Zo analyseert en voorspelt u klantgedrag. In 10 stappen naar klantsegmentatie

Transcriptie

1 Zo analyseert en voorspelt u klantgedrag In stappen naar klantsegmentatie

2 INLEIDING: WAAROM SEGMENTATIE CRUCIAAL IS INHOUDSOPGAVE Niet elke klant en prospect is even kansrijk. Bovendien kopen verschillende klanten om verschillende redenen. De een zoekt kwaliteit, de ander een scherpe prijs en een derde wil vooral met merken kunnen pronken. Door uw klanten te segmenteren op basis van gedrag of kenmerken, kunt u zich richten op uw meest kansrijke klantgroepen met een propositie die bij ze past. U weet bovendien ook wanneer deze boodschap het meeste effectief is. Met klantsegmentatie zet u uw klant dus écht centraal. Dat klinkt logisch. Toch slaan veel bedrijven deze stap over. Ze segmenteren klanten niet, of doen dat op basis van onderbuikgevoel en generieke kenmerken. In deze epaper leert u in stappen klantgedrag te analyseren en toekomstig klantgedrag te voorspellen. Met deze kennis op zak weet u welke klantgroepen u wanneer moet benaderen, welke boodschap effectief is en welke klanten u het meeste opleveren. Verbeter vandaag nog uw marketing en omzet met deze stappen Wat gaat u onderzoeken? Hoe meet u de uitkomsten? Welke criteria zijn van invloed? Welke data heeft u beschikbaar? Hoe zwaar wegen alle predictoren mee? Hoe gaat u de data verzamelen? Hoe weet u of de data juist zijn? pag. 6 pag. 8 pag. pag. 2 pag. 3 pag. 4 pag. 8 8 Bouw een simpel of complex segmentatiemodel pag. 2 9 Zorg voor intern draagvlak pag. 28 Implementeer de gevonden segmenten pag. 32 2

3 In stappen klantgedrag voorspellen. Waarom zijn de grote merken van deze wereld zo succesvol? Het antwoord is: zij zetten de klant echt centraal. Minder succesvolle bedrijven steken veel pijn en moeite in het vinden van nieuwe klanten, maar vergeten daarbij hun eigen brood. Klantsegmentatie is een belangrijk puzzelstuk om een beter beeld te krijgen van uw klanten. Niet elke klant is even winstgevend en lang niet elke kansrijke klant wordt voldoende benut. Goede klantsegmentatie geeft inzicht in de waarde van uw klantenbestand. U weet op wie u zich moet focussen en wie even kunt vergeten. Wilt u beter inzicht in huidig en toekomstig klantgedrag? Dan kunt u het segmenteren van uw klanten toevertrouwen aan externe specialisten of u doet het gewoon zelf! Zet de volgende stappen en implementeer een segmentatiemodel. Aan de hand van een praktijkvoorbeeld, dat als rode draad bij iedere stap terugkomt, leert u zelf te segmenteren. Bomb the base is bij de meeste bedrijven nog aan de orde van de dag. Eén naar het totale bestand, want dat is wel zo goedkoop en efficiënt. Het is alleen kortzichtig. Als je een grote groep mensen dezelfde stuurt, is de kans dat je als niet relevant of zelfs als spam wordt gezien vele malen groter dan wanneer je segmenteert en inspeelt op persoonlijke behoeften Michiel van Mens Marketing Intelligence Consultant 4 5

