van data mining, ontstaat een duidelijke verantwoordelijkheid in het continu vinden van nieuwe, beter scorende doelgroepen in de database. Een discipline die in eerste instantie ligt bij analisten, maar die een sterke samenwerking met data specialisten en marketeers vereist voor maximaal succes. Op basis van het profiel van gevonden klantgroepen wordt tezamen met de marketeers een geschikte campagne bedacht.

Het uiteindelijk resultaat is goed lopend campagne management proces. Een voortdurende bewaking van de kwaliteit van selecties. Een effectieve verdeling van klanten onder acties van marketeers. Kortom, een instrument om op efficiënte wijze bestaande klanten te bewerken.

Kortom, in deze tweede fase zorgt het gebruik van data mining voor een sterke leercurve in de organisatie. Het meest duidelijk is de stijging in de effectiviteit van acties. Met als voorwaarde: een procedurele aanpassing van het selectie/analyse proces, dat het gebruik van score modellen waarborgt.

‘Derde generatie: contact mining, klant aan het stuur!’

Waar in de vorige fase vooral de marketeers en analisten de touwtjes in handen hadden, neemt de klant steeds vaker het roer over. Met de komst van nieuwe en de verdere ontwikkeling van bestaande interactieve media, zoals call-centers, voice-response-units en internet, ligt het contact initiatief meer en meer bij de klant. De tijd om klanten goed voorbereid te benaderen met een specifiek aanbod is er opeens niet meer. De klant of een prospect neemt met jou contact op. Het ultieme moment om te marketen is daar. Wat moet je doen?

Of het nu om een call-center gaat of om internet, het concept blijft hetzelfde. De bestaande kennis over de betreffende klant moet onmiddellijk leiden tot een commerciële suggestie op maat. Op zich geen probleem. Een selectie van de beste benadering op basis van een batterij scores lijkt een oplossing. Maar wat als de klant zijn beklag komt doen of een product bestelt, waardoor de voorgestelde benadering zinloos blijkt? De klant neemt het initiatief tot het contact en zal daarom eerst iets van jou verlangen. Deze informatie is essentieel in het bepalen van een eventuele commerciële benadering richting die klant. Voorberekende scores op basis van data mining modellen zijn niet toereikend. Het on-line scoren van data mining modellen met zowel bestaande als zojuist verkregen klantinformatie is derhalve een must.

Data mining in het productieproces stelt hoge eisen aan de voorspellingsmodellen. Deels om rekening te houden met de dynamiek, waarbij laatste wijzigingen leiden tot nieuwe uitkomsten. En deels vanwege de directe feedback op de gekozen benadering. Het verschil tussen actie en het meten van de reactie reduceert zich van enkele weken, of zelfs maanden, tot een enkele seconden. Dit vereist een snelle doorberekening van modellen en een zeer valide en robuuste voorspelling. In de praktijk betekent dit dat, bijvoorbeeld, een agent aan het call-center het advies krijgt om de klant een aanbieding te doen. Het model geeft een kans van slagen van 80% aan. De informatie over de klant wijzigt zich tijdens het gesprek en de scoringskansen worden tijdens het gesprek binnen enkele seconden opnieuw vastgesteld. Als de scoringskans van het betreffende aanbod zakt naar bvb. 20%, zal een ander aanbod met een hogere kans van slagen op het scherm van de agent verschijnen. Uiteindelijk bepaalt de agent altijd zelf of de geboden commerciële suggestie daadwerkelijk uitvoerbaar is.

Belangrijk voordeel van het inzetten van modellen in het interactieve productieproces is dat de communicatie met de klant verschuift van monoloog naar dialoog. Beschikt men in het klantcontact over de juiste informatie dan ontstaat er een effectieve dialoog met de klant. Hierbij krijgt de klant inzicht in het bedrijfsproces, en merkt het dat het hier invloed op heeft. Directe gevolg is een vergroting van de klanttevredenheid, en daarmee samenhangend, een duurzame relatie met de klant. Dus het inzetten van data mining in het productieproces stelt een bedrijf in staat nieuwe klanten te werven, langdurige, succesvolle relaties met klanten op te bouwen en deze te onderhouden.

Gert Haanstra en Melbert van Emmerik, CustomerBase Jaarboek 2000, F&G Publishing, Amersfoort, Januari 2000, blz 64 t/m 75

Printversie: Datamining de huidige stand van zaken

De mogelijkheden van datamining worden uitgebreider en interessanter. Enerzijds worden de tools beter en krijgen de mensen die ermee werken meer ervaring. Anderzijds wordt er meer data in databases opgeslagen door de enorme groei in de hedendaagse communicatie mogelijkheden, wat meer en meer informatie over klanten, klantcontacten en transacties genereert. Het gaat zelfs zover dat alle boodschappen in de supermarkt door middel van klantenkaarten geregistreerd kunnen worden. Hetzelfde geldt voor iedere klik die klanten op jouw internet site maken. De opslag van al deze informatie vormt niet meer het grootste probleem, De opslagsystemen worden steeds goedkoper en meer geavanceerd. Maar wat moet je met al die informatie? Door middel van datamining gaan steeds meer bedrijven zoeken naar mogelijkheden om de verkregen informatie te gebruiken in hun marketing beleid. Doel van dit stuk is het geven van een overzicht van de (on)mogelijkheden van datamining, afgezet tegen de ontwikkeling die datamining doormaakt.

Datamining in een breder verband

Datamining is de zoektocht naar belangrijke verbanden en patronen binnen een analysebestand. Het is een essentieel onderdeel van een veel groter proces: het Knowledge Discovery in Databases (KDD) proces. Dit laatste proces omvat het gehele proces van commerciële vraagstelling naar de uiteindelijke marketing activiteit die op specifieke groepen klanten wordt ondernomen.

Het KDD-proces begint met het selecteren van die gegevens uit de grote hoeveelheid data die relevant zijn voor het beantwoorden van de vraagstelling. Na de selectie van relevante gegevens vindt een data manipulatie slag plaats. Hierbij worden gegevens geschoond, consistent gemaakt en gecombineerd tot nieuwe informatie. Dit is met name in het beginstadium een bijzonder tijdrovende aangelegenheid. Welke gegevens zijn überhaupt binnen een organisatie aanwezig? Waar zijn alle gegevens opgeslagen? Vaak zijn er verschillende systemen of databases waardoor informatie op verschillende manieren is opgeslagen. Het koppelen van gegevens uit deze verschillende systemen kan dan problemen opleveren. Daarom is het streven dit manipulatieproces zo veel mogelijk te automatiseren. Waarbij veelal de gemanipuleerde data in datawarehouses wordt opgeslagen. Het automatisch opslaan van informatie in datawarehouses is dus bijzonder belangrijk. Daarmee krijgt de informatie over de tijd een consistent karakter (en wordt de kans op fouten kleiner) en is de informatie voor de dataminingfase direct toegankelijk. Vervolgens begint de zoektocht naar belangrijke verbanden en patronen binnen het analyse bestand. Deze dataminingfase resulteert uiteindelijk in de kennis omtrent de initiële vraagstelling.

De term datamining wordt vaak verward met KDD (Knowledge Discovery in Databases). Strikt genomen is het zoeken van relevante informatie uit databases specifiek gestuurd door de kennis en ervaring in het bedrijf geen onderdeel van datamining. Het creatieve proces van het selecteren en manipuleren van data om nieuwe afgeleide informatie te verkrijgen zou je databasemining kunnen noemen. Het resultaat is een analysebestand dat gebruikt wordt om verbanden en patronen binnen het analyse bestand te vinden. Het analyse pakket automatisch laten zoeken naar deze verbanden en patronen heet datamining. Zowel databasemining en datamining zijn onderdelen van het Knowledge Discovery in Databases proces. In dit artikel ligt de nadruk op de rol van datamining, hoewel het onoverkomelijk is om ook andere facetten van het KDD-proces de revue te laten passeren.

Ontwikkelingen in datamining

Pioniersfase
Datamining begint met het uitproberen van de mogelijkheden. Zo’n eerste stap heeft als functie om het bedrijf warm te maken voor datamining. Wat kan datamining voor het bedrijf betekenen? Levert het geld op? Zo ja, hoeveel? Welke investeringen gaan ermee gepaard? En op welke gebieden vereist het organisatorische aanpassingen? Bedrijven begrijpen dat klantinformatie geld oplevert, en proberen met behulp van datamining de benodigde informatie uit de databases te krijgen. Enerzijds om de effectiviteit van de marketing inspanningen te vergroten. Anderzijds om nieuwe verkoopmogelijkheden te ontdekken in het klantenbestand. Een eerste grote succes prikkelt het bedrijf om aandacht te geven aan de mogelijkheden.

Er wordt het een en ander uitgeprobeerd met de gegevens uit bestaande databases: een grote analyse, het bouwen van een scoremodel, het vinden van nieuwe klantsegmenten. Bij een gedegen teststrategie en voldoende aandacht voor de creatie van afgeleide voorspellende klantkenmerken kan het succes van datamining niet uitblijven. In dit stadium staan alle stadia in het KDD-proces centraal. In de ideale situatie werken verschillende disciplines samen om hun eerste resultaten te behalen. IT-specialisten om ruwe data uit de diverse transactie bestanden beschikbaar te stellen. Marketeers en/of domein deskundigen om input te geven aan de bruikbaarheid van de klantinformatie. En analisten voor het bewerken van de data en het ontwikkelen van een voorspellingsmodel. Duidelijk is dat datamining in deze eerste fase vanaf de zijlijn meedoet aan het verkoopproces. Bij aantoonbaar succes gaat de deur open voor een structurele rol in het marketing & verkoop proces. Vaak wordt datamining voor verschillende toepassingen in een soort proeftuin setting uitgeprobeerd om een breder draagvlak te creëren om de vaak hoge investeringskosten het hoofd te kunnen bieden. De eerste fasen van het KDD-proces worden vervolgens voor een groot deel door IT-specialisten geautomatiseerd door de bouw van datawarehouses. Het datawarehouse bevat alle relevante afgeleide data die gebruikt worden in datamining. Wanneer het datawarehouse volledig geimplementeerd is zal de nadruk steeds meer op datamining komen te liggen.

Productiefase
Komt er een vervolg na de ‘pioniersfase’, dan staat in de tweede fase de integratie van datamining in het marketing- & verkoopproces centraal. Enerzijds om datamining consequent te gebruiken en maximaal te profiteren van de opbrengsten. Anderzijds om ontwikkelde voorspellingsmodellen continu te evalueren en verder aan te scherpen. De integratie moet uiteindelijk leiden tot structurele verbeteringen in de actieresultaten.

Het streven is continuïteit. Continuïteit in het verbeteren van de kwaliteit van de modellen. Continuïteit in het creëren van meer modellen voor nieuwe doelgroepen en voor andere producten. En continuïteit in het binnenhalen van meer omzet. Ofwel, continuïteit in het optimaliseren van het commerciële proces.

In de praktijk betekent dit het opzetten van testcycli om voortdurend de juiste mix van klanten, producten, kanalen en timing te achterhalen. Verschillende acties worden specifiek opgezet om nieuwe modellen te bouwen. Daarnaast worden bestaande modellen aangescherpt door ze te gebruiken en tegen oude modellen te testen. Uiteindelijk leiden deze cycli tot een set kwalitatief goede voorspellingsmodellen voor de meeste ‘standaard’ acties.

