Onderzoek naar het customer intelligence niveau van de Belgische bedrijven aan de hand van een customer intelligence maturity framework

Transcriptie

1 FACULTEIT ECONOMIE EN BEDRIJFSWETENSCHAPPEN KATHOLIEKE UNIVERSITEIT LEUVEN Onderzoek naar het customer intelligence niveau van de Belgische bedrijven aan de hand van een customer intelligence maturity framework Petra Dewilde en Annelies Duerinckx Master in het informatiemanagement Promotor : Prof. dr. Bart Baesens Werkleider: Jonas Poelmans

2

3 FACULTEIT ECONOMISCHE EN TOEGEPASTE ECONOMISCHE WETENSCHAPPEN KATHOLIEKE UNIVERSITEIT LEUVEN Petra Dewilde en Annelies Duerinckx Onderzoek naar het customer intelligence niveau van de Belgische bedrijven aan de hand van een customer intelligence maturity framework Customer intelligence heeft de laatste jaren aan populariteit gewonnen. Het biedt als meerwaarde dat men de klant beter en individueler kan benaderen. Ons onderzoek gaat aan de hand van het MSQ-model na hoe goed het customer intelligence niveau is van de Belgische bedrijven. We willen nagaan of het MSQ-model een goed, bruikbaar model is. We gaan op zoek naar trends in de data en definiëren stappen die bedrijven helpen om hun customer intelligence niveau te verbeteren. We hebben ons onderzoek uitgevoegd aan de hand van een enquête, afgenomen bij 54 bedrijven, en door middel van drie interviews. Uit ons onderzoek blijkt dat het MSQ-model goed in elkaar zit en een brede waaier aan aspecten bevat. Tevens toont de analyse aan dat er enkele duidelijke groepen aanwezig zijn in de data. Verder zien we ook dat er een evolutie van het customer intelligence niveau aanwezig is in de bedrijven. Als laatste onderdeel van ons onderzoek hebben we specifieke aandachtspunten en stappen voor verbetering aangebracht. Promotor : Prof. Dr. Bart Baesens

4 I DANKWOORD Deze meesterproef kon slechts tot stand komen dankzij de steun en hulp van vele mensen. Graag willen wij onze promotor, Prof. Dr. Bart Baesens bedanken voor zijn ondersteuning en begeleiding van deze meesterproef. Daarnaast willen wij ook onze werkleider, Jonas Poelmans, bedanken voor zijn gedetailleerde opmerkingen bij onze tekst. Speciale dank gaat uit naar Mieke De Ketelaere van SAS voor haar begeleiding en tips gedurende heel onze meesterproef. Ook willen we alle andere mensen van SAS bedanken die ons bij onze meesterproef hebben geholpen. Tenslotte willen we ook alle mensen bedanken die hebben deelgenomen aan onze enquête en aan onze interviews.

5 II INHOUDSTAFEL 1. INLEIDING LITERATUUR Situering van customer intelligence De evolutie van mass-marketing naar one-to-one marketing De Relevance Revolution: 5 i-oorzaken Aandachtspunten van de relevance revolution Ontstaan van de nood aan Customer Intelligence Besluit Maturity frameworks gerelateerd aan Customer Intelligence Het MSQ-model Vergelijking van het MSQ-model met andere modellen Besluit Uitwerking van de vier domeinen Strategisch domein Technisch domein Analytisch domein Proces domein Besluit METHODE METHODE ANALYSE Frameworks Niveauverdeling Patronen Algemene analyse Bevindingen Verklaringen Sector analyse Niveau analyse Nieuwe indeling Kenmerken van de individuele niveaus Clustering Analysetechnieken Bevindingen Verklaringen INTERVIEWS ALGEMEEN BESLUIT AANBEVELINGEN LIJST VAN FIGUREN LIJST VAN TABELLEN BIBLIOGRAFIE...34