4 STAP WAT GAAT U ONDERZOEKEN? DOELSTELLINGEN BEPALEN Klantsegmentatie gaat over het indelen van uw (potentiële) klanten in gelijke groepen. Op basis waarvan u uw klant- of prospectbestand indeelt kan erg verschillen. Bepaal daarom vooraf goed wat u wilt weten. Aan welk doel wilt u bijdragen? Wanneer u dat weet, kunt u uw segmentatietechniek hierop aanpassen. Zie hieronder de meest voorkomende doelstellingen waarvoor u segmentatie kunt gebruiken. Doelstellingen voor segmentatie Conversieverhoging Dat kunt u doen door niet uw klanten maar juist leads te segmenteren, zodat u met deze inzichten uw groeidoelstellingen kunt verbeteren. Kwantitatieve segmentatie U wilt bijvoorbeeld uw marketingbudget alleen inzetten op het segment dat het meest kansrijk is voor conversie en aankoop. U kijkt dan naar uw Most Valuable Customers (MVC). Klantloyaliteit U kunt op zoek gaan naar de belangrijkste redenen voor klanten om geen zaken meer met u te doen - om vervolgens te bepalen wat u kunt verbeteren om ze te behouden. Nu u weet wat uw doelstelling is, kiest u voor een onderzoeksmethode. De meest voorkomende segmentatiemethodieken zijn: 2 3 Klantgedrag voorspellen Klanten indelen in gelijke groepen Klantgedrag verklaren Zie hiernaast een voorbeeld van een doelstellingen en passende segmentatiemethodiek. VOORBEELD CASE In dit voorbeeld willen we de conversie en engagement op onze marketingcampagnes verhogen. We willen ons richten op kansrijke klantgroepen, zodat we tegen minder kosten een beter resultaat op onze campagne hebben. Het gaat hier dus om een kwantitatieve segmentatiedoelstelling. We willen inschatten hoe ze gaan reageren op onze campagne en daarom gebruiken we de techniek van klantgedrag voorspellen. 6 7

5 STAP 2: HOE MEET U DE UITKOMSTEN? DE AFHANKELIJKE VARIABELE BEPALEN In onderzoeksland is de afhankelijke variabele een bekende term die ook wel uitkomstvariabele wordt genoemd. Deze variabele zegt eigenlijk waarmee u de uitkomst meet. Wilt u bijvoorbeeld onderzoeken hoeveel mensen een 5 of lager scoren op uw NPS? Dan is NPS uw afhankelijke variabele. U kunt kiezen voor een kwalitatieve of een kwantitatieve variabele: Kwalitatieve variabele Bij een kwalitatieve variabele deelt u uw uitkomsten in op basis van categorieën. Denk bijvoorbeeld aan het indelen van uw klanten op basis van productvoorkeuren of op basis van profielen. Kwalitatieve variabele Kwantitatieve variabele Bij een kwantitatieve variabele is de uitkomst uit te drukken in een cijfer. Als u bijvoorbeeld uw klantenbestand wilt indelen in de kans op conversie, kunt u dat bijvoorbeeld doen op basis van behaalde omzet. De kwantitatieve variabele kunt u dan uitdrukken in een cijfer. Voorbeeld uitkomst: is wel omzet en is geen omzet. Kwantitatieve variabele VOORBEELD CASE In het voorbeeld waarin we onze campagnes willen verbeteren, baseren we dit op behaalde omzet. Daarmee hebben we de afhankelijke variabele al vastgesteld: we willen de omzet voorspellen. Het gaat hier dus om een cijfermatige, kwantitatieve variabele. Om de segmentatie verder af te bakenen en onze campagnes nog succesvoller te maken, kiezen we daarnaast voor het voorspellen van de omzet in het komende half jaar. Nu is onze afhankelijke variabele dus: de omzet van de klant in het komende half jaar. 8 9