Voorheen gaven analisten voornamelijk vrijblijvend advies aan marketeers over de te benaderen klantgroepen. Met een integratie van datamining, ontstaat een duidelijke verantwoordelijkheid in het continu vinden van nieuwe, beter scorende doelgroepen in de database. Een discipline die in eerste instantie ligt bij analisten, maar die een sterke samenwerking met data specialisten en marketeers vereist voor maximaal succes. Op basis van het profiel van gevonden klantgroepen wordt tezamen met de marketeers een geschikte campagne bedacht.

Het zoeken van een goede combinatie tussen enerzijds campagne management systemen en anderzijds geavanceerde datamining tools is derhalve een pre. Centraal hierin staat een datawarehouse waarbij alle relevante informatie over klanten is verzameld. Het datawarehouse biedt zowel de informatie die nodig is om datamining toe te passen als de informatie die nodig is om klanten voor verschillende campagnes te selecteren. Afhankelijk van kanaalvoorkeuren, recente communicatie uitingen, specifieke klantinformatie en de scores op verschillende scoremodellen worden klanten voor campagnes geselecteerd.

Vereiste is dat de informatie in het datawarehouse zeer up-to-date en betrouwbaar is. Bij voorkeur worden de scores voor de verschillende voorspellingsmodellen berekend op het moment van selectie. Dit houdt in dat het campagne management niet voorberekende scores voor verschillende campagnes gebruikt, maar dat de scores dynamisch beschikbaar zijn. Het campagne management systeem roept het model aan, berekend de scores en wijst vervolgens klanten toe aan verschillende campagnes.

Het uiteindelijk resultaat is goed lopend contact management proces. Een voortdurende bewaking van de kwaliteit van selecties. Een effectieve verdeling van klanten onder acties van marketeers. Kortom, een instrument om op efficiënte wijze bestaande klanten te bewerken.

In deze tweede fase zorgt het gebruik van datamining voor een sterke leercurve in de organisatie. Het meest duidelijk is de stijging in de effectiviteit van acties. Met als voorwaarde: een procedurele aanpassing van het selectie/analyse proces, dat het gebruik van score modellen waarborgt. De invalshoek in deze fase is nog sterk gericht op outbound marketing activiteiten. Door de opkomst van meer interactieve media en ook de groeiende behoeften van klanten om zelf het initiatief te nemen om contact te zoeken met bedrijven via deze kanalen, moeten toepassingen van datamining verder uitgebreid worden om ook de meer interactieve contact momenten te benutten.

Interactiefase
Waar in de vorige fase vooral de marketeers en analisten de touwtjes in handen hadden, neemt de klant steeds vaker het roer over. Met de komst van nieuwe en de verdere ontwikkeling van bestaande interactieve media, zoals call-centers, voice-response-units en internet, ligt het contact initiatief meer en meer bij de klant. De tijd om klanten goed voorbereid te benaderen met een specifiek aanbod is er opeens niet meer. De klant of een prospect neemt met jou contact op. Het ultieme moment om te marketen is daar. Wat moet je doen?

Of het nu om een call-center gaat of om internet, het concept blijft hetzelfde. De bestaande kennis over de betreffende klant moet onmiddellijk leiden tot een commerciële suggestie op maat. Op zich geen probleem. Een selectie van de beste benadering op basis van een batterij scores lijkt een oplossing. Maar wat als de klant zijn beklag komt doen of een product bestelt, waardoor de voorgestelde benadering zinloos blijkt? De klant neemt het initiatief tot het contact en zal daarom eerst iets van jou verlangen. Deze informatie is essentieel in het bepalen van een eventuele commerciële benadering richting die klant. Voorberekende scores op basis van datamining modellen zijn niet toereikend. Het online scoren van datamining modellen met zowel bestaande als zojuist verkregen klantinformatie is derhalve een must.

Datamining in het productieproces stelt hoge eisen aan de voorspellingsmodellen. Deels om rekening te houden met de dynamiek, waarbij laatste wijzigingen leiden tot nieuwe uitkomsten. En deels vanwege de directe feedback op de gekozen benadering. Het verschil tussen actie en het meten van de reactie reduceert zich van enkele weken, of zelfs maanden, tot een enkele seconden. Dit vereist een snelle doorberekening van modellen en een zeer valide en robuuste voorspelling. In de praktijk betekent dit dat, bijvoorbeeld, een agent aan het call-center het advies krijgt om de klant een aanbieding te doen. Het model geeft een kans van slagen van 80% aan. De informatie over de klant wijzigt zich tijdens het gesprek en de scoringskansen worden tijdens het gesprek binnen enkele seconden opnieuw vastgesteld. Als de scoringskans van het betreffende aanbod zakt naar bvb. 20%, zal een ander aanbod met een hogere kans van slagen op het scherm van de agent verschijnen. Uiteindelijk bepaalt de agent altijd zelf of de geboden commerciële suggestie daadwerkelijk uitvoerbaar is.

Belangrijk voordeel van het inzetten van modellen in het interactieve productieproces is dat de communicatie met de klant verschuift van monoloog naar dialoog. Beschikt men in het klantcontact over de juiste informatie dan ontstaat er een effectieve dialoog met de klant. Hierbij krijgt de klant inzicht in het bedrijfsproces, en merkt het dat het hier invloed op heeft. Directe gevolg is een vergroting van de klanttevredenheid, en daarmee samenhangend, een duurzame relatie met de klant. Dus het inzetten van datamining in het productieproces stelt een bedrijf in staat nieuwe klanten te werven, langdurige, succesvolle relaties met klanten op te bouwen en deze te onderhouden.

Een stap richting Customer Relationship Management

Duidelijk is dat de huidige datamining technologie klaar is om ingezet te worden in het versterken en het verdiepen van de individuele relatie met de klant. Ofwel, datamining kan worden gebruikt in het Customer Relationship Management (CRM) concept. Centraal in dit concept is de interactie met de klant tijdens een contactmoment. De klantwaarde kan worden verhoogd en de loyaliteit worden vergroot door in te gaan op de eigen wensen en behoeften van iedere klant. Juist in klantcontacten ondersteunt datamining het beslissingsproces door gebruik te maken van de kennis over de klant.

Op basis van specifieke klantkenmerken vindt een differentiatie van klanten plaats op basis van gedrag, kanaalvoorkeur en specifieke wensen en behoeften. Met name in dit traject speelt datamining een kritische rol. Op het moment van interactie speelt differentiatie een grote rol. Op welke wijze moeten bepaalde klanten benaderd worden, kan ik een aanbod doen en zo ja welk aanbod en wat zijn goede argumenten om bij die specifieke klant te gebruiken? Datamining kan worden ingezet om de effectiviteit van de differentiatie en interactie te evalueren om het vervolgens te optimaliseren. In dit hoofdstuk gaan we in op de eisen voor een succesvolle implementatie van datamining in CRM.

Voor de implementatie van datamining binnen customer relationship management is het belangrijk om een onderscheid te maken tussen inbound en outbound contacten. Bij outbound contacten (mail, leads, calls) vindt het toewijzen van klanten aan verschillende campagnes plaats in batch processen. Een campagne management systeem of een scheduler met verschillende query jobs heeft bijvoorbeeld de gehele nacht de tijd om klanten te selecteren op basis van specifieke klantkenmerken. Bij inbound contacts is die tijd er niet meer. Wil je klanten gedifferentieerd aanspreken, dan is het noodzakelijk om alle relevante klantinformatie up-to-moment paraat te hebben. Sterker nog, de nieuw informatie die gedurende de interactie tot stand komt, kan zeer essentieel zijn in het vervolg van de interactie. Door middel van online scoring van voorspellingsmodellen wordt nog tijdens het gesprek de vervolgstap bepaald. Dit betekent dat binnen enkele seconden data verwerkt moet zijn en dat scores op verschillende modellen doorgerekend moet worden.

De meeste bedrijven hebben operationele systemen en datawarehouses op gescheiden platformen geïnstalleerd. De reden hiervoor is dat een datawarehouse primair gebruikt wordt voor het klaarzetten van ruwe (geschoonde en consistente), afgeleide en gesommeerde data voor analyses en rapportages. Door deze informatie op een afzonderlijk platform beschikbaar te stellen, is er geen gevaar voor overbelasting van operationele systemen. Onder andere doordat up-dates van datawarehouses periek in batch processing liep. Tegenwoordig is er een grote behoefte aan up-to-moment klantinformatie. Door het meer interactieve karakter van online klantcontacten bij call-centers of op internet, moeten bedrijven zowel beschikken over up-to-date informatie als over zoveel mogelijk afgeleide klantinformatie als over de meest geschikte actie voor dat moment. Dit heeft belangrijke consequenties voor het onderhoud van datawarehouses, aangezien datawarehouses eveneens up-to-date moeten zijn.

Welke eisen het gebruik van datamining in CRM omgeving stelt aan de infrastructuur, laten we zien in een voorbeeld. Een voorspeller in een specifiek model kan ‘het aantal stortingen over de laatste maand’ zijn. Dit kenmerk is verkregen door het aantal stortingen in het gegeven tijdinterval te tellen in de transactiesystemen. De storting moet eerst in het transactiesysteem worden verwerkt. Vervolgens moet het datawarehouse gemuteerd worden op basis van de nieuwe informatie. Daarna worden opnieuw de scoremodellen doorlopen, voordat we weten of de mutatie van invloed is op het aanbod dat we online willen gaan doen. Het zal duidelijk zijn dat dit geen haalbare kaart is tijdens hetzelfde telefoongesprek van een call center agent met een klant. Een mogelijkheid is om genoegen te nemen met informatie die een dag oud is. Wanneer een call-center agent een melding krijgt dat een bepaald product geschikt is voor die klant, dan zal die agent afhankelijk van het gesprek bepalen of de voorgestelde suggestie nog hout snijdt. Een andere optie is om voor interactieve toepassingen alleen gebruik te maken van scoremodellen die minder dynamische of kritische klantkenmerken bevatten. Een derde optie is om gegevens via triggers in de database af te tappen waardoor een snellere herberekening van scoremodellen mogelijk is.

De noodzakelijke functionaliteiten

Om CRM volledig en goed te kunnen uitvoeren, zijn een aantal tools nodig. In een z.g. contact management systeem (CMS) is campagne management naadloos geïntegreerd met datamining en online scoring.

Ten behoeve van de ontwikkeling van score modellen kan een datamining tool niet meer bestaan zonder KDD functionaliteiten als het toegankelijk maken van databases en verregaande datamanipulatie mogelijkheden. Belangrijk zijn de volgende onderdelen:
• ‘data access’ voor het flexibel en dynamisch verkrijgen van gegevens uit het datawarehouse,
• ‘data preparatie’ voor het bewerken, aggregeren en mergen van gegevens uit verschillende tabellen,
• ‘behavioural scoring’ voor de ontwikkeling van score modellen,
• ‘export’ van model definities in het datawarehouse voor gebruik door het contact management systeem.

Vervolgens zijn de volgende campagne management functionaliteiten gewenst:
• ‘event triggering’ om belangrijke events te herkennen en daar met campagnes op in te springen,
• ‘targeting systeem’ om te beslissen welke campagnes het beste passen bij welke klanten,
• ‘scheduler’ om de selecties van verschillende campagnes in de tijd te automatiseren,
• ‘channel management’ voor distributie en coördinatie van verschillende , multi-channel campagnes,
• ‘decision support’ om prioritieten te stellen aan het gebruik van score modellen en het gebruik van de verschillende distributie kanalen,
• ‘reporting’ om enerzijds vooraf de (financiële) consequenties van campagnes te bepalen en om anderzijds de campagnes te monitoren.