6 III ABSTRACT Customer intelligence has become increasingly important over the past few years. The growing attention given to customer intelligence arises from the evolution in marketing, from mass-marketing to customer centricity and one-to-one marketing. By means of customer intelligence a company can create a 360 view of the customer. Marketers use this integrated view of the customer to approach this customer in a more individual and consistent manner. In this research we will investigate how well Belgian companies are doing concerning customer intelligence by means of the MSQ-model. We will test the validity and usability of the MSQ-model. We also will look for trends in the data and define the steps that help companies increase their customer intelligence level. We performed our research by conducting a survey of 54 Belgian companies and by means of three interviews. The companies that participated in our research originate from various industries and cover both B2B- and B2C-companies. The result of our research shows that the MSQ-model is a good model that takes into account a wide range of aspects. To further improve the model we made a small adjustment to the division of the scores into levels. We performed all our analyses with SAS and SPSS. To see at first glance the recurring patterns in our data, we divided the companies into similar groups by means of a visual interpretation of the scores. Subsequently we analysed the companies by industry, by level and by using a cluster analysis. Results of these analyses showed that the same groups recurred in all the different subdivisions. Ultimately we defined three large groups. A first group of companies is characterized by a low level of customer intelligence but still relatively high scores on the process domain. A second group of companies has high scores that are evenly distributed among the four domains of the MSQ-model. The third group is more varied. In this group the analyses by industry are most important. Companies that are engaged in manufacturing are characterized by relatively high scores on the process domain. Companies of other industries in this group distinguish themselves by either evenly distributed scores among the four domains. or because they have already started improving themselves in one of the other three domains. In the last part of our research, we have defined some practical suggestions concerning customer intelligence and steps that companies can undertake when they want to improve their level of customer intelligence.

7 IV RESUME La Customer intelligence est devenue de plus en plus populaire ces dernières années. Grâce à ce processus, on tente d avoir une vue d ensemble du client, ce qui offre l avantage d une approche meilleure et plus individualisée du client. Le besoin de customer intelligence est né à la suite de l évolution de la customer centricity vers le oneto-one marketing. A l aide du modèle MSQ, notre analyse tente de déterminer le niveau de customer intelligence dans les entreprises belges. Nous voulons vérifier si ce modèle est correct et utilisable. C est pourquoi nous recherchons les tendances dans les données et définissons les étapes qui aident les entreprises à améliorer leur niveau de customer intelligence. Pour notre analyse, nous avons réalisé une enquête auprès de 54 entreprises, à l aide de 3 interviews. Les entreprises qui ont participé à cette enquête étaient issues de différents secteurs et comprenaient aussi bien des entreprises B2B que des entreprises B2C. D après notre analyse, il s avère que le modèle MSQ est correct et qu il prend en compte une large gamme d aspects. Pour améliorer ce modèle, nous avons fait de petites adaptations dans la distribution du niveau. Nous avons fait les analyses à l aide des softwares SAS et SPSS. Nous avons commencé par une inspection visuelle où l on tentait de dégager les modèles récurrents. Ensuite, nous avons analysé les entreprises par secteur et par niveau au moyen d une analyse d agrégats. Nous remarquions que les mêmes groupes revenaient dans les données. De plus, nous constations qu il y avait une évolution du niveau de la customer intelligence. Finalement, nous avons défini trois grands groupes. Un premier groupe rassemblait les entreprises des plus bas niveaux qui faisaient de bonnes performances dans le domaine du processus. Un deuxième groupe regroupait les entreprises avec des scores hauts et équilibrés. Un troisième groupe, très varié, reprenait les entreprises restantes. Ici, ce sont surtout les analyses par secteur qui ont de l importance. Pour les entreprises de production, on s est surtout concentré sur le domaine du processus. Les autres entreprises avaient des scores équilibrés, ou bien elles étaient déjà en train d améliorer un des autres domaines. Dans la dernière partie de l analyse, nous avons mis en évidence les domaines qui méritent une attention particulière ainsi que des étapes qui apportent une amélioration.

8 1 1. INLEIDING Customer Intelligence wint de laatste jaren steeds meer aan populariteit in de wetenschappelijke wereld. Het heeft als doel sterkere en efficiëntere klantenrelaties te ondersteunen en het strategische beslissingsproces te verbeteren. Bedrijven willen hier graag op inspelen, maar weten niet precies wat het is, hoe goed ze bezig zijn of hoe te verbeteren. Wij trachten met onze meesterproef de bedrijven hierin op weg te helpen. Er zijn verschillende customer intelligence maturity frameworks beschikbaar die men kan gebruiken om het customer intelligence niveau te bepalen. Wij gebruiken het MSQ-model (Responsys 2008) en de bijbehorende vragenlijst om het customer intelligence niveau van de Belgische markt in kaart te brengen. Dit bracht ons tot volgende onderzoeksvragen: Is het MSQ-model een goed model en eenvoudig te gebruiken voor de bedrijven? Zijn er patronen, trends of clusters aanwezig in de data? Wat zijn de aandachtspunten waaraan gewerkt moet worden om het customer intelligence niveau te verbeteren? Om deze onderzoeksvragen te beantwoorden zijn we als volgt tewerk gegaan. We zijn begonnen met een literatuurstudie waarin we het domein van customer intelligence afbakenen en de noodzaak ervan bespreken. Tevens gaan we de validiteit van het MSQmodel na. Aan de hand van de analyse proberen we onze tweede onderzoeksvraag te beantwoorden. We hebben de data op verschillende manieren in groepen onderverdeeld. Tot slot hebben we interviews afgenomen om de bekomen analyses te plaatsen in een breder bedrijfskader en op zoek te gaan naar aandachtspunten voor customer intelligence. In het algemeen besluit geven we een lijst van concrete aandachtspunten die volgens ons belangrijk zijn voor bedrijven. We eindigen met aanbevelingen voor verder onderzoek.