6 STAP 3: WELKE CRITERIA ZIJN VAN INVLOED? PREDICTOREN KIEZEN In deze stap kiest u de predictoren. Predictoren zijn de criteria die u gebruikt om antwoord te krijgen op uw onderzoeksvraag. Tegenwoordig heeft u steeds meer criteria op basis waarvan u uw onderzoek kunt starten, door de komst van big data. Gaat u bijvoorbeeld onderzoeken welke klantsegmenten het meest waardevol zijn? Dan kunt u kiezen uit veel verschillende predictoren die invloed hebben op hoe u de waarde van klanten inschat. Om het uzelf makkelijk te maken, adviseren wij altijd met een beperkt aantal te starten. Predictoren bij waardevolle klanten kunnen bijvoorbeeld zijn: Firmographics Simpele bedrijfsgegevens als vestigingsplaats, branche en bedrijfsgrootte Potentie De mate waarin een klant zijn beschikbare budget besteedt bij uw bedrijf Cross-sales Het aantal verschillende soorten producten dat een klant bij u afneemt Engagement Is uw klant een fan die reviews geeft en online informatie over u deelt? Tevredenheid De tevredenheid van de klant, uitgedrukt in NPS VOORBEELD CASE In onze case kunnen we vele variabelen bedenken die samenhangen met de omzet van de klant die binnen een half jaar bij ons gaat bestellen. Echter, om het niet te complex te maken kiezen we voor een bestaande methodiek die vaak gebruikt wordt om de omzet te voorspellen: RFM-segmentatie. Deze methode dicteert welke predictoren we gebruiken, want de afkorting RFM staat voor Recency, Frequency and Monetary value: Klantomzet De omzet die een klant bij u doet Frequentie Hoe vaak de klant bij u bestelt Levensduur De tijd die een klant bij u blijft Pains Het aantal klachten en soort klachten De variabele Recency (recentheid) vertelt iets over de tijd die is verstreken sinds de klant voor het laatst zaken met u heeft gedaan. De variabele Frequency (frequentie) vertelt iets over het aantal keer dat een klant in een bepaalde periode zaken met u heeft gedaan. Financiën Het betaalgedrag, maar bijvoorbeeld ook de kredietlimieten van klanten Ambassadeurschap Het aantal klanten dat de klant heeft aangedragen Recentheid Hoe recent de klant bij u heeft besteld Keywords De keywords waarop bedrijven binnenkomen op de site De variabele Monetary (monetair) zegt iets over de hoogte van de besteding die een klant bij u heeft gedaan. Wij hebben RFM aangevuld met een social media component, omdat dit onderwerp steeds belangrijker wordt. De Social variabele zegt iets over hoe actief de interactie met uw bedrijf via social media is geweest.

7 STAP 4: WELKE DATA HEEFT U BESCHIKBAAR? DATA-MATURITY BEPALEN STAP 5: HOE ZWAAR WEGEN ALLE PREDICTOREN MEE? PREDICTOREN SCOREN Welke predictoren u kunt kiezen is sterk afhankelijk van welke data u heeft en wat de kwaliteit van deze data is. Niet alle bedrijven beschikken bijvoorbeeld over NPS-gegevens. Hoe beter uw data op orde is, des te beter worden uw analyses. Ons advies is altijd: breng eerst uw interne data op orde, voordat u externe data gaat toevoegen. Wilt u weten hoe volwassen uw data management is? Kijk dan ook eens naar onze infographic: data driven maturity model. Hierin kunt u uw eigen volwassenheid bepalen aan de hand van wat vragen. Niet elk criteria moet even zwaar wegen. Als u onderzoekt hoe waardevol uw klanten zijn, kunt u het aantal producten dat de klant afneemt bijvoorbeeld zwaarder laten wegen dan hoe lang een bedrijf klant is. Bepaal ook wat de inspanning is om deze data te ontsluiten. Waarom? Omdat u dan beter weet welke data u als eerste moet ontsluiten en kunt u prioriteiten stellen. Stel dat u dan bepaalde data mist, kunt u deze voor een eerste analyse ook achterwege laten. Ook bij klantsegmentatie geldt namelijk: met 2% van de inspanning bereikt u 8% van het resultaat. Mate van Ontsluitingsimpact invloed Klein Gemiddeld Hoog Groot 3 5 Middel Klein Tabel. Matrix die de prioriteit aangeeft voor de ontsluiting van predictoren voor het segmentatiemodel. VOORBEELD CASE In de voorbeeldcase is het belangrijk dat u al een bepaalde In ons voorbeeld hoeven we onze predictoren niet te wegen volwassenheid in uw data heeft om de juiste cijfers boven of te prioriteren, omdat RFM(s)-segmentatie een bestaande tafel te krijgen. Niet alleen uw interne systemen (zoals CRM en methodiek is waarin dit standaard al is bepaald. uw financiële systeem) moeten op orde zijn om uw RFM(s)- gegevens te ontsluiten. Ook uw externe data, uw social data, moet u kunnen ontsluiten. VOORBEELD CASE 2 3