In een multi-channel situatie spelen vele aspecten een rol, waaronder:
• Directheid (b.v. mailings, huis-aan-huis inserts, coupons),
• Differentiatie (b.v. campagne A voor klant X en campagne B voor klant Z),
• Persoonlijk (b.v. franchise, tussenpersonen, call-centers, gepersonaliseerde internetpagina’s),
• Massaal (b.v. radio/tv-advertenties die specifieke doelgroepen aanspreken, nieuwsbladen),
• Electronisch (b.v. telefoon, voice-response, sms, internet, email),
• Interactief (b.v. internet, call-center).

Geschikte analyse technieken

De gebruikelijke analyse technieken worden bekeken aan de hand van de nieuwe eisen die vanuit CRM aan datamining techieken worden gesteld. Met datamining tools moet het o.a. mogelijk zijn om toekomstige trends en toekomstig klantgedrag te voorspellen. Waarbij het mogelijk moet zijn om pro-actieve en kennisgedreven beslissingen te ondersteunen. Een belangrijk en vaak veronachtzaamd criterium voor de keuze van de tools of technieken is de interpreteerbaarheid van de segmenten en het gemaakte model. Naast de kwaliteit van de voorspelling (b.v. het aantal keren dat de voorspelling ook daadwerkelijk uitkomt), moet duidelijk zijn wie voor welk aanbod geschikt is. En vooral de reden waarom iemand het aanbod krijgt. De meeste leveranciers van datamining tools geven aan de interpreteerbaarheid van hun oplossingen/technieken hoog in het vaandel te hebben.

De combinatie van verschillende meer traditionele statistische methoden en nieuw verkregen inzichten hebben tot een grote diversiteit aan datamining technieken en algoritmen geleid. Veelal staan datamining leveranciers in nauw contact met verschillende universitaire onderzoekscentra om snel nieuwe algoritmen in hun datamining oplossingen te integreren. In het verleden leidde dit op een gegeven moment tot steeds minder inzichtelijke methoden, omdat voortdurend op zoek ging naar de best voorspellende datamining technieken. Tegenwoordig is er het besef dat voor marketing toepassingen de interpreteerbaarheid van datamining uitkomsten zeer relevant is. Je wilt niet alleen weten welke campagnes het beste aansluiten bij welke klanten, maar je bent ook geïnteresseerd in de onderliggende redenen. Met name bij de meer marketing gerichte leveranciers is inmiddels de trend om een hoge prioriteit toe te kennen aan de interpreteerbaarheid bij een aanbieden van datamining toepassingen. Enkele technieken die door veel datamining tools ondersteund worden, zullen op basis van deze criteria worden beschreven.

Regressie analyse
Meest traditioneel zijn de regressie technieken. Het meest inzichtelijke is de multipele regressie waarbij een lineaire functie een schatting geeft van hetgeen je wilt voorspellen, bijvoorbeeld respons op een mailing. Daarnaast wordt ook wel logistische regressie gebruikt wanneer de te voorspellen variabele, zoals respons, slechts twee uitkomsten omvat (ja/nee). Logistische regressie is wat moeilijker interpreteerbaar, maar stelt minder hoge eisen aan de kwaliteit van de data.

Decision trees, decision lists of decision rules
Waarschijnlijk de techniek met de meest inzichtelijke resultaten. Bij beslissingstechnieken wordt niet zozeer een voorspelling gedaan, maar wordt de dataset in segmenten opgesplitst. Deze segmenten worden expliciet beschreven aan de hand van de kenmerken van de klant(groep). Elk segment heeft een bepaalde gemiddelde score, bijvoorbeeld gemiddeld respons. De vergelijking van de score tussen de segmenten resulteert in uitspraken over de meest kansrijke segmenten voor een bepaalde actie. Bij decision trees wordt het gehele analysebestand in segmenten opgesplitst. Bij decision rules worden de beste segmenten uit de dataset geïdentificeerd. Tussen de verschillende segmenten kan overlap ontstaan. Overlap is uitgesloten bij decision lists aangezien hier stapsgewijs naar het meest kansrijke segment wordt gezocht. Eenmaal een segment gevonden dan worden de klanten in dat segment uitgesloten bij de zoektocht naar het volgende meest kansrijke segment. Beslissingstechnieken spreken marketeers bijzonder aan, aangezien het resultaat een serie klantprofielen is met een bijbehorende score. Bijvoorbeeld, mannen onder 25 jaar met een lease auto hebben een schaderisico van, laten we zeggen, 45% op jaarbasis.

K-nearest neighbour
De K-nearest neighbour gaat uit van de gedachte dat klanten die op elkaar lijken hetzelfde gedrag vertonen. Wanneer je wilt voorspellen hoe iemand zich zal gaan gedragen, kijken we naar het K-aantal (b.v. 10) klanten dat het dichtst bij hem in de dataspace zitten, met andere woorden het meest dezelfde kenmerken bezitten. Naarmate meer van zijn buren bepaald gedrag vertonen, zal het waarschijnlijker zijn dat de klant in kwestie ook dat gedrag gaat vertonen.

Neurale netwerken
De verschillende varianten van neurale netwerken zijn geïnspireerd op het menselijk brein dat een onnoemelijk hoeveelheid neuronen bevat die allemaal tot elkaar in verbinding staan via synapsen. Het basisprincipe komt erop neer dat een neuraal netwerk eveneens neuronen (nodes) die alle mogelijke klantkenmerken weergeven (input nodes). Via een aantal tussenliggende lagen staan deze input nodes in verbinding met de output nodes (hetgeen je wilt voorspellen). De tussenliggende lagen bestaan uit een groot aantal lineaire functies waarbij input nodes via varierende gewichten de output nodes voorspellen. Gedurende het trainen worden de gewichten en de functies steeds aangepast en wordt het effect van het resultaat gemeten in termen van verschillen tussen voorspelde en werkelijk uitkomst. Het grote probleem bij neurale netwerken is dat het een ondoorzichtige black-box is, dat wel oplossingen verstrekt, maar niet de totstandkoming van de oplossing. Bovendien is het minder geschikt voor een dynamische omgeving omdat het netwerk hiervoor opnieuw getraind moet worden.

Genetische algoritmen
Genetische algoritmen zijn geïnspireerd door de evolutie theorie, waarbij oplossingen in verschillende stadia geoptimaliseerd worden. In eerste instantie worden een aantal ruwe oplossingen geboden. Het algoritme gaat verder met de beste oplossingen en maakt vervolgens combinaties van de verschillende oplossingen. Delen van de ene oplossing worden gebruikt in andere oplossingen en andersom. Dit proces herhaalt zich waarbij verschillende generaties oplossingen ontstaan totdat er uiteindelijk een bevredigde oplossing uitrolt. Het proces van voortborduren op eerdere oplossingen maakt het herleiden van het eindresultaat naar de oorspronkelijke klantkenmerken moeilijk. Hetgeen de interpreteerbaarheid van de uiteindelijke oplossing naar klantkenmerken uiteindelijk niet ten goede komt.

Association rule
Association rules zijn altijd gebaseerd op binaire kenmerken (ja/nee). Er wordt gezocht naar IF-THEN regels. Een uitkomst is bijvoorbeeld; als geslacht is ‘man’ en aankoop is ‘luiers’, dan 50% koopt eveneens bier. Zo kun je oneindig veel associaties maken, maar uiteraard ben je geïnteresseerd in de regels die een voldoende groot deel van het klantbestand identificeren en die een hoge uitkomst opleveren. Resultaten zijn makkelijk en eenduidig te interpreteren.

Conclusie

Datamining maakt een snelle ontwikkeling door. Echter, slechts weinig bedrijven weten deze mogelijkheden volledig te benutten. Bij een aantal bedrijven zijn marketing datawarehouses inmiddels operationeel, al dan niet na een lange lijdensweg. Nu is het stadium bereikt waarin de aandacht uitgaat naar de inrichting van het campagne management proces inclusief het effectieve gebruik van scoremodellen. Ondertussen gaat de ontwikkeling van datamining steeds verder. Een volledige integratie in het customer relationship management concept is inmiddels mogelijk. Meer directe kanalen, meer interactiviteit en meer initiatief van de klant. Denken bedrijven dat ze er zijn met een goed lopend campagne management systeem en een volwaardig datawarehouse, dan komen ze bedrogen uit. Want hoe kun je interactieve contactmomenten commercieel uitbuiten wanneer klanten zelf contact zoeken? Wanneer klanten een call-center bellen, zijn zij bereid tot interactie. Wanneer klanten de internetsite bezoeken staan ze open voor informatie. Dit zijn bij uitstek de momenten om de relatie met de klant te verstevigen.

Veel bedrijven zijn nu in staat om gedifferentieerde outbound marketing activiteiten te ontplooien. De toekomst ligt in de inbound contactmomenten. Inbound contactmomenten komen bij uitstek tot stand via call-centers, via email en via internet. Call-center agents moeten derhalve uitgerust worden met informatie om deze moment optimaal te benutten. De uitdaging hierbij ligt in de snelheid waarmee de informatie uit het gesprek wordt verwerkt in de score van de klant (en de aanbieding die deze klant krijgt). Bij internet ligt de uitdaging meer in de grote hoeveelheid gedragsinformatie afkomstig van het internet bezoek. Wat doen individuele klanten op de site en in hoeverre zijn wij in staat dat te beïnvloeden en commercieel uit te buiten?

De uitdaging voor de toekomst ligt initieel op een betere differentiatie van klanten op basis van de huidige kennis van klanten en op de ontwikkeling van meer gedifferentieerde klantconcepten. Daarnaast komt weer nieuwe informatie vrij over interactieve contactmomenten met klanten. Deze informatie overstijgt, wat volume betreft, waarschijnlijk zeer snel de huidige informatie over onze klanten. Het intelligent omgaan met deze nieuwe vloedgolf aan klantinformatie in het contact met klanten zal een hot issue worden. Welke informatie is relevant? Welke informatie is vervolgens af te leiden? En hoe kan die informatie worden gebruikt om de interactie met klanten te faciliteren om zodoende de customer relationship optimaal te managen.

Gert Haanstra, Mnet, media voor electronisch ondernemen, ten Hagen & Stam, Den Haag, Nr. 11, 2000

Printversie: Webmining

De druk om via internet sites daadwerkelijk omzet te genereren neemt toe. Duidelijk is dat een aantal grote sites hun investeringen willen terug verdienen met behulp van bewezen technieken uit de meer traditionele economie. Bijvoorbeeld, zoals het verhogen van de bekendheid van de site met behulp van tv reclame, of het verhogen van de loyaliteit van de gebruiker met behulp van Customer Relationship Management (CRM). Data mining is ook zo’n bewezen techniek. Mits voldaan aan een aantal belangrijke voorwaarden, geeft het bedrijven met internetsites de mogelijkheid om op een effectieve manier geld te verdienen met de informatie over bestaande klanten.

Succes met web mining
Wat is web mining? Web mining is data mining specifiek op web gegevens. Hierbij gaat het om het benutten van de klantinformatie in de database. De klantgegevens worden geanalyseerd, om vervolgens te worden ingezet bij een volgende actie. Het analyseren gebeurt met allerlei technieken. Vaak is het resultaat een overzicht van bijvoorbeel wie de producten recentelijk heeft gekocht. Een stap verder is het maken van een scoremodel waarbij een voorspelling wordt gedaan over wie een grote(re) kans heeft om het product een volgende keer te kopen.