9 2 2. LITERATUUR 2.1 Situering van customer intelligence Met de opkomst van het internet en e-business ondervinden de bedrijven grotere competitiviteit dan ooit tevoren. In het laatste decennium heeft er een grote machtsverschuiving plaatsgevonden van de bedrijven naar de klanten (Dev en Schultz 2005). Consumenten zijn de afgelopen jaren veel kritischer geworden wat betreft merkentrouw en intenties van organisaties. Consumenten stappen zomaar over op een andere aanbieder als die een goedkoper, vergelijkbaar product biedt. Marketing in de 21 ste eeuw kan zich niet meer veroorloven zich enkel te concentreren op het verkoopsproces van producten en diensten (Dev en Schultz 2005). Men moet dus concurreren op service. Bedrijven moeten niet enkel rekening houden met hun producten en productie, maar moeten ook extra aandacht besteden aan het opbouwen van een relatie met hun klanten. Onder de huidige competitieve markt moeten ze hun klanten een meer geïndividualiseerde en efficiënte service aanbieden (Fan 2003). Deze visie vindt men ook terug in een customer centrische strategie. Bij customer centricity staat de klant centraal. Hiervoor moeten de strategie, de mensen, de middelen en de processen de klant als centraal uitgangspunt nemen. Veel bedrijven hebben nog steeds moeite om hun klanten in het centrum van hun te plaatsen. Het is duidelijk dat Customer Relationship Management (CRM) alleen niet genoeg is om een strategie te bereiken die werkelijk customer centrisch is. Er bestaat geen algemeen aanvaarde definitie voor CRM. Een goede definitie vindt men in (Hou en Tang 2004). Hierin wordt CRM gedefinieerd als een belangrijke bedrijfsstrategie die interne processen en functies integreert met externe netwerken waardoor men waarde kan creëren en leveren aan de target customer met een zekere winst. CRM maakt gebruik van klantendata van hoge kwaliteit en een goede IT infrastructuur. Customer Intelligence is een belangrijk onderdeel van Customer Relationship Management. In een customer centrische visie kan customer intelligence gezien worden als een kerntaak van CRM. Customer intelligence weerspiegelt de focus van een bedrijf op de klanteninteracties en zorgt voor de verschuiving van een product-centrische gedachtengang naar één die gericht is op de klant (Hou en Tang 2004).

10 3 Customer intelligence heeft als doel sterkere en efficiëntere klantenrelaties te ondersteunen en het strategische beslissingsproces te verbeteren. Dit wordt bekomen door het verzamelen en analyseren van informatie van de klant, zoals informatie over hun persoonlijke gegevens en activiteiten. Customer Intelligence maakt gebruik van data mining technieken en plaatst de informatie in een wijdere context van concurrenten, trends per sector en algemene trends. Op deze manier kan men informatie bekomen over de bestaande en toekomstige noden van de klanten en hierop inspelen. Wanneer Customer intelligence correct geïmplementeerd wordt binnen het bedrijf kan het interessante inzichten geven in het gedrag en de belevingen van klanten. Hierdoor kan een bedrijf zijn producten en strategische keuzes beter op maat maken van de klant (CSC 2006). 2.2 De evolutie van mass-marketing naar one-to-one marketing De opkomst van informatie technologie heeft een verschuiving veroorzaakt in de manier waarop er aan marketing gedaan wordt. Door de toenemende technologische mogelijkheden, verzamelen bedrijven zonder veel moeite almaar grotere volumes data over hun klanten. (Alvarez 2006) Dit creëert nieuwe mogelijkheden maar ook nieuwe uitdagingen. Hoewel de meeste bedrijven goed scoren op het vlak van het verzamelen van data over hun klanten, hebben velen het nog moeilijk met het extraheren van nuttige kennis uit die data (Shaw 2001) De Relevance Revolution: 5 i-oorzaken In (Portrait Software 2008) spreekt men van het ontstaan van de relevance revolution. Die revolutie is gebaseerd op 5 peilers, die ook in andere literatuur terug te vinden zijn. 1. In de steeds uitdagendere marketing omgeving is het moeilijk om klanten te behouden. Door de grotere beschikbaarheid aan informatie sinds de opkomst van het internet, wordt het makkelijker voor klanten om over te schakelen naar een concurrent (Liao 2009). 2. Klanten worden beter in het negeren van de reclameboodschappen waarmee ze overstelpt worden, zodat enkel de meest relevante boodschappen nog doordringen (Liao 2009).