8 STAP 6: HOE GAAT U DE DATA VERZAMELEN? VERZAMELEN EN VALIDEREN Nu wordt het tijd de predictoren te verzamelen in een analysebestand, bijvoorbeeld in Excel. Ook zet u in dit bestand de gewenste uitkomst (de afhankelijke variabele), zodat u de uitkomsten van het onderzoek hieraan kunt relateren (zie tabel 2). Welke datasets u in het analysebestand verzamelt, is afhankelijk van het type segmentatie dat u wilt toepassen. Als u uw klanten wilt segmenteren naar gelijkende groepen, heeft u één dataset nodig: die van het heden. Als u wilt segmenteren op basis van toekomstig klantgedrag heeft u drie datasets nodig: Klant ID Klantnaam Verificatie Predictor A Predictor B Predictor C Datasets klantgedrag voorspellen Afhankelijke variabele BENODIGDE DATASETS KLANTGEDRAG VOORSPELLEN Tijdstip : Neem als eerst data uit een periode in het verleden. Bijvoorbeeld maart-juni 24. Omdat u deze data gaat vergelijken met een volgend tijdstip, wordt dit de modelbouw dataset genoemd. Tijdstip 2: Neem vervolgens data uit de periode die u wilt vergelijken met tijdstip om deze data te valideren. Bijvoorbeeld maart-juni 23. Dit wordt de verificatie dataset genoemd, die altijd verder in het verleden ligt dan de modelbouw dataset. Tijdstip 3: Neem vervolgens de toekomst, bijvoorbeeld maartjuni 26. Deze dataset wordt de scoring dataset genoemd en is uiteraard nog leeg, want naar deze gegevens bent u juist op zoek. VOORBEELD CASE In de voorbeeldcase zijn de predictoren al bepaald, namelijk: recentheid van aankopen, frequentie van aankopen en de orderwaarde. Op de volgende pagina ziet u de ingevulde data staan. Zowel de modelbouw dataset is ingevuld, als de verificatiedataset. Tabel 2. Voorbeeld lay-out en indeling van een analysebestand. Mogelijk heeft u onvoldoende gegevens in uw database beschikbaar om een tijdstipindeling te maken. Begin dan met het bijhouden van deze data en bewaar regelmatig snapshots. Hoe eerder u begint, hoe eerder u uw segmentatie kunt maken. 4 5

9 Dataset Recency In de onderstaande tabel bekijken we hoe recent klanten iets hebben afgenomen. We kijken dus naar alle klanten en hoeveel procent van die klanten iets hebben gekocht en dus kopers zijn. Dataset Monetary Vervolgens bekijken we hoeveel klanten hebben uitgegeven. Ook nu kijken we weer naar hoe groot de groep klanten was (absoluut en in een percentage) die voor een specifiek bedrag heeft gekocht. Modellering Validatie Recency Klanten Kopers Klanten Kopers Scoring Klanten Modellering Validatie Monetary Klanten Kopers Klanten Kopers Scoring Klanten a) -3 maanden % % 2.42 b) 3-6 maanden % % a) % % 7.36 b) > % % 5.82 c) > 6 maanden 8.6 8% 8. 8% 8.7 Grand total % % 3.73 Grand total % % 3.73 Dataset Frequency In de onderstaande dataset kijken we hoe vaak er een aankoop was. Eveneens als in de bovenstaande tabel zijn zowel de modeldata als de verificatiedata ingevuld. Dataset Social Bij social media bekijken we of de klant een promotor of geen promotor is. U kijkt bijvoorbeeld naar de hoeveelheid likes en shares. Bij meer 5 likes is iemand bijvoorbeeld promotor. Modellering Validatie Frequency Klanten Kopers Klanten Kopers Scoring Klanten Modellering Validatie Social Klanten Kopers Klanten Kopers Scoring Klanten a) % % 2.5 b) % % 5.87 a) none % % 6.59 b) promoter % % c) > % % Grand total % % 3.73 Grand total % %