Verkoop genereer je door de klant die de site bezoekt, een aanbieding te doen. Cruciaal is het doen van een juiste aanbieding, dat wil zeggen een aanbieding ‘waar de bezoeker op zit te wachten’. Daarvoor moet op moment dat een klant de site bezoekt, in de database worden gekeken of er wel een aanbod voor deze klant is. En zoja, wel aanbod interessant is voor deze klant. Op de achtergrond wordt, specifiek voor deze klant, allerlei scoremodellen uitgerekend (=’real time scoring’). Vervolgens wordt het meest kansrijke aanbod geselecteerd en klaargezet om te worden gepresenteerd in een pagina van de site. Waarna het aanbod kan worden verwerkt in een banner, grafiek, pagina, etc. Dit alles gebeurt op het moment dat de klant aanwezig is op de site.

Web mining is succesvol als er, enerzijds, juist wordt voorspeld. Anderzijds als het opgeleverde model ook daadwerkelijk vaak wordt gebruikt. Met name het laatste wordt vaak vergeten en/of verkeerd begrepen. Bedrijven vergeten vaak dat de uitkomst van het model moet leiden tot een concrete actie richting de klant. Dit kan een specifieke pagina zijn die moet worden gepresenteerd op het moment dat de klant de site bezoekt, maar ook een suggestie naar de call center agent om een bepaald product te sprake te brengen. Om een duidelijke richting te kunnen geven aan de vervolg actie, moet het de eindgebruiker (bijvoorbeeld marketeer of call center agent) duidelijk ‘wat er moet gebeuren’ en ‘waarom dit beter is dan de huidige manier van werken’. Pas als hij hiervan overtuigd is, zal de eindgebruiker bereid zijn om te doen wat het model van hem vraagt, nl. de klant een specifiek product verkopen. Het spreekt voor zich dat deze manier van werken hoge eisen stelt aan hoe het model moet worden opgebouwd, en wat er met het resultaat moet worden gedaan.

Wat is er nodig voor web mining?
Zonder een database en een analysetool zal er weinig resultaat worden behaald. De database met klantgegevens is nodig om te achterhalen welke de kenmerken zijn van de mensen die het product kopen. Belangrijk verschil met traditionele data mining is dat er bij web mining sprake is van relatief weinig klanten, die regelmatig terugkomen naar de site. Ofwel, een kleine database met vaak dezelfde soort gegevens. Waarbij in een ideale situatie de internet database wordt gekoppeld aan reeds bestaande databases waarin meer gegevens zitten die over een langere periode zijn vast gehouden. Het beeld van de klant wordt hiermee vollediger, en de gevonden klantgroepen diverser.

Welke gegevens zijn (mogelijk) interessant voor een voorspelling: Welke pagina’s zijn er bezocht, welke functies zijn aangeroepen, welke links werden er gebruikt, op welke banners is er geklikt? Of, hoe ziet het browse patroon eruit en wat is zijn click gedrag? Hoe vaak is de site bezocht, wanneer, hoelang, wanneer kwam men binnen en ging men weer weg? Naast gedragingen kunnen voorkeuren worden vastgelegd. Met het gebruik van dynamische pagina’s is het zelfs mogelijk om ontbrekende gegevens die nodig zijn voor een goede voorspelling, aan de bezoeker zelf te vragen tijdens het bezoek. Bijvoorbeeld, voor het wel/niet aanbieden van een interessante vakantiereis, kan men vragen of men binnen een maand op vakantie wil gaan?

De web mining technieken zijn te verdelen in de meer generieke technieken (bijvoorbeeld affinity, induction, collaborative filtering), en de pure one-to-one technieken (bijvoorbeeld decision lists, association rules). Belangrijkste verschil is dat de generieke technieken de te verkopen producten centraal stellen, en dat de one-to-one technieken uitgaan van de volledige klantrelatie (waaronder de mogelijkheid van cross selling). Daarnaast baseren de generieke technieken hun voorspellingen op een algemeen klantbeeld, en geschikt is voor anonieme bezoekers van een site. One-to-one technieken gaan echter uit van de combinatie van individuele kenmerken die horen bij de klanten die het product hebben gekocht. Voorwaarde is dat de klant geïdentificeerd wordt.

Duidelijk is dat het gebruik van web mining impliciet een keuze betekent tussen het verbeteren van de directe verkoop en het verdiepen van de klantrelatie voor het genereren van (toekomstige) verkoop. Het laatste vraagt om een meer persoonlijke benadering waarvoor een uitgebreid klantbeeld nodig is, die veelal afkomstig is uit diverse databases (met historische gegevens). Bovendien zijn hiervoor andere technieken nodig om de gegevens te kunnen analyseren.

Noodzaak van een persoonlijke aanbieding
Hoe persoonlijker de aanbieding richting de klant, hoe effectiever de beïnvloeding. Zeker voor het web geldt dat er weinig gelegenheid is om de klant te sturen. Immers, er is veel afleiding en er zijn voldoende alternatieven. Een bezoeker zal in korte tijd oppervlakkig waarnemen of de pagina interessant is om te bekijken en verder te lezen. Vervolgens zal hij weinig moeite willen doen om de informatie volledig te begrijpen. Het betekent voortdurend een gevecht om de aandacht van de bezoeker vast te houden. Door de aanbieding persoonlijker te maken, lukt het om aandacht van de bezoeker langer vast te houden, en hem in een bepaalde richting te sturen.

Voor het gebruik van web mining betekent dit een vergaande differentiatie in het doen van een voorspelling. Op individueel niveau moet een suggestie worden gedaan over welk product aan te bieden. Daarnaast moet duidelijk zijn in welke woorden de suggestie wordt ‘verpakt’ en die de bezoeker prettig vindt. Verder zal de inhoud van de boodschap gebaseerd zijn op het model waarin wordt verwezen naar het gedrag en/of de interesses van de bezoeker. En verder wordt het bij voorkeur gepresenteerd in een lay-out die de bezoeker bevalt. Overigens, zonder de indruk te wekken dat de schrijver onbetrouwbaar is en/of niet geloofwaardig is.

Een persoonlijke benadering houdt ook in dat de klant kan kiezen met welk distributiekanaal hij zaken wil doen. Het is mogelijk dat de klant via het web nog te weinig uitleg kan krijgen op zijn vragen, of onvoldoende mogelijkheden heeft om zijn persoonlijke voorkeuren duidelijk te maken. In dat geval zou hij moeten kunnen ‘uitwijken’ naar bijvoorbeeld een call center. Veel grote dotcom bedrijven hebben naast hun sites ook een uitgebreid call center om hun klanten deze mogelijkheid te geven.

Het gevaar van deze ‘multi-channel aanpak’ is dat de boodschap richting de klant onnauwkeurig wordt en niet meer consistent is. In korte tijd worden verschillende aanbiedingen gedaan (bijvoorbeeld via een web pagina en later via de call center agent) die elkaar niet mogen tegenspreken. In tegendeel, ze zouden moeten voortborduren op de informatie die een klant in een eerder stadium heeft gegeven. Voor het gebruik van web mining betekent dit dat de voorspelling gebruik maakt van de klanthistorie opgedaan in een eerder, recent klantcontact. Daarnaast zou het flexibel moet zijn om direct feedback te geven op de belangrijkste bezwaren van de klant, zodat de kans op succes daadwerkelijk wordt verhoogd.

Conclusie
Tot slot, web mining is geschikt voor het signaleren en benutten van inbound klantcontacten via het web. Met behulp van analyses worden modellen gemaakt die kunnen worden gebruikt om de klant een specifiek aanbod te doen. Het suggereert ingewikkeldheid. Prettig, omdat het interesse oproept en respect afdwingt. Maar het succes van web mining wordt voor een belangrijk deel bepaald door hoe de modellen worden ingezet. Impliciet betekent het een keuze tussen het verhogen van de directe verkoop of het verbeteren van de klantrelatie voor het verkrijgen van (toekomstige) verkoop. In het laatste geval, staat de klant centraal en is er de noodzaak van real time scoring over meerdere distributiekanalen. De klant wordt op intelligente manier, persoonlijk aangesproken, rekening houdend met zijn persoonlijke voorkeuren en individuele historie. Vandaar dat personalized web mining waardevolle kansen biedt en zeer winstgevend is gebleken.

Gert Haanstra en Marcel Holsheimer, KM, Vakblad voor Kennismanagement, F&G Publishing, Amersfoort, Nr. 7/8, 2000, blz 23 t/m 25

Printversie: Klantkennis vanuit KM

Bedrijven worden geconfronteerd met een groeiende hoeveelheid mogelijkheden om kennis over de individuele klant te benutten. De druk om met deze kennis concreet commerciële resultaten te behalen stijgt. Geen wonder dat deze bedrijven zoeken naar manieren om effectief en efficiënt gebruik te maken van de beschikbare klantkennis en hiermee een blijvend concurrentievoordeel te behalen. De combinatie ‘data mining’ en ‘multichannel personalisatie’ lijkt hiervoor zeer geschikt.

Via data mining kunnen die klantcontacten worden gesignaleerd, die een goede kans bieden een (extra) product te verkopen. Multichannel personalisatie zorgt er vervolgens voor dat de gegevens over die veelbelovende klanten op de juiste plaats, op het juiste moment, in de juiste vorm en kwaliteit beschikbaar en toegankelijk zijn. Vanuit het perspectief van kennismanagement (KM) moet een aantal vragen worden beantwoord om van de combinatie data mining en multichannel personalisatie daadwerkelijk een commercieel succes te maken:
• Wat is ervoor nodig om de klantkennis te ontwikkelen op een manier dat deze directe toegevoegde waarde heeft voor de onderneming?
• Wat moet een bedrijf doen om klantkennis toe te passen en te verspreiden?
• Wat verandert er in de diverse bedrijfsprocessen, in de organisatie, en in de ICT-systemen en infrastructuur als men klantkennis commercieel wil benutten?

KM belangrijker door opkomst interactie

De opkomst van interactieve distributiekanalen als call center, internet, SMS en WAP, geeft bedrijven steeds meer mogelijkheden hun kennis over hun klanten te benutten om hun service te verbeteren. Deze nieuwe kanalen zijn inmiddels door veel klanten omarmd. Dat blijkt bijvoorbeeld uit de sterke groei in de afgelopen jaren van het aantal inbound contacten (inbound: het contact wordt door de klant gelegd) via deze kanalen. Hiermee lijkt een aloude klantwens te worden vervuld om anywhere en anytime in contact te komen met een bedrijf.

Interactieve kanalen zijn niet alleen in opkomst, ze worden ook steeds relevanter voor het zakendoen. De aandacht van de klant wordt steeds schaarser, dus wordt het steeds belangrijker om interactiemogelijkheden die vanuit de klant worden geïnitieerd te benutten. We zien bijvoorbeeld de effectiviteit van het ‘oude’ campaign marketing (outbound, dus vanuit het bedrijf) al een aantal jaren dalen. Eigen initiatieven van een marketeer om met klanten in contact te komen – zoals het uitsturen van een mailing of ongevraagd bellen – halen steeds minder omzet binnen. Het relatief belang van inbound klantcontacten neemt dus toe. Maar dat houdt ook in dat op het moment dat de klant contact zoekt met een bedrijf, het bedrijf er klaar voor moet zijn: het moet alle gegevens bij de hand hebben, moet snel relevante informatie kunnen vinden en moet ook direct kunnen reageren op aanvullende informatie die tijdens het klantcontact bekend wordt. Dan kan het bedrijf niet alleen reactie geven op de vraag van een klant, maar die klant ook proactief een aanbod doen en op die manier niet alleen de omzet maar ook het serviceniveau naar de klant verhogen.