11 4 3. Klanten worden veeleisender. Ze besteden enkel nog aandacht aan gepersonaliseerde boodschappen. Toch is het niet makkelijk voor bedrijven om relevant te zijn. Door de gevarieerde, veranderende voorkeuren van klanten is het nagenoeg onmogelijk om ze in grote, homogene segmenten te groeperen. Up-to-date kennis over de individuele klant wordt steeds belangrijker (Shaw 2001). 4. Een vierde peiler is de opkomst van multichannel marketing. Hieronder worden marketing strategieën verstaan die zich richten op het dienen van klanten die via meer dan één kanaal met de organisatie interageren (Bruce 2007). Klanten verwachten van bedrijven dat ze consistent zijn overheen al deze kanalen en zijn gevoelig voor boodschappen die elkaar tegenspreken. Bovendien zorgen de technologische ontwikkelingen ervoor dat er steeds meer kanalen zijn via dewelke klanten kunnen bereikt worden. Het is dan ook belangrijk om voor elke individuele klant te weten via welke kanalen hij bij voorkeur benaderd wordt (Bruce 2007). 5. Een laatste peiler voor de relevance revolution zijn de steeds kleinere wordende marketing budgetten (Shaw 2001) Aandachtspunten van de relevance revolution Uit de vijf probleemgebieden die hierboven aangehaald worden kan men afleiden dat de nood aan een 360 view op de klant steeds groter wordt (Arora 2008). In wat volgt, zullen de belangrijkste uitdagingen en oplossingen besproken worden waarmee bedrijven geconfronteerd worden op hun zoektocht naar meer relevantie. De theorie wordt tevens getoetst aan de bevindingen van een Amerikaans Customer Intelligence Survey (CSC 2004). Wanneer men wil overschakelen van mass-marketing naar een meer gepersonaliseerde aanpak, is het belangrijk om snel te kunnen inspelen op veranderende wensen en omstandigheden. Belangrijke hulpmiddelen hierin zijn event triggered marketing automation (Xevelonakis 2008) en het gebruik van analytische tools om sneller tot betere inzichten te komen (SAS 2009,Ngai 2009). Over correcte en up-to-date data beschikken is dus essentieel. Uit (CSC 2004) blijkt echter dat een groot deel van de bedrijven geen real-time data integratie heeft tussen front office en back office applicaties. Door dit gebrek aan recente data kunnen belangrijke kansen verloren gaan. Zoals reeds eerder aangehaald, zijn klanten zeer gevoelig voor cross-channel boodschappen die elkaar tegenspreken. Er is nood aan een geïntegreerd beeld van de klant waar zowel verkoop, marketing als services toegang toe hebben (SAS 2009, Bruce

12 5 2007). Toch blijkt uit (CSC 2004) dat slechts een kwart van de bedrijven die aan deze enquête deelnamen, hun klanteninzichten delen overheen deze departementen. Een derde probleem is de data-eilanden die verspreid zijn overheen de gehele organisatie. De verzamelde informatie over de klant wordt niet op één centrale plaats bijgehouden, maar zit vast in de verschillende silo s van de organisatie (Neslin et al. 2006). Er is nood aan integratie van de verschillende data-eilanden en aan één algemeen klant- ID dat overheen de gehele organisatie gebruikt wordt (CSC 2006, Arora 2008). Door de betere beschikbaarheid van informatie, wordt het dan veel eenvoudiger om de klant op een consistente en relevante manier te benaderen. Toch blijkt uit (CSC 2004) dat in meer dan de helft van de bedrijven het nog steeds moeilijk is om data te delen doorheen de gehele organisatie. Een laatste probleem is het extraheren van bruikbare kennis uit de grote hoeveelheid data (Shaw 2001). Hiervoor kunnen allerlei analytische methodes en tools gebruikt worden. Uit (CSC 2004) blijkt echter dat twee derde van de bedrijven meer tijd spendeert aan het verzamelen van data dan aan het analyseren van data. Verder blijkt ook dat ongeveer de helft van de respondenten meestal met handmatige data manipulatie moet werken om de nodige rapporten te kunnen afleveren. Dit zou vermeden kunnen worden door meer gebruik te maken van ondersteunende analytische tools, waardoor de productiviteit van de werknemers aanzienlijk kan stijgen (CSC 2004) Ontstaan van de nood aan Customer Intelligence Om deze problemen te overwinnen wordt er de laatste jaren meer aandacht besteed aan een geïntegreerd marketing platform en aan customer intelligence. Ook begrippen als customer centric marketing en customer experience zijn hierop gericht. (Vlerick Colloquium 2009) Customer Intelligence heeft vele voordelen. Zo helpen verhoogde datakwaliteit en betere analytische inzichten om meer geïndividualiseerde berichten tot bij de klanten te brengen waardoor de response rates hoger zijn. Door de relevantere boodschappen zal cross-selling en up-selling makkelijker worden en zullen klanten zich beter begrepen voelen waardoor ze minder snel naar de concurrentie gaan (Portrait Software 2008). Customer Intelligence integreren in een bedrijf gebeurt echter niet door middel van een big bang benadering. Beter is het om kleine stapjes te ondernemen en zo beetje bij beetje te evolueren naar een customer centric benadering van marketing (Yulinsky 2000). Een