10 STAP 7: HOE WEET U OF DE DATA JUIST ZIJN? CONTROLEREN EN CORRIGEREN Een stap die bedrijven vaak overslaan is het controleren van de uitkomsten. Hierbij moet u vooral uw gezonde verstand gebruiken. Is de uitkomst volledig anders dan u logischerwijs had verwacht? Dan dient u de data goed te controleren. Is dit een logisch verband? Modelbouw dataset afhankelijke variabele % Verificatie dataset afhankelijke variabele % Klanten recentheid Koopt Koopt niet Doelgedrag Koopt Koopt niet Doelgedrag Scoring dataset aantal -6 maanden % 9 3 4% maanden % % maanden % % maanden % % jaar % % jaar % % jaar % % 49 >5 jaar % % Totaal % % Tabel 3. Relatie tussen de predictor recentheid en het al-dan-niet kopen wordt verkend voor de verschillende datasets. Voor alle vier de predictoren in het voorbeeld is te zien dat alle cellen zijn gevuld en dat ze logisch samenhangen met het bestelgedrag van onze klanten. 8 9 VOORBEELD CASE

11 STAP 8: BOUW EEN SIMPEL OF COMPLEX SEGMENTATIEMODEL -VARIABEL SEGMENTATIEMODEL Nu u alle data heeft verzameld én uw data heeft gecontroleerd, kunt u aan het leukste gedeelte beginnen: het analyseren van uw data om segmenten te ontdekken. U groepeert klanten waarvan de waarden gelijkenissen vertonen. Als u ergens een trend in herkent, zou dit een segment kunnen zijn. Dit kan een simpele klus zijn als u slechts één variabele heeft. Het wordt echter complexer naarmate u meer variabelen heeft. De uitkomst van de segmenten wordt ook wel het segmentatiemodel genoemd. In de voorbeeld case tonen we zowel een beide vormen: Klanten Verificatie dataset - afhankelijke variabele % recentheid Koopt Koopt niet Doelgedrag -6 maanden 9.3 4% 6-2 maanden % Segment 2-8 maanden % Subtotaal % 8-24 maanden % 2-3 jaar % Segment 2. -variabel segmentatiemodel 2. Complex segmentatiemodel 3-4 jaar % 4-5 jaar % Segment 3 > 5 jaar % totaal % Tabel 4. Indeling van klanten in segmenten aan de hand van recentheid van de vorige aankoop. -variabel segmentatiemodel Ter illustratie van een -variabel model hebben we in tabel 4 alleen de recentheid van een aankoop als uitgangspunt genomen. Hierin is te zien dat klanten uit segment (die recent hebben gekocht) een hogere kans hebben een aankoop te doen dan de segmenten daaronder. Hiermee ontstaat een simpel segmentatiemodel met variabele, ook wel het -variabel segmentatiemodel genoemd. Hierboven ziet u het simpele segmentatiemodel vanuit de voorbeeldcase. Hier is alleen de recentheid van aankopen meegenomen. VOORBEELD CASE 2 2

12 STAP 8: BOUW EEN SIMPEL OF COMPLEX SEGMENTATIEMODEL COMPLEXE SEGMENTATIEMODELLEN Complexe segmentatiemodellen Eén enkele variabele geeft uiteraard een minder precies beeld dan een combinatie van predictoren. Er zijn daarom ook segmentatiemodellen die alle beïnvloedende variabelen combineren. Dat geeft een completer beeld en leidt daarmee tot een preciezere segmentatie. Er zijn veel verschillende segmentatietechnieken die u hierbij kunt inzetten, van simpel tot relatief complex. De toepasbaarheid van deze technieken is afhankelijk van uw vraagstuk, de data-maturity van uw bedrijf en welke data u kunt inkopen. Hieronder vindt u een opsomming van enkele technieken die u per type vraagstuk kunt inzetten. Veel moderne softwarepakketten combineren meerdere van deze technieken om een nóg exacter beeld te creëren. Mijn oneliner is: als je een analyse niet terug kunt brengen naar een oneliner is het een slechte analyse. Voorspellen van klantgedrag: RFM(s) modellen Lineaire regressie Logistische regressie Neurale netwerken (deze zijn er in vele smaken) Indelen van klanten in gelijkende groepen: Classificatie bomen Neurale netwerken K-Means clustering Hiërarchische clustering Michiel van Mens Marketing Intelligence Consultant Verklaren van klantgedrag: Decision trees Principal Component Analysis (PCA) 22 23