Goed management van klantkennis is een van de basisvoorwaarden om dit te realiseren. Daarbij verstaan we onder kennismanagement: de manier waarop de juiste kennis op de juiste plaats, op het juiste moment, in de juiste vorm en kwaliteit aanwezig is.

Commerciële waarde klantkennis

De eerste vraag die aan het begin van dit artikel werd genoemd is: Wat is ervoor nodig om klantkennis te ontwikkelen op zodanige wijze dat die kennis directe toegevoegde waarde heeft voor de onderneming?
Maar wanneer heeft klantkennis eigenlijk voldoende commerciële, dus toegevoegde waarde? Dat hangt af van de mate waarin de informatie:
• volledig is: omdat er anders misschien cruciale informatie mist;
• consistent is: omdat de klant anders zal gaan twijfelen over de juistheid van de informatie of zich kan gaan storen aan het feit dat er geen rekening wordt gehouden met de inhoud van eerdere gesprekken;
• persoonlijk is: omdat klanten zich anders minder aangesproken voelen en er dus minder aandacht aan wordt besteed;
• afgestemd is op het moment waarop de klant ontvankelijk is: een verkeerd moment betekent dat de klant niet ontvankelijk is voor de propositie;
• aanwezig is op plaatsen waar het klantcontact plaatsvindt: als de klantinformatie ontbreekt, kan er ook geen gebruik van worden gemaakt.

Klantkennis ontwikkelen: data mining

Het probleem is bekend. Er worden ontzettend veel – en steeds meer – klantgegevens op allerlei manieren opgeslagen. Gelijktijdig geldt dat naarmate meer klanten worden binnengehaald, het beeld dat we van al onze klanten hebben steeds waziger wordt. Het beeld wordt pas duidelijker als de veelheid van gegevens wordt omgevormd tot informatie: kennis.

Vaak liggen klantgegevens opgesloten in diverse databases en even vaak worden die gegevens niet gebruikt omdat op het moment van beslissen/verkopen de gegevens niet rechtstreeks toegankelijk zijn en er specialistische vaardigheden en instrumenten nodig zijn om de ruwe data om te zetten naar kennis over de klant.

Data mining zoekt (delft) in grote hoeveelheden (klant)data en zet deze data met behulp van berekeningen en toevoeging van marketingkennis om in klantkennis, onder andere via scoremodellen. De scoremodellen voorspellen wie, wanneer, en via welk distributiekanaal positief zal reageren op een bepaald aanbod. Dit is een toegevoegde waarde die zelfs een ervaren marketeer nooit kan leveren zonder gebruik te maken van statistiek/data mining. Vervolgens worden de modellen ingezet om een beter begrip te krijgen van het klantgedrag. Op basis van deze informatie kunnen weloverwogen beslissingen worden genomen over bijvoorbeeld het wel/niet verkopen van een bepaald product (aan een bepaalde klant).
Met behulp van data mining wordt dus nieuwe kennis gecreëerd van bijvoorbeeld het verkopen van meer producten. Data miningtechnieken hebben optimaal resultaat als de klantgegevens zijn vergaard uit allerlei distributiekanalen en de kennis van marketinganalisten wordt benut bij het omzetten van de klantdata in scoremodellen. Zo maakt data mining bergen data toegankelijk voor een grote groep eindgebruikers (zoals marketeers, call center agents en adviseurs).

Klantkennis verspreiden: multichannel personalisatie

De tweede vraag aan het begin van dit artikel was: Wat moet een bedrijf doen om deze kennis toe te passen en te verspreiden? Het verspreiden van klantkennis is immers nodig om het bedrijf als geheel te laten profiteren van de ontwikkelde klantkennis (vastgelegd in scoremodellen). Bij de verspreiding van klantkennis moet rekening worden gehouden met alle verschillende manieren en momenten waarop veel medewerkers interacteren met de(zelfde) klant waarbij klantinformatie nodig is.

De volgende vragen zijn daarbij vanuit KM-perspectief relevant:

Welke klantkennis willen we verspreiden?
Los van de kwaliteit en de vorm van de klantinformatie gaat het hierbij over kennis van:
• De situatie van de klant. Bijvoorbeeld een overzicht van de verschillende gedragingen (informatiezoekgedrag, koopgedrag, betaalgedrag. . .) of de waargenomen veranderingen in het gedrag (recente contacten, gebruiksfrequentie, etc.).
• Het product dat het beste kan worden aangeboden, aangevuld met informatie over de manier waarop men dit het beste kan doen, en de onderliggende reden waarom dit product het meest geschikt is.
• De eigen organisatie. Bijvoorbeeld algemene bedrijfsafspraken over welke klanten wel of niet te benaderen en hoe vaak men klanten mag benaderen in een bepaalde periode.

Hoe verankeren we de klantkennis in het bedrijf?
In ideale situaties maakt de eindgebruiker bij elke beslissing (over een aanbod aan de klant) gebruik van de aangeboden klantkennis (haalplicht). Dit kan worden bevorderd door de eindgebruiker te belonen voor het gebruiken van de kennis (bijvoorbeeld een incentive op het behaalde resultaat). Een andere vorm van belonen is door een goede en snelle terugkoppeling van de behaalde resultaten de medewerker laten zien dat gebruikmaken van de geboden informatie resultaat heeft. De medewerker krijgt niet alleen toegang tot de informatie, maar heeft ook de plicht deze aan te vullen met zijn ervaringen (brengplicht). Dan kan de nieuw opgedane kennis worden gebruikt om scoremodellen en persoonlijke marketingprogramma’s naar de klant te verbeteren. Pas als er zowel een haalplicht als een brengplicht is, kan worden gesproken van een verankerd gebruik van klantkennis.

Welke structuur is nodig om kennis te verspreiden?
Voor de daadwerkelijke verspreiding is een centraal punt nodig van waaruit de klantkennis wordt verzameld, verstuurd en de informatie direct toegankelijk is. Wij noemen dit multi-touchpoint personalisatie. De voordelen ervan zijn:
• Dat alle klantervaringen worden samengebracht en er een eenduidig overzicht is van alle activiteiten ten behoeve van de klant (volledigheid);
• Dat men voor elke volgende interactie met de klant op de hoogte is van wat er daarvóór met de klant is gebeurd (consistentie);
• Dat bij voorkeur alle distributiekanalen direct in verbinding staan met het centrale punt. Dan kan bijvoorbeeld met behulp van routing sturing worden gegeven aan het palet van communicatiemogelijkheden als telefoon, e-mail, fax, e-mail en brief (op de juiste plaats);
• Dat informatie snel verspreid kan worden. Dit is het tijdig signaleren van kansen en het proactief voorbereiden op de interactie met de klant. Het exacte moment van het klantcontact laat zich niet bepalen. Multi-touchpoint personalisatie maakt het voor een bedrijf mogelijk zich zodanig voor te bereiden dat het op basis van de klantinformatie meer het initiatief naar zich toe trekt op het moment dat de klant belt of de webpagina bezoekt (getimed en persoonlijk).

Samengevat zorgt multi-touchpoint personalisatie er dus voor dat aan alle voorwaarden die onder het kopje commerciële waarde klantkennis werden genoemd, wordt voldaan. Dat klantkennis dus werkelijk die toegevoegde waarde krijgt voor een bedrijf.

Noodzakelijke veranderingen voor kennisgebruik

De derde vraag die we aan het begin van dit artikel stelden, was: Wat verandert er in de diverse bedrijfsprocessen, in de organisatie, en in de ICT-systemen en infrastructuur als men klantkennis commercieel wil inzetten? Om klantkennis commercieel in te kunnen zetten, zijn veranderingen nodig in de organisatie, in het marketing- en verkoopproces en in de ICT-systemen.

Veranderingen in de organisatie
Als een bedrijf data mining en multi-touchpoint personalisatie wil gebruiken om klantkennis commercieel in te zetten, hoe moet dat bedrijf zijn organisatie dan inrichten? Wie gaan met het systeem werken? Wat betekent dat voor de werkzaamheden van gebruikers?

Een verandering voor de organisatie is bijvoorbeeld dat medewerkers zelf verantwoordelijk worden voor het gebruik van klantinformatie en het aanleveren van nieuwe informatie. Zij moeten dan ook beslissingsbevoegdheid en de vrijheid krijgen over hoe zij omgaan met de klantinformatie. De verantwoordelijkheid voor het aansturen van de distributiekanalen wordt centraal neergelegd, bijvoorbeeld bij de marketingafdeling.

De nieuwe manier van werken zal ook aan een aantal functies een andere inhoud geven. Zo gaat een call center agent ook verkopen, verandert de werkwijze van de analist en krijgen marketingmanagers en marketeers een andere drive in hun werkzaamheden.

Klantinformatie voedt de organisatie doorlopend met kansen die zullen leiden tot actie. Het systeem wordt dus onderdeel van de dagelijkse werkzaamheden van werknemers. Het proces van creatief en vaak vrijblijvend klantinformatie gebruiken in acties naar de klant verandert in een productieproces.

Veranderingen in het marketing- en verkoopproces
Hoe gaat het marketing- en verkoopproces eruit zien? Hoe moet een bedrijf omgaan met zijn klantcontacten om optimaal gebruik te maken van de verkoopkansen? Het gebruik van multi-touchpoint personalisatie en data mining verandert de focus van een organisatie. Op het moment dat klantkennis het uitgangspunt is voor commerciële klantactiviteiten, verandert ook de focus van het marketing- en verkoopproces. Was er voorheen een productfocus, dan moet deze nu dus veranderen naar een klantfocus. De doelstellingen zullen dan ook niet meer op productniveau liggen maar op klantniveau.

Omdat multi-touchpoint personalisatie realtime informatie over verkoopkansen verschaft, heeft dit ook invloed op het marketing- en verkoopproces. Om die verkoopkansen te kunnen benutten, moeten immers snel beslissingen worden genomen over óf en hóe een organisatie die kansen gaat benutten. Er moet dus van tevoren worden nagedacht over hoe de klanten worden benaderd als zich bepaalde kansen voordoen.

Veranderingen in de systemen
Op welke manier kunnen data mining en multi-touchpoint personalisatie in de bestaande infrastructuur worden geïntegreerd? Aan welke technische randvoorwaarden moet zijn voldaan?

Om datamining en multi-touchpoint personalisatie te kunnen gebruiken zal software moeten worden aangeschaft. In de ideale situatie kan deze snel en makkelijk worden geïntegreerd in de bestaande ICT-infrastructuur. Ook alle front-end applicaties die een organisatie gebruikt om in contact te komen met haar klanten zullen worden aangesloten op de eerdergenoemde centrale applicatie. Dit geldt voor call centers, contact managers, sales force-applicaties, direct mailapplicaties et cetera. De integratie gaat nog verder: ook alle bestaande gegevensbestanden worden opengesteld voor en aangesloten op de centrale applicatie.