13 6 mogelijk stappenplan wordt beschreven in (Responsys 2008), dat verderop wordt uitgelegd. Wanneer men een dergelijk stappenplan wil volgen om te groeien naar een meer customer centric organisatie, is het belangrijk om steeds te meten hoe goed de huidige pogingen zijn in het bereiken van vooropgestelde doelen en hieruit te leren naar de toekomst toe. Uit (CSC 2004) blijkt echter dat drie vijfde van de bedrijven slechts zelden of nooit metingen doet voor de evaluatie van hun marketingcampagnes. Het is dan ook onduidelijk hoe deze bedrijven het succes of falen van een project evalueren en hoe ze kunnen leren en verbeteren naar de toekomst toe Besluit Er is in het algemeen een evolutie merkbaar van mass-marketing overheen gepersonaliseerde marketing naar customer-centric one-to-one marketing (Banta 2004). Dit leidt tot een grotere vraag naar integratie van data en processen overheen de verschillende marketingkanalen en overheen de verschillende departementen van een bedrijf. Verder zijn er ook meer data-intensieve analyse technieken nodig om een groter begrip te krijgen van de wensen van de klanten (Baird en Lawrie 2007). Veel bedrijven lijken echter nog niet klaar voor deze uitdagingen wat betreft de mogelijkheden van hun informatietechnologie (CSC 2004). Het is dan ook het doel van ons onderzoek om na te gaan hoe goed de Belgische markt voorbereid is op deze nieuwe uitdagingen binnen marketing en om stappen te definiëren die de Belgische bedrijven kunnen ondernemen om zich beter te wapenen in deze relevance revolution. 2.3 Maturity frameworks gerelateerd aan Customer Intelligence Het MSQ-model De basis van ons onderzoek is het MSQ-Model (Maturity Status Quo Model) uit de white paper Marketing Beyond the Status Quo (Responsys 2008), gesponsord door het Amerikaanse marketingbedrijf Responsys en geschreven door marketing-specialiste Elana Anderson. In deze paper wordt een framework voorgesteld voor het bepalen van het niveau van relevantie. Relevantie wordt hier gedefinieerd als een combinatie van juiste boodschap, juiste plaats en juiste tijdstip. De mate van relevantie hangt af van een score op vier domeinen. In het strategisch domein gaat men na hoe customer-focused

14 7 men werkt. Het analytisch domein controleert hoe strategisch en bruikbaar de inzichten zijn over de klanten. Het technisch domein concentreert zich op hoe geschikt de infrastructuur is om een klantgericht marketing proces te ondersteunen. Het proces domein bekijkt hoe efficiënt, foutvrij en coöperatief de operaties zijn. Een uitgewerkt voorbeeld van dit model, wordt voorgesteld in figuur 1. Figuur 1: voorbeeld van het MSQ-model (Responsys 2008) Aan de hand van het invullen van een vragenlijst kan men een score berekenen op elk van de vier domeinen. Wanneer men die vier scores optelt bekomt men de total relevance maturity score, die aangeeft hoe relevant men is in het algemeen. Op basis van die totaalscore worden er vijf niveaus voorgesteld met de kenmerken per niveau. - Niveau 1 Broadcast: geen segementatie en silo-structuur van de data - Niveau 2 Targetted: een basis van segmentatie, maar nog niets geautomatiseerd - Niveau 3 Programmatic: het gebruik van kanaalspecifieke tactieken en een eerste automatisatie van bestaande processen - Niveau 4 Predictive: sterke analytische capaciteiten - Niveau 5 Integrated: alle marketing processen zijn geïntegreerd en geautomatiseerd, men heeft een diep inzicht in de klant en de gebruikte technologie is geïntegreerd en begrijpbaar