13 VOORBEELD CASE We bouwen in de voorbeeldcase een complex segmentatiemodel van voorspellend klantgedrag. De allereerste stap is alle data van de predictoren RFM(s) samen te groeperen tot een absoluut getal. We geven alle segmenten een waarde van, 2, 3. Nadat we alle variabelen een waarde hebben gegeven van, 2 of 3, plakken we alle cijfers achter elkaar. Hieronder staat een voorbeeld: VOORBEELD CASE Modellering Validatie Recency Klanten Kopers Klanten Kopers Scoring Klanten a) -3 maanden % % 2.42 b) 3-6 maanden % % c) >6 maanden 8.6 8% 8. 8% grand total % % 3.73 Recency Frequency Monetary Social Dataset R F M S RFMS Qty Customers c) > 6 maanden a) a) - 2. a) none Modellering c) > 6 maanden b) a) - 2. a) none Modellering c) > 6 maanden c) > a) - 2. a) none Modellering a) -3 maanden b) b) > 2. a) none Modellering a) -3 maanden c) > b) > 2. a) none Modellering Qty Buyers b) 3-6 maanden b) b) > 2. a) none Modellering Modellering Validatie Social Klanten Kopers Klanten Kopers Scoring Klanten a) % % 2.5 b) % % c) > % % b) 3-6 maanden c) > b) > 2. a) none Modellering c) 6 maanden a) b) > 2. a) none Modellering Op basis hiervan kunnen we conclusies trekken en segmenten aanmaken. Hoe hangt deze score samen met het aankoopgedrag. grand total % %

14 Nu gaan we nog een stap verder: de RFM(s)-codes worden vervolgens weer gerangschikt op de waarde. Met andere woorden, hoe beter de groep scoort (, 2, enzovoorts) hoe hoger het segmentnummer. Hieronder is een voorbeeld te zien: RFMS RFMS Segment #klanten #kopers %kopers % % % % % % % CONCLUSIES VAN DE ANALYSES U heeft nu klanten gesegmenteerd van wie het zeer waarschijnlijk is dat zij in het komende half jaar afnemen, omdat zij: Vorig jaar ook rond deze tijd afnamen Meer afnemen Een hoge orderwaarde hebben En bovendien promotor zijn op social media U heeft met uw analyse en segmentatie geprobeerd toekomstig gedrag te voorspellen. Hiermee verhoogt u uw responsratio enorm en bespaart u kosten en resources die u anders had besteed aan klanten die niet afnemen. Als u wilt, kunt u deze groep nu zelfs nóg dieper analyseren. Uit welke branche komen ze? Welke functie hebben de kopers bij hun bedrijf? Met deze wetenschap optimaliseert u uw boodschap nog verder en wordt uw marketing nog effectiever % % totaal % 26 27

15 STAP 9. ZORG VOOR INTERN DRAAGVLAK UITKOMSTEN INTERN CONTROLEREN EN COMMUNICEREN Geef een kijkje in de keuken Waarom hebben we klant a wel in de selectie voor de campagne opgenomen en klant b niet? Om draagvlak te creëren en om onduidelijkheden over de nieuwe segmentatiemethode weg te nemen, kunt u de nieuwe methode intern presenteren. Deze stap is belangrijk om een segmentatiestrategie écht succesvol te maken. Geef een kijkje in de keuken. Deel welke variabelen u heeft overwogen en laat zien hoe u de scoringsuitkomsten heeft geverifieerd. Daarbij is het van belang dat u uw analyse terugbrengt naar één of enkele oneliners of plaatjes. Cijfers blijven niet hangen - oneliners en afbeeldingen wel. Segmentatie is de eerste cruciale stap in markting. Klanten zijn niet hetzelfde. Je moet weten aan welke knoppen je moet draaien. Hans Peter Vloemans Sales Director Graydon 28 29