Conclusie

Hoe zet ik klantkennis in voor het verbeteren van mijn commerciële resultaten? Gebleken is dat het bij het commercieel inzetten van klantkennis voornamelijk draait om het tijdig signaleren en benutten van de interessante klantcontacten. De eisen die vanuit kennismanagement hieraan worden gesteld, worden met de combinatie van data mining en multi-touchpoint personalisatie goed ingevuld. Immers, belangrijke voordelen van deze aanpak zijn dat de klantinformatie een hoge (voorspellende) kwaliteit heeft (die consistent is over locaties, distributiekanalen en tijd), er een perfecte timing is in de presentatie (dat wil zeggen op het moment dat de kans zich voordoet), alle locaties bereikt kunnen worden waar medewerkers in contact komen met de klant, inclusief de interactieve kanalen. Daarmee biedt de oplossing goede mogelijkheden om het gehele bedrijf en zijn klanten te laten profiteren door de juiste klantkennis op de juiste plaats, op het juiste moment, in de juiste vorm en kwaliteit te verspreiden.

Gert Haanstra en Reinier Schut, Call Center Magazine, F&G Publishing, Amersfoort, Nr. 5, 2001

Printversie: Analytische CRM, sturen op winstgevendheid individuele klant

Hoe kun je als organisatie de loyaliteit bij klanten versterken en zo concreet bijdragen aan de winstgevendheid van de relatie? Analytische CRM, of kortweg aCRM, richt zich op het personaliseren van de klantcontacten rekening houdend met de winstgevendheid van die individuele klant. De focus in dit artikel wordt gelegd op het operationeel maken van het aCRM proces: het bouwen – en multichannel (via meerdere kanalen) toepassen in elk contact – van verfijnde klantprofielen, die zijn gebaseerd op de voorspellende kracht van individuele klantdata.

De opkomst van (analytische) Customer Relationship Management

Customer Relationship Management is populair. De technologie is sterk in ontwikkeling en er is veel aandacht in de media. Bedrijven, met de financiële instellingen voorop, investeren veel in CRM-trajecten. Vaak worden er gouden bergen beloofd. Logisch ook, in theorie levert het ontwikkelen van een goede relatie met de individuele klant immers veel geld op. Het lijkt profijtelijker om de relatie met de bestaande klanten te onderhouden en verder uit te bouwen, dan veel geld te steken in het voortdurend binnenhalen van nieuwe klanten. Echter, de vraag blijft of dit in de praktijk ook kan worden waargemaakt. In deze bijdrage presenteren we dat deel van CRM dat zich specifiek richt op het waarmaken van deze financiële belofte:; analytische CRM, of kortweg aCRM. In tegenstelling tot operationele CRM (oCRM) dat bedrijven in staat stelt om meer (van hetzelfde) te doen met minder resources, zorgt aCRM ervoor dat bedrijven hun marketing activiteiten beter uitvoeren. We kijken naar wat aCRM nu eigenlijk is, hoe je het inzet en welke opbrengsten je ervan mag verwachten.

De beweging naar multichannel marketing
Bedrijven zijn bezig hun service- en transactieprocessen verregaand te automatiseren. Hiervoor worden vaak operationele CRM-pakketten gekocht. Daarnaast willen bedrijven de klant beter tegemoet komen via een uitbreiding met nieuwe directe distributiekanalen, zoals callcenter, internet en mobile services. Hiervoor zet men collaborative CRM software in. CCRM software wordt ingezet om de verschillende kanalen en de diverse databases met elkaar te verbinden. Het zorgt ervoor dat informatie van de front office (=call center, web, etc.) snel en eenvoudig wordt doorgegeven aan de back office (=billing proces, transactie verwerking, etc. ), en vice versa. Ofwel, dat verschillende disciplines binnen een bedrijf makkelijker met elkaar kunnen communiceren via de verschillende systemen. De vraag die dan opkomt is: hoe kan ik mijn klant ongeacht het kanaal waarin het contact plaatsvindt optimaal bedienen met het juiste aanbod, het juiste kanaal en op het juiste moment? Oftewel: multichannel marketing met behulp van aCRM.

Als de (marketing)activiteiten over de verschillende kanalen niet goed zijn geïntegreerd zijn de gevolgen hiervan direct merkbaar. Een voorbeeld uit de financiële dienstverlening: de klant die het callcenter belt en de volgende dag zijn adviseur op kantoor bezoekt merkt met ‘meerdere instellingen’ zaken te doen: de adviseur weet niet de laatste stand van zaken zoals besproken met de callcenter agent. Deze versnippering komt pijnlijk in beeld op het moment dat besloten wordt om de nieuwe advies- en verkoopdiensten in het callcenter en op internet toe te voegen en samen te laten werken met de al bestaande diensten in het kantoor. Er is geen integraal klantbeeld over alle kanalen heen. Bovendien heeft elk kanaal zijn eigen set service-, verkoop- en adviestoepassingen en maakt daarbij (deels) gebruik van eigen klantdata. Vele toepassingen, die bij de klant tot irritatie kunnen leiden en die aan beheer- en onderhoudskosten bij de financiële instelling elk jaar tot kostenstijging leidt.

De versnippering van de kanalen staat een commercieel slagvaardige aanpak in de weg. De oplossing hiervoor ligt in aCRM. ACRM-software biedt de mogelijkheid om de verschillende kanalen op een consistente wijze te integreren met de bestaande back-end systemen. De kern van deze pakketten ligt in het inrichten – en onderhouden – van een actueel en uniform klantbeeld. Alle kanalen kunnen hiervan gebruik maken in elk contact met de klant. Om deze kern heen kan functionaliteit voor service-, marketing- en verkoopprocessen worden ontwikkeld en via het callcenter, kantoor of internet in het klantcontact aan de orde komen.

Aangezien de CRM-inspanningen worden gedreven door meer uit bestaande klanten te halen, is het niet verwonderlijk dat vele bedrijven bezig zijn met implementeren van een aCRM-pakket. Het uniforme klantbeeld vormt zowel voor de klant als voor de betreffende medewerker de basis voor de relatie en het startpunt voor het uitbouwen van de dienstverlening. De klant wordt ‘herkend’ en ‘erkend’, ongeacht het kanaal waar het contact is gelegd. Het uniforme klantbeeld is echter niet voldoende om daadwerkelijk ‘meer te doen met de bestaande klanten’.

De switch van outbound naar inbound

Als gevolg van toenemend direct contact met de klant – en tevens de irritatie van overvoering in telemarketing – is een verschuiving gaande van traditionele marketing acties voor grote doelgroepen naar het benutten van alle contacten met die ene klant. De toenemende directe, inkomende contacten in het callcenter en op internet worden benut voor zowel service als verkoop. In deze nieuwe oriëntatie verschuiven de marketing acties naar het regisseren en personaliseren van het contact. Elk contact geeft de gelegenheid om een propositie op maat te doen, die concreet bijdraagt aan de relatie met die individuele klant. Het klinkt goed, vraag is wel: hoe werkt dit nu precies?

ACRM software richt zich, in tegenstelling tot de algemene CRM software, specifiek op de vraag hoe kennis van klanten operationeel kan worden benut om ook elk contact te personaliseren en commercieel te benutten. Het is daarmee een operationalisatie van het slim inzetten van multichannel marketing: welke propositie aan welke klant in welk contact? De software is hierbij uiteraard een ondersteuning van het in te richten proces en de rollen in de organisatie.

Hoe sturing op winstgevendheid van de klant operationeel te maken
Hoe lost aCRM de uiteindelijke financiële belofte in? Door elk individueel klantcontact te beoordelen en de meest interessante contacten met de klant te benutten om de loyaliteit te versterken en de winstgevendheid te vergroten. Dat laat zich het beste verduidelijken aan de hand van het in te richten aCRM proces.

Marketingvraagstukken als acquisitie, het verbeteren van loyaliteit (cross- en upselling) en acties om de retentie te verbeteren zijn met aCRM gebaseerd op al bestaande kennis van de klant, opgeslagen in de data. In onderstaande figuur 1 wordt in drie stappen geïllustreerd en per stap toegelicht hoe deze kennis operationeel wordt vertaald naar proposities op maat.

Het aCRM proces bestaat uit drie stappen. Stap 1 vertaalt de individuele klantdata naar klantprofielen op basis van datamining technieken. Stap 2 maakt van deze klantprofielen proposities door scoring. Dit betekent dat outbound een groep klanten al kan zijn gescoord en deze de propositie bijvoorbeeld via (e)mail krijgen. Een andere groep, die bijvoorbeeld veel contact heeft via callcenter of internet, wordt online ‘gescoord’ op het moment dat het contact er is. Het voordeel is dat het actuele klantbeeld wordt benut om de regels van het klantprofiel te beoordelen. Op deze wijze wordt ook een actuele en juiste propositie aangeboden. In stap 3 wordt de commerciële actie geëvalueerd. Dit kan zowel leiden tot bijstellingen in het klantcontactproces en in de opleiding van medewerkers als tot een bijstelling van het model op basis waarvan de proposities werden gegenereerd. Daarmee is de loep gesloten en begint stap 1 opnieuw.

Stap 1: Het analyseren van data om te komen tot verfijnde klantprofielen
De data zijn een reflectie van het gedrag van de klant. Op basis van deze data kunnen er met behulp van datamining technieken klantprofielen worden gegenereerd. De profielen beschrijven nauwkeurig een kleine groep met een verhoogde kans om te reageren op bijvoorbeeld een retentie of cross-sell actie.

Geodemografische data blijken steeds minder voorspellend te zijn. Productbezit, productgebruik en frequentie en aard van de contacten zijn dat daarentegen steeds meer. In het algemeen wordt aCRM interessant als de klant bekend is (en geïdentificeerd kan worden) en er data over hem aanwezig zijn. Bij voorkeur grote hoeveelheden data (> 50.000 klanten). In zo’n situatie laten gebruikelijke analyse methoden het veelal afweten, en wordt het zinvol om met datamining technieken aan de slag te gaan. Het beschikken over deze data (afkomstig uit verschillende bronnen), het vervolgens opschonen en verrijken en tot slot met datamining technieken zoeken naar verbanden levert verrassende nieuwe inzichten op.

Een goed voorbeeld zijn de resultaten van een responsanalyse bij een bank. Hieruit bleek dat de meeste klanten positief reageerden nadat ze ongeveer zes, zeven keer waren benaderd. Er bleek duidelijk sprake van een optimum. Minder aanbiedingen leverden minder resultaat op. Ook meer aanbiedingen hadden een aflopend effect. Hoewel er een enkele uitschieter was die na 22 keer te zijn benaderd alsnog op de aanbieding inging.

Bij de vraagstelling “wat is voor deze klant de beste propositie?” kunnen meerdere proposities worden gegenereerd. De vraag is wat de beste propositie is en of deze mag worden aangeboden. Dit wordt mede bepaald door de prioriteit die het bedrijf stelt aan een bedrijfsdoelstelling (bijvoorbeeld retentie gaat voor cross-selling) en de voorkeuren die de klant zelf heeft. Bijvoorbeeld, het kan zijn dat de klant heeft aangegeven niet benaderd te willen worden voor een bepaald product. Prioriteit in de propositie wordt ook bepaald door de ‘bedrijfsregels’. Een bedrijf kan er bijvoorbeeld bewust voor kiezen om het aantal proposities in een periode te beperken, om te voorkomen dat de klant geïrriteeerd raakt.

De klantprofielen zijn een operationele vertaalslag van een groot aantal data naar commerciële resultaten. Ze hebben grote voorspellende waarde, ze zijn makkelijk interpreteerbaar en direct in te zetten. Daarmee bieden ze de voor de verantwoordelijke klantgroep marketeers een goed middel om makkelijker hun targets te halen.