15 8 Voor elk niveau beschrijft de paper ook de stappen die ondernomen moeten worden om naar het volgende niveau te kunnen doorgroeien. Dit moet bedrijven helpen om te groeien naar het hoogste, ultieme niveau. Voor dit vijfde niveau zijn er echter geen stappen meer gedefinieerd voor eventuele verbeteringen of tips voor het behouden van een dergelijk hoog niveau. Ook zegt auteur Elana Anderson in een interview (Magill 2008) dat ze denkt dat er geen enkel bedrijf is dat reeds dit vijfde niveau bereikt heeft. Het niveau is eerder een ideaalbeeld om naartoe te werken Vergelijking van het MSQ-model met andere modellen Om de validiteit van dit framework na te gaan, zullen we het vergelijken met enkele andere maturity frameworks gerelateerd aan customer intelligence. In tabel 1 geven we een overzicht van hoe de domeinen gedefinieerd in het MSQ-model voorkomen in andere maturity frameworks. MSQ-model Customer intelligence maturity model (CSC 2006) Model van N. Arora (Arora 2008) CRM development stages model (Stefanou en Sarmaniotis 2003) Understanding the Customer Focus Journey (Gulatie en Oldroyd 2005) Strategisch X X X domein Technisch X X X X domein Analytisch X X X domein Proces X X X domein Tabel 1: overzicht maturity frameworks Customer input integration (Schiffer en Leininger 2008) Het Customer Intelligence maturity model dat in (CSC 2006) wordt voorgesteld, gaat zich richten op drie domeinen voor het bepalen van het niveau van een bedrijf. Het eerste domein is customer information integration, dat zich richt op het omgaan met klanten data en vergelijkbaar is met het technische niveau uit het MSQ model. Het tweede domein is customer insights waarin de aandacht gaat naar de manier van segmentatie en de gebruikte modellen voor analyses. Dit domein kunnen we vergelijken met een combinatie van het strategische en analytische domein uit het MSQ model (Responsys 2008). Het derde en laatste domein is customer insights operationalization waarin men gaat kijken naar de mate waarin processen geautomatiseerd zijn. Dit komt overeen met het process domein van het MSQ model. De vier domeinen uit het MSQ-model vinden we dus ook

16 9 terug in dit framework. Ook de vier niveaus uit dit framework van (CSC 2006) zijn gelijkaardig aan die van het MSQ model, met dat verschil dat hier in het laagste niveau al uitgegaan wordt van een basis-segmentatie waar in het MSQ model in het laagste niveau de marketing boodschappen volledig broadcast zijn. Ook wordt er in dit framework geen score berekend maar worden per niveau gewoon de eigenschappen opgesomd waar men aan moet voldoen om tot dat niveau te behoren. Het framework is ook beperkter dan het MSQ-model. In het MSQ-model wordt met een bredere reeks eigenschappen rekening gehouden voor het bepalen van de relevantie. In (Arora 2008) heeft men het over drie stappen voor one-to-one marketing. De eerste stap is data-collectie en integratie en richt zich op het technische aspect. De tweede stap is het omvormen van die data tot nuttige inzichten en richt zich dus op het analytische (gebruikte analytische technieken) en strategische (niveau van customer-focus) aspect. De derde stap is het operationaliseren van de resultaten. Deze laatste stap richt zich op het proces-domein uit het MSQ-model. In (Stefanou en Sarmaniotis 2003) beschrijft men vier niveaus voor CRM-maturity. Hier richt men zich enkel op het technische domein (mate van IT gebruik) en het proces domein (mate van automatisering) uit het MSQ-model (Responsys 2008). CRM-maturity wordt hier beschreven aan de hand van het niveau van IT-ondersteuning. Het eerste niveau is non-it assisted waarin geen IT gebruikt wordt. Het tweede niveau is IT-assisted waarin de processen nog manueel uitgevoerd worden maar waar er af en toe al een ITtoepassing gebruikt wordt ter ondersteuning. Het derde niveau is IT-automated waarin de processen geautomatiseerd worden. Het laatste niveau is i-crm waarin ook de tools voor analyse worden opgenomen. In (Gulatie en Oldroyd 2005) beschrijft men vier niveaus voor klantgerichtheid. Voor de bepaling van de niveaus wordt er gelet op het analytisch niveau dat gebruikt wordt om klantgerichtheid te bereiken en op de technische ondersteuning die hiervoor nodig is. Op het eerste niveau, communal coordination, wordt er enkel data verzameld zonder dat er analyses op gedaan worden. Het tweede niveau, serial coordination, gaat analyses toepassen om inzichten te verwerven over het verleden. Het derde niveau, symbiotic coordination, richt zich op het ontwikkelen van inzichten over de toekomst. Het laatste niveau, integral coordination, wordt bepaald door real-time analyses. In (Schiffer en Leininger 2008) bepaalt men vijf niveaus van customer input integration. Hier richt men zich vooral op het strategische aspect van customer-centricity. In het eerste