16 Zorg voor visualisatie Zoals gezegd, komt een analyse nog beter aan als u deze terugbrengt naar één enkel plaatje of een oneliner. Werk bijvoorbeeld met een grafiek. In de onderstaande grafiek toont de groene lijn wat er was gebeurd als we in de voorbeeldcase niet gesgementeerd hadden. We hadden in dat geval naar een grote groep (met hoge kosten) een mailing gestuurd met een gemiddelde respons van 28%. Door de segmentatie richten we ons alleen op de eerste groepen, bijvoorbeeld tot en met een respons van 5%. 7% KOPERS % RFMS SEGMENT NUMMER 27 Modellering Validatie Random RFMS Segment RFMS #Klanten %Kopers Kosten Omzet Marge Marge/klant % 2.6, 5.693, , % 2.54, , , % 2.82, 6.57, , % 6.2, , , % 2.88, 6.2, , % 2.82, 5.739, , % 2.88, 4.362, , %.86, 2.66, , % 3.8, 5.789, , % 46.29, , ,9 7 35% 5., 7.98, , % 2.58, 3.733, , % 4.62, 6.527,8.97 2, % 2.75, 29.9, , % 4.68, 6.93, , % 3.3, , , % 22.89, 28.95, , % 4.47, 5.365, , %.8,.47, , % 2.3,.82, , % 3.24, 2.434, , % 4.82,.75, , %.4, 8, , % 8.28, 5.644, , % 3.83, 2.859, , % 35.28, 2.86, , % 5.34, 3.244, , % 52.26, 3.859, ,28 Grand Total % 4.5, , ,59 Marge zonder model Marge met model Meerwaarde model Tabel 5. Een manier om aan te tonen dat het uitsluiten van klantsegmenten bij campagnes in een hogere winstgevendheid resulteert. 3 3

17 STAP. IMPLEMENTEER DE GEVONDEN SEGMENTEN SEGMENTATIEGROEPEN VERWERKEN U heeft alle segmenten in beeld. U heeft de rest van uw bedrijf overtuigd van het belang van segmentatie. En nu? Aan uitkomsten heeft u niks als u er vervolgens niets mee doet. Om klantsegmentatie een integraal onderdeel van uw bedrijfsvoering te laten zijn, is het belangrijk de volgende stappen te zetten om de conversies hoog te houden: Selectiesystemen. Maak klantsegmentatie een standaard onderdeel van uw selectieproces. Zorg ervoor dat u uw segmentatiemodellen kunt gebruiken in uw adresselectiesystemen, zodat ze een constante indeling krijgen waarmee u prioriteiten kunt stellen en boodschappen kunt aanpassen. Rapportagesystemen. Laat in uw rapportages zien hoe de resultaten zich tot uw klantsegmentatie verhouden. Zo laat u niet alleen het belang van segmentatie zien, maar zorgt u er ook voor dat u uw campagnes steeds verder afstemt op uw klanten. Gerichte campagnes. Pluis uw hoog-converterende klanten uit en zorg voor gepersonaliseerde boodschappen om de conversie nog verder te verbeteren. Wilt u uw sales funnel vergroten en u juist richten op klanten waar de conversie laag ligt, geef dan eens korting aan een deel van deze groep en test of zij hier beter op reageren. Daarmee ontdekt u of het een prijsaanpassing waard is en heeft u weer meer inzicht in hoe u deze groep wél kunt laten converteren. Ongoing proces. Herzie uw segmentatie regelmatig. De markt evolueert, er gebeurt altijd iets nieuws in social media, uw doelgroep verandert en ook uw aanbod zal niet altijd gelijk blijven. Wij adviseren in ieder geval één keer per jaar uw segmentatiebeleid te herzien - al hangt dit uiteraard af van uw markt en data. Sommige bedrijven zijn bijvoorbeeld seizoensgebonden of hebben te maken met veel fluctuaties, waardoor een update vaker nodig is

18 CONCLUSIE Niet alleen zijn segmentatie-analyses waardevol voor het huidige moment. Door gedrag van klanten te analyseren en door klanten te segmenteren en te scoren op bepaalde criteria, heeft u ook de juiste kaarten in handen om de toekomst te voorspellen. Immers: The near future will be similar to the near past. Zo kunt u uw omzetontwikkeling beter sturen, uw resources op de juiste wijze inzetten en steeds beter value based beslissingen nemen. Klantsegmentatie geeft je inzicht in de waarde van je klanten. Met een goede analyse verbeter je marketingcampagnes en speel je beter in op behoeften. Het is een cruciale stap in data driven marketing. Mark Zwart Marketing Intelligence Analyst bij Graydon 34 35