Stap 2: ‘Scoring’ van de klant in contacten in de vorm van proposities
Voor uitgaande contacten, denk bijvoorbeeld aan een mailcampagne, kan planmatig het profiel ‘gescoord’ worden tegen het klantenbestand. Het resultaat is een nauwkeurige selectie van klanten voor die campagne. Voor een ‘inkomend’ contact, bijvoorbeeld in een callcenter, wordt er ‘gescoord’ op het contactmoment met de klant. Immers het klantgedrag is dynamisch. Om irritatie te voorkomen wordt de score bepaald op basis van een actueel klantbeeld. Bovendien kan de klant in het gesprek zaken aangeven, zoals de uitbreiding van zijn huishouden met een kind, die onmiddellijk aanleiding zijn om een nieuwe propositie, bijvoorbeeld een jeugdspaarplan, te genereren. Op deze wijze wordt de propositie op maat gegenereerd en aangeboden op een natuurlijk contactmoment. We noemen dit een klantgerichte propositie.

Een online scoring is één, de presentatie en de besturing op de werkplek van de agent is zeker zo belangrijk. Uitgaande van een klantgerichte propositie is het belangrijk voor de callcenter agent om ‘het stuur zelf in handen te hebben’. Snel inzicht in het bestaan van een propositie, het zelf kunnen bepalen hoe en wanneer ingezet, de motivatie voor de propositie en het gemakkelijk (lees: snel) kunnen afwikkelen bepalen het succes. Dit geldt ook voor de selfservice op de internet site. Het is belangrijk verstandig om te gaan met de wijze waarop – en de mate waarin – een propositie wordt getoond. Overvoering en bannering zijn in alle gevallen de dood in de pot. Belangrijk punt voor de analyse is de registratie van het resultaat van de aanbieding. Op basis van de resultaten kan het succes worden geëvalueerd en kan de analyse in een volgende fase worden verfijnd.

Stap 3: Het evalueren van de (multichannel marketing) acties
De resultaten van de commerciële actie zullen moeten worden bewaakt en geëvalueerd. Het monitoren houdt in dat bijvoorbeeld de conversie wordt bijgehouden en frequent vergeleken met de voorspelling. Een te grote afwijking kan leiden tot nader ondezoek en bijstelling. De evaluatie geeft aan of de actie heeft geleid tot het beoogde doel. Met deze evaluatie is de cirkel rond. De evaluatie geeft aan of het klantprofiel voor dit type door veranderend klantgedrag bijgesteld moet worden, dus opnieuw analyseren (stap 1).

Wat een actie op kan leveren wordt geïllustreerd in figuur 3 met een voorbeeld van het gericht mailen van kleinere groepen klanten en ook met een voorbeeld van het genereren van klantgerichte proposities om inkomende contacten op een callcenter commercieel te benutten.

Voorbeeld 1: Outbound mailing naar meest winstgevende klanten

Stel, per jaar verstuurt een bank voor een specifieke spaarverzekering 150.000 mailingen aan haar klanten. De gemiddelde conversie is 1,5%. Hierbij is de gemiddelde verwachte winst NLG 3.000 (over 10 jaar) per contract. In totaal worden 2.250 contracten verkocht. De totale winstbijdrage bedraagt NLG 6,8 miljoen gulden.

Door een model te maken waarmee de meest kansrijke en meest winstgevende klanten worden geselecteerd, zal de totale winstbijdrage stijgen. Bijvoorbeeld, bij een conversie van 2,5% op 100.000 mailingen, zullen 2.500 contracten worden verkocht. De winstverwachting ligt hoger, namelijk op NLG 3.500 gulden. De totale winstbijdrage is daarmee NLG 8,8 miljoen gulden. Een extra winst van NLG 2 miljoen gulden (over een periode van 10 jaar).

Voorbeeld 2: Inbound benutten van verkoopkansen in het callcenter

Stel, op het callcenter wordt online scoring gebruikt waarmee de meest kansrijke contacten worden gesignaleerd, en waarmee vervolgens de agent een duidelijke suggestie krijgt van welk product hij moet aanbieden. Dan geldt:
• 100.000 inbound contacten per maand.
• 5.000 contacten zijn potentieel interessant voor verkoop (=5%)
• 500 contracten gesloten (=10% van 5.000)
• NLG 3.500 gulden winstmarge (over 20 jaar)
• additionele winstbijdrage: NLG 1,8 mln per maand (=500 contracten * 3.500 gulden)

Sturen op winstgevendheid van de individuele klant
CRM is een business strategie die vraagt om een flinke investering en een goede conditie. De investering is slechts voor een (klein) deel in hard- en software, maar is vooral een investering in mensen. Bedrijfsprocessen zullen veranderen en functies zullen wijzigen, wat vraagt om training, begeleiding en motivatie (uit het management). Het implementeren van aCRM in een bestaande infrastructuur is een minimale inspanning van maanden. Een inspanning die u wel geld gaat opleveren. Immers, aCRM is erop gericht om de winstgevendheid van uw klanten te vergroten. Om dit te bereiken wordt een drietraps proces ingericht. Stap 1 is op basis van individuele klantdata profielen te genereren. Stap 2 is deze profielen in te zetten via proposities op maat bij elk klantcontact, de zogenaamde ‘scoring’. In stap 3 vindt de bewaking en tenslotte de evaluatie plaats van de commerciële actie. De genoemde voorbeelden laten zien dat deze directe sturing op klantniveau zeer winstgevend kan zijn.

Gert Haanstra en Marcel Holsheimer, Telebusiness Magazine, tijdschrift voor interactief customer contact management, BBP bv, Woerden, Nr. 3, 2001

Printversie: Wie kiest u als uw Klantenmanager

CRM helpt organisaties hun klantrelaties te managen, maar om dit optimaal te kunnen doen is inzage in klantgedrag en klantbehoeften noodzakelijk. Nog te vaak roept CRM vragen op. Hoe laat ik mijn klant zien dat ik hem en zijn behoefte werkelijk ken? Wat is het verschil tussen analytische en operationele CRM? En, last but not least, waar moet ik op letten bij de keuze voor een leverancier van CRM-oplossingen? Om deze laatste vraag te kunnen beantwoorden en zo een verantwoorde beslissing te kunnen nemen, zult u eerst de CRM-markt moeten leren begrijpen.

Vertwijfeling
Dat CRM twijfels en vragen oproept is zeker. Verdeeldheid onder managers van verschillende kanalen of producten die elkaar het gras voor de voeten wegmaaien in hun ijver de nieuwe mogelijkheden te benutten. Ontzetting bij de bedrijfsleiding die ziet dat kanalen en producten elkaar kannibaliseren, slapeloze nachten bij de ICT-afdeling die al die verschillende gegevensstromen uit al die kanalen in goede banen moet zien te leiden. Soms verwarring en ergernis bij de klant die ziet dat uw bedrijf op allerhande manieren contact met hem zoekt, maar die toch elke keer weer onzinnige of dubbele aanbiedingen krijgt. Of een klant die voor de zoveelste keer zijn gegevens moet invullen. Zaak is u niet te laten afschrikken om met CRM door te gaan, maar er voor te zorgen dat u de juiste beslissingen neemt, bijvoorbeeld over de keuze van een leverancier.

Goede beslissingen leveren u geld op. Dit geldt ook voor de keuze van een softwareleverancier. Duidelijk is dat er slechts enkele partijen zijn die tot nu toe concreet hebben bewezen dat ze echt succesvol kunnen zijn in het neerzetten van een business case. En dat maakt het voor u niet eenvoudig om de juiste beslissing te nemen.

Wel of niet een (extra) investering?
Een van de eerste zaken waar u tegen aan zult lopen is de vraag of een extra investering nodig is. Immers, u doet al aan CRM. Zeer waarschijnlijk heeft u een database met klantgegevens. U maakt daar misschien al selecties uit van groepen mensen die u dan, misschien wel gebruik makend van specifieke software, een brief of brochure wilt sturen. Of u heeft een website en een call center en u reageert op informatieverzoeken van klanten.

Het zijn voorbeelden van operationele CRM (oCRM) waarmee u het contact met uw klant (en de klant het contact met u) sneller en beter kunt afhandelen. De oCRM applicaties maken het werk van uw medewerkers een stuk makkelijker. Helaas is het efficiënt afhandelen van klantcontacten niet hetzelfde als een concrete verbetering in de winstgevendheid van uw klanten. De applicaties worden slechts gevoed met marketing ervaring van uw medewerkers. Maar enkel het inzetten van marketing ervaring is niet altijd voldoende om er voor te zorgen dat uw meest winstgevende en meest loyale klant het meest aantrekkelijke aanbod krijgt, op het juiste tijdstip (bijvoorbeeld als de klant u benadert) en via het beste kanaal.

U kunt zich afvragen of er geen extra (analytische) functionaliteit bij zou moeten. Analytische CRM (aCRM) geeft u de mogelijkheid om bijvoorbeeld Real Time Marketing te realiseren (waarbij het accent ligt op het direct benutten van binnenkomende verkoopkansen) of Customer Life Time Value Marketing (waarbij een switch wordt gemaakt van het maximaliseren van de verkoop van producten naar het optimaliseren van de winst van de verschillende klantgroepen).

Met behulp van aCRM software achterhaalt u met behulp van geavanceerde data mining technieken wie uw meest waardevolle klanten zijn en welke klanten of prospects een gemiddeld hogere kans hebben om te converteren. Deze klantprofielen worden vervolgens ingezet voor optimale doelgroepselecties voor mailingen, genereren van bellijsten en voor het bezoeken van kansrijke ‘leads’. Daarnaast worden de klantprofielen direct gebruikt voor het signaleren en benutten van de beste cross-selling en up-selling kansen op inbound klantcontacten. ACRM geeft u de mogelijkheid een winstgevende bedrijfsstrategie te ontwikkelen die uitgaat van uw klanten.

Wie moet ik kiezen en waarom?
De keuze van de leverancier hangt sterk af van het uiteindelijke doel dat u met behulp van CRM wilt bereiken. Maar de architectuur van het pakket is van even groot belang. Immers, tenzij u het bedrijf helemaal vanaf de grond (opnieuw) wilt gaan opbouwen, zal uw IT-afdeling de software willen integreren in de bestaande infrastructuur. Een goede integratie zorgt er voor dat alle gewenste functionaliteit over de verschillende applicaties heen gebruikt kan worden. Concreet betekent dit dat interessante (verkoop)kansen en ernstige bedreigingen overal en altijd moeten worden gesignaleerd en direct door iedereen kunnen worden gebruikt, bijvoorbeeld in het rechtstreekse gesprek met de klant. Bovendien zorgt een integratie ervoor dat u en uw medewerkers altijd volledig op de hoogte zijn. Daarbij gaat het er niet om of u de klant belt, mailt of een brief stuurt. Door het integreren van data verzamelen, consolideren, analyseren en distribueren kunt u optimaal gebruik maken van de gegevens die u over uw klanten heeft. Zo kunt u laten zien dat u uw klant werkelijk kent en hem een passend en consistent aanbod doen, via welk kanaal hij ook met u in contact komt.

Snelheid is een bijna allesbepalende factor voor het slagen van uw CRM-strategie. Kansen en bedreigingen moeten direct als zodanig worden herkend zodat u geen gelegenheid verliest om de kans te benutten of de bedreiging te counteren. Alleen als de verschillende applicaties goed zijn geïntegreerd, kunt u binnen seconden reageren en voorkomen dat u die klant verliest. Bijvoorbeeld door hem direct een mooi aanbod te doen als hij uw call center belt met een vraag of klacht. Had u hem de volgende dag een brief gestuurd met dat aanbod, dan was u misschien te laat of had u niet de kans gekregen om het aanbod met hem te bespreken. Ofwel, een gemiste kans.