17 10 niveau, customer oblivious, is er geen sprake van customer-centricity en is alles productgericht. Op het tweede niveau, customer curious, is er beginnende interesse in de klant op basis van ad hoc methoden. In het derde niveau, customer-input driven, gaat men investeren in klanten data en segmentatie toepassen. Het vierde niveau, customerinsight driven, wordt gedreven door een diep inzicht in de klant. Het hoogste niveau ten slotte, customer controlled, gaat volgens de tekst te ver in customer-centricity. Hier verliest men de focus op de segmenten en laat men zich leiden door de willekeur van de klant. Men gaat zich niet langer richten op inzichten in de klant maar geeft hen gewoon wat ze vragen Besluit De vier domeinen die in MSQ model aan bod komen zijn zeker niet zomaar uit de lucht gegrepen. Ook in andere literatuur worden ze aangegeven als belangrijke aanwijzingen voor het niveau van relevantie en klantgerichtheid. Bovendien is het MSQ-model van alle besproken modellen het meest uitgebreid en op de praktijk gericht. 2.4 Uitwerking van de vier domeinen Uit voorgaande paragraaf blijkt dat de vier genoemde domeinen een goede afbakening zijn voor customer intelligence. Hieronder wordt elk van de vier domeinen verder in detail uitgewerkt Strategisch domein In het strategische domein draait het erom hoe klantgericht de marketing strategieën zijn. In de literatuur komen twee centrale thema s aan bod: multichannel marketing en segmentatie. Multichannel marketing wordt in (Bruce 2007) gedefinieerd als marketing strategieën die zich richten op het dienen van klanten die via meer dan één kanaal met de organisatie interageren. In (Verhoef 2005) heeft men het over multichannel customer management, het ontwerpen, uitvoeren, coördineren en evalueren van de verschillende kanalen met als doel de waarde van de klant te vergroten door middel van effectieve acquisitie, retentie en ontwikkeling. Multichannel marketing krijgt steeds meer aandacht door het toenemend

18 11 aantal kanalen via dewelke de klant bereikt kan worden (Banta 2004). De belangrijkste aandachtspunten van multichannel marketing zijn integratie van data overheen kanalen en coördinatie van verschillende marketingcampagnes (Bruce 2007). Dit is belangrijk om de klant één enkel beeld te bezorgen van de organisatie dat consistent is overheen alle kanalen en dat de klant als individu herkent in elk mogelijk contactpunt (Tarokh en Ghahremanloo 2007). Uit onderzoek blijkt dat een multichannel klant meer spendeert dan een single channel klant (Neslin et al. 2006). Het andere centrale thema binnen het strategische domein is segmentatie. Door segmentatie toe te passen poogt men de marketingboodschappen relevanter te maken. In (Arora 2008) beschrijft men verschillende niveaus van relevantie gaande van massmarketing overheen segmentatie tot one-to-one marketing. One-to-one marketing wordt beschreven als een extreme vorm van segmentatie waarin elk segment uit één klant bestaat. In (Bruce 2007) wordt aangehaald dat het belangrijk is de optimale mix van kanalen te zoeken voor elk segment. Het is immers niet zo dat met ieder segment precies één kanaal overeenkomt. Elk segment maakt gebruik van zijn eigen specifieke mix van verschillende kanalen. Uit het Belgische yearly marketing survey 2008 van The House of Marketing (House of marketing 2008) blijkt dat zeker nog 10% van de bedrijven helemaal geen segmentatie toepast op het klantenbestand. Deze bedrijven zitten dus nog steeds op het niveau van mass-marketing waarin er geen onderscheid gemaakt wordt tussen verschillende klantengroepen Technisch domein In het technische domein probeert men na te gaan hoe goed de technologie infrastructuur is voor het ondersteunen van een klantgerichte marketing. De belangrijkste thema s hier zijn data mining en data-integratie. Aan de hand van data mining probeert men tot nieuwe kennis en inzichten te komen, zoals het ontdekken van patronen, associaties, significante structuren en anomalieën in de data. Wanneer data mining effectief wordt gebruikt, kan deze kennis extractie gebruikt worden als een competitief voordeel door de productie van klantgeoriënteerde goederen en het versnellen van het ontwikkelingsproces van een product.(liao et al. 2009) In (Baird en Lawrie 2007) wordt aangehaald dat er een grote nood is aan een betere ondersteuning van de processen door technologie. De oude systemen zijn, net als de oude strategieën, product centric opgebouwd. Dit wil zeggen dat de data worden