Integratie zorgt er ook voor dat medewerkers via alle kanalen op de hoogte zijn van wat er in andere kanalen is gebeurd met een klant. U kunt alleen een consistent en volledig beeld vormen van uw klant als alle inkomende en uitgaande gegevens over uw klant goed bijeen worden gebracht, worden geïntegreerd. Dan kunt u uw activiteiten laten aansluiten op elkaar, zonder te kannibaliseren tussen de kanalen, dubbele aanbiedingen te doen of aanbiedingen te doen die niet gewenst zijn. Zo voorkomt u dat de klant u gaat verlaten. Maar dat werkt alleen als de onderliggende architectuur van het aCRM pakket een dergelijke integratie toelaat.

Open architectuur noodzakelijk
Als u kiest voor een softwareleverancier met een ‘open architectuur’ bent u in staat nieuwe software eenvoudig en snel te integreren in uw bestaande infrastructuur. Het heeft een aantal voordelen. Er is minder tijd nodig om de software te implementeren. Met kleine aanpassingen in een aantal instellingen werkt het pakket direct. En er hoeft geen klantspecifieke (integratie)software te worden geschreven. De kosten blijven dan ook beperkt omdat alleen het standaard pakket wordt geïnstalleerd. Daarnaast zijn er geen desinvesteringen in eerder gekochte software en hardware, want die blijft u gebruiken. Bovendien hoeven bij upgrades de onderlinge koppelingen niet worden aangepast en blijft de integratie moeiteloos intact. Het onderhoud van de integratie is zo wel erg eenvoudig met behoud van functionaliteit.

Het begrip ‘open architectuur’ houdt in dat op verschillende, algemeen geaccepteerde manieren, informatie en resultaten worden doorgesluisd naar andere applicaties. Open standaard architectuur heeft betrekking op de keuze van het platform waarop de database draait, het platform waarop de applicaties draaien en de manier waarop applicaties onderling met elkaar communiceren. Een leverancier moet in ieder geval de algemeen geaccepteerde ‘smaken’ kunnen leveren. Bij de serverplatforms gaat om de Windows- en Unix-smaken. Voor de applicatie platforms is Java compliant (als Java Beans geïmplementeerd) noodzakelijk. De n-tier aanpak heeft daarbij een grote voorkeur (met pakketten als Websphere en Weblogic), waarmee het ‘oude’ server/client concept zijn langste tijd lijkt te hebben gehad. Voor communicatie protocollen worden TCP/IP en MQ-Series veel gebruikt, en zijn XML en PMML moderne standaards en COM/DCOM vaak toegepaste alternatieven.

Solide investering
Veel bedrijven twijfelen over de resultaten van (huidige) CRM projecten, en zijn daarom terughoudend in het doen van een (extra) investering. De keuze van de juiste software-/hardwareleverancier lijkt hierbij een obstakel.

Vast staat dat een goed aCRM pakket direct geld oplevert. Dit is te bewijzen aan de hand van eerdere implementaties. Daarnaast kan de toegevoegde waarde worden aangetoond tijdens het project. Bijvoorbeeld door te werken met een business case die aantoont dat de winstgevenheid van uw klanten daadwerkelijk is verhoogd.

De keuze voor een pakket met een open architectuur is een voorwaarde. Een dergelijk pakket laat zich eenvoudig en volledig integreren, zodat alle benodigde functionaliteit voor iedereen snel en overal beschikbaar is. Een investering in open, analytische CRM is daarom een solide investering waarmee u de mogelijkheid krijgt om interessante (verkoop)kansen te benutten, en de winst op klantgroepen te optimaliseren.

Orginele publicatie: Klik hier

Gert Haanstra en Marcel Holsheimer, Informatie maandblad voor de informatievoorziening, ten Hagen & Stam, Den Haag, December 2000, jaargang 42, blz 26 en 27

Printversie: Strijd om het hart van CRM

Customer Relationship Management (CRM) is populair. De vakbladen staan er vol van, ook in de directiekamers wil men weten wat CRM kan opleveren en steeds meer softwareleveranciers brengen CRM applicaties op de mark die de analytische, operationele, infrastructurele kant van CRM bedienen. Maar het CRM landschap zal er de komende jaren heel anders gaan uitzien. Alleen de leveranciers die een centrale plaats in het CRM proces weten in te nemen zullen overleven.

In beweging
Customer Relationship Management ontwikkelt zich tot een volledig geaccepteerde bedrijfsstrategie, gericht op verhoging van de Customer Life Time Value. Gericht op winst dus. De essentie van CRM is dat een organisatie zich in zijn totaliteit gaat richten op de individuele klant(contacten). Tijdens deze contacten probeert het bedrijf de eigen service te verbeteren door uit te gaan van de wensen en behoeften van de klant. De juiste technologie is hierbij een cruciale voorwaarde om CRM te laten werken. Maar wat is de juiste technologie? Het is voor leveranciers niet eenvoudig te begrijpen wat de markt nodig heeft. Slechts enkele leveranciers kunnen hun toegevoegde waarde vatten in een eenduidige productvisie die rekening houdt met toekomstige ontwikkelingen. En maar heel weinige kunnen de waarde van hun visie bewijzen met geslaagde toepassingen hiervan. Dat valt ook niet mee want de eisen uit de markt veranderen voortdurend en snel. Leveranciers die geen duidelijke visie hebben zwabberen daarom voortdurend heen en weer, om tegemoet te komen aan de vraag uit de markt. We zien verschillende verschuivingen in de markt.

Van operationeel naar het hart
Leveranciers van Operational CRM applicaties (zoals campaign management, sales force automation, web-service en call center applicaties) willen zich niet meer beperken tot het efficiënt afhandelen van klantcontacten in een enkel kanaal. Zij zoeken naar nieuwe functionaliteit die het mogelijk maakt alle distributiekanalen aan te sturen.

Van de backoffice naar het hart
Leveranciers van Collaborative CRM pakketten (bijvoorbeeld ERP-systemen, mid-office systemen en datawarehousing) willen meer bieden dan enkel het ontsluiten van klantgegevens. Ook zij zoeken nieuwe functionaliteit die kennis over klanten efficiënt verspreidt over de verschillende kanalen.

Van infrastructuur naar het hart
Leveranciers die zich tot nu toe bezig houden met het neerleggen van een infrastructuur (bijvoorbeeld process ware, copy management software en middle ware) zoeken naar uitbreiding. Vooral richting het ‘intelligent’ aansturen van klantinteracties.

Van datamining naar het hart
Leveranciers van Analytical CRM applicaties (bijvoorbeeld voor data mining, personalisatie en analyse) gaan zich met meer bezig houden dan enkel het modelleren van klantgedrag en achterhalen van het juiste aanbod, juiste klant, juiste kanaal en juiste moment. Zij gebruiken de resultaten van hun analyses om interessante klantinteracties te signaleren en benutten.

Functionaliteit in het hart; Integrated Customer Analytics
In het hart van CRM draait alles om de functionaliteit die nodig is om de totale opbrengst en winst over langere termijn voor elke individuele klant (Customer Life Time Value) te maximaliseren. Integrated Customer Analytics biedt die functionaliteit. Hiermee wordt klantkennis geanalyseerd om tot gefundeerde modellen te komen die tot op zekere hoogte kunnen voorspellen hoe een individuele klant zich zal gaan gedragen. Dat verklaart de woorden Customer en Analytics, maar nog niet Integrated. Geïntegreerd houdt in dat de klantkennis verzameld en weer verspreid wordt over de verschillende distributiekanalen heen, op elk willekeurig tijdstip en voor diverse proposities en bedrijfsdoelstellingen. Die integratie vanuit een centrale positie is nodig om werkelijk concurrentievoordeel te kunnen behalen, want:

• Om goede analyses te kunnen doen, hebben we volledige (dus ook de meest recente) informatie nodig over elke klant. Die informatie kan voortkomen uit de klant zelf (als hij bijvoorbeeld belt, de website bezoekt of een offerte retourneert. Het kan ook informatie betreffen die vanuit het bedrijf wordt geïnitieerd (direct mail, of een telefoontje naar de klant). Informatie die verzameld wordt vanuit verschillende kanalen en op verschillende momenten.

• Om elke klant optimaal en consistent te benaderen hebben we ook een eenduidig inzicht nodig in alle activiteiten richting de klant. Die benadering moet via elk gewenst distributiekanaal en op elk gewenst moment kunnen gebeuren. Alleen dan is het mogelijk om uit analyse gebleken kansen tijdig te signaleren en zich pro-actief voor te bereiden op interactie met de klant. Het moment van interactie wordt immers steeds vaker door de klant bepaald, bijvoorbeeld als de klant belt, of de web site bezoekt. Dat betekent dat de informatie snel verspreid moet worden vanuit het centrale punt, vanuit het hart van CRM.

Overleven in het hart
Een leverancier die op de centrale positie van CRM wil overleven moet kunnen samenwerken. Samenwerken met gelijk welke applicatie, database of infrastructuur. Om die samenwerking te kunnen realiseren moet je heel wat in je mars hebben: Intelligente tools waarmee de voorkeuren en gedragingen van de klant kunnen worden achterhaald. Tools met voorspellingskracht voor het ontwikkelen van gerichte proposities richting die klant. Tools die bovendien de doelstellingen op klantniveau in overeenstemming brengen met de bedrijfsdoelstellingen. Dan weet een organisatie wat hij zijn klant wil aanbieden. Nu nog uitvoeren!

Daarvoor zijn tools nodig die de communicatie met de klant op allerlei manieren initieren en bevorderen. Via allerlei distributiekanalen, contactmomenten, voor verschillende klantsegmenten en proposities. Van al die klantcontacten kan een organisatie veel leren. Een leverancier die zal overleven moet dus wel de ruimte bieden voor verbetering zodat de lange termijn doelstellingen worden bereikt.

Verder bepaalt de oorsprong van de leverancier de technische mogelijkheden die nog in het nieuwe gebied kunnen worden behaald (Gartner, 2000). Immers, de technologie zou wel eens heel snel verouderd kunnen zijn omdat in het verleden is gekozen voor een verkeerde architectuur. De technische ontwikkelingen gaan zo snel dat verkeerde keuzes aan de basis nauwelijks meer kunnen worden hersteld. De technologie voor het hart van CRM moet in ieder geval makkelijk uitgebreid kunnen worden over alle distributiekanalen, en eenvoudig geïntegreerd worden in de bestaande infrastructuur.

Gewaarschuwd
CRM biedt geweldige mogelijkheden. Maar een waarschuwing lijkt op zijn plaats. De wensen en mogelijkheden veranderen zo snel dat organisaties bij de keuze voor een CRM leverancier niet alleen de beschikbare functionaliteit van een pakket als criterium kunnen hanteren. De toekomstvisie van de leverancier en diens keuze in architectuur zijn van evengroot belang. Alleen zij die de juiste keuzes hebben gemaakt , hun beloftes waarmaken en bovendien met u kunnen en willen samenwerken, zullen overleven. Deze leveranciers worden het kloppend hart van de toekomstige CRM.

Orginele publicatie: Klik hier

Gert Haanstra, Checklisten InformatieManagement, Ten Hagen & Stam, Den Haag, Nr 38, 2001

Printversie: Checklist Customer Relationship Management

Orginele publicatie: Checklist implementeren CRM