19 12 onderverdeeld in aparte silo s. Dit stemt niet langer overeen met de nieuwe strategie van customer centricity. Het is natuurlijk het efficiëntst om customer intelligence uit te voeren op alle data die je bezit van de klant en niet enkel op de gegevens uit één systeem of één departement. Bovendien is er nood aan meer flexibiliteit, doordat er steeds sneller veranderingen optreden waar men tijdig op moet kunnen reageren (Neslin et al 2006). Maar dit is vaak het probleem omdat klantendata verspreid zit overheen verschillende systemen en het is moeilijk om die data allemaal samen te voegen. Daarom is dataintegratie belangrijk. Vaak worden er ook externe databanken aangekocht door bedrijven en hier is het moeilijk aangekochte gegevens te integreren met de eigen gegevens. Om data-integratie te bereiken moet men de syntactische verschillen, zoals verschillen in type databank, formaat en codering en semantische verschillen, zoals verschillen in definitie, domein en datamodel, wegwerken. Bovendien moet men ook nog rekening houden met de kwaliteit van de gegevens die men wil integreren. Fouten kunnen elkaar versterken en dat soms ongemerkt omdat de specificaties van de dataset niet gedocumenteerd werden (Neslin et al. 2006). Wanneer data-integratie en data mining correct worden toegepast kan dit tot een aantal voordelen leiden voor een bedrijf (Liao et al. 2009): vaststellen van potentiële cross selling en one-to-one aanbiedingen door product mix analyse. versterken van klantenrelaties door middel van gepersonaliseerde aanbiedingen door productkennis. het begrijpen van de behoeften van de klanten en het maken van nuttige suggesties voor nieuwe productontwikkelingen. We kunnen besluiten dat klantendata en informatietechnologie (IT tools) een belangrijke fundering vormen waarop een succesvolle customer intelligence strategie kan worden gebouwd. Het grootste probleem is dat men mensen nodig heeft met de juiste kennis en voldoende training om de data analyses correct te kunnen interpreteren (Ngai et al. 2009) Analytisch domein In het analytische domein wordt nagegaan hoe goed ontwikkeld en uitvoerbaar de applicaties zijn om tot klanteninzicht te komen. Hier wordt vooral nagegaan of het bedrijf gebruik maakt van analytische tools om hun marketingcommunicatie te analyseren en te

20 13 ondersteunen. Verder wordt er nagegaan of een bedrijf systematisch zijn marketingprogramma s test en verbetert. Tools die momenteel op de markt beschikbaar zijn voor customer intelligence (Responsys 2008): SAS SPSS COGNOS Business objects Coremetrics Omniture De concrete analytische methodes die gebruikt kunnen worden, vallen buiten het bereik van onze meesterproef en zullen daarom niet verder in detail besproken worden Proces domein In het proces domein wordt nagegaan hoe efficiënt en coöperatief de marketing processen zijn. In de literatuur wordt dit domein overheerst door het thema marketing automatisering. In veel bedrijven worden CRM systemen geïntroduceerd om de processen te automatiseren (Bruce 2007). Een CRM systeem bevat automatisering op drie vlakken: klantendienst en ondersteuning, automatisering van verkoop en marketing automatisering. Dit laatste punt laat de automatisering van marketing campagnes toe met functies voor planning, uitvoering, afhandelen van klantenlijsten, Zo wordt de marketeers heel wat triviaal werk uit handen genomen, zodat ze zich kunnen richten op dingen die van groter strategisch belang zijn (Firth 2001). Andere voordelen van marketing automatisering zijn het automatisch collecteren en integreren van klantendata en het automatisch delen van rapporten en analyses overheen verschillende departementen zoals verkoop, marketing en ondersteuning. (SAS 2009). Een andere mogelijkheid die de automatisering van marketing processen biedt is event triggered marketing. Hierbij wordt voor elke stap die een klant moet ondernemen, een aantal triggers gedefinieerd zodat de klant op het juiste tijdstip, overheen het juiste kanaal en met de juiste boodschap gecontacteerd wordt (Xevelonakis 2008). Dit komt de relevantie van de boodschap ten goede waardoor de klant er beter op zal reageren. Event triggered marketing is gebaseerd op een real-time, rules-driven interactie tussen de