Het 360 graden klantbeeld deel 2: hoe bouw je een klantbeeld?

09 jun. 2020
Robert Feltzer
detail-nieuws-klantbeeld-1.jpg

In de serie ‘Het 360 graden klantbeeld’ delen wij graag onze kennis over hoe je klantgegevens omzet naar informatie; het meest belangrijke wapen in de strijd met de concurrent. Wat hebben organisaties nodig en welke stappen moeten zij zetten om een 360 graden klantbeeld te bereiken?

Dit deel gaat over het bouwen van het klantbeeld: welke bronnen spelen een rol en welke problemen kom je tegen bij het samenvoegen van data?

Klantdata is de sleutel tot succes
Consumenten laten in klantreizen een spoor van data achter. Deze data is niet alleen veelzeggend over de klant, maar ook over je organisatie en proposities. Beschik je over de kennis en tools om klantdata goed te organiseren en houd je je aan de privacywetgeving, dan vormt het verkregen inzicht dé essentiële sleutel tot ondermeer succesvolle klantcommunicatie en het verhogen van de klantwaarde.

Welke data vormt het 360 graden klantbeeld?
Een 360 graden klantbeeld ontstaat wanneer je relevante databronnen met elkaar combineert op persoonsniveau. Want hoe meer je over een klant weet, des te relevanter je kunt communiceren.

  • Het belang van databronnen is altijd afhankelijk van het doel en het gewenste gebruik, maar voor de meeste organisaties zijn de volgende onmisbaar:
  • Klantpersonalia: denk aan naam en adresinformatie
  • Transactiedata: bestelinformatie, betaal- en bezorgwijze en klantnummer
  • Producten: met o.a. productkenmerken en het gebruik (frequentie, duur, etc.)
  • Promoties: welke aanbiedingen heeft de klant ontvangen en wat was de reactie?
  • Communicatiemiddelen: via welke communicatiekanalen blijft de klant op de hoogte?
  • Servicecontacten: op welke momenten, via welke kanalen en over welke onderwerpen?
  • Website bezoek: klikgedrag (het liefst gecategoriseerd per onderwerp of functie)
  • App gebruik: klikgedrag, gebruik en tijdsduur

Er zijn ook externe bronnen die meer inzicht geven in een klant of het klantgedrag. De volgende (open) databronnen worden vaak gekoppeld aan de eigen klantgegevens:

  • CBS open data: gegevens over de woonbuurt
  • Het Kadaster: woninginformatie
  • Kamer van Koophandel: zakelijke informatie
  • Concurrentiedata: winkelinformatie van nabijgelegen concurrentie
  • Shop en winkel data: kenmerken van het winkeltype, met afstand tot de klant
  • KNMI weerdata

Het (leren) kennen van je klanten
Om je klant te leren kennen moet je de ruwe data omzetten naar informatie. Data vormt een verhaal. Hoe beter je een klant wilt leren kennen, hoe meer data en informatie je nodig hebt. Met het belang van de klant in het achterhoofd is het mijn advies om je te beperken tot noodzakelijke gegevens of data waarvan klanten (bij gebruik) duidelijke voordelen ervaren. Een duidelijk voordeel kan bijvoorbeeld zijn dat een boodschap beter worden afgestemd of gepersonaliseerd en daardoor minder irritatie opwekt. In de praktijk blijkt dat het onmogelijk is om van al je klanten alle benodigde informatie te verzamelen, dus streef dat ook niet na.

Ontbrekende data kan worden aangevuld met externe data, statistische technieken en modellen. Zo heeft het gebruik van AI-modellen een enorme vlucht genomen, wat vooral veroorzaakt is door de grote beschikbaarheid van kwantitatieve en kwalitatieve databronnen, maar ook omdat marketing- analysetools het gebruik vereenvoudigen. Ontbrekende kenmerken op individueel klantniveau kunnen worden afgeleid van andere en wel bekende informatie van de betreffende klant, of worden voorspeld op basis van de data van andere klanten. Voorspelde kenmerken zijn prima bruikbaar voor de meeste marketingactiviteiten, maar houdt er rekening mee dat ze nooit 100% ‘hard’ zijn.

Onderstaande voorbeelden geven weer hoe afgeleide kenmerken gecreëerd worden, waarbij er onderscheid wordt gemaakt op basis van een individuele klant en op basis van andere klanten.

  • Via de kassabonnen van een individuele klant kun je afleiden wat de gezinssamenstelling is. Koopt een klant regelmatig grootverpakkingen voor vier personen en producten voor jonge kinderen, dan is de kans groot dat er sprake is van een gezin met jonge kinderen. Het kenmerk ‘Gezin’ is uitstekend te gebruiken als selectiecriterium voor gerichte aanbiedingen. Maar gebruik altijd je gezonde verstand, handel ethisch verantwoord en denk na of het wijsheid én nodig is dat je soortgelijke selectiecriteria gebruikt.
  • Om klanten te kunnen behouden wil je weten wat de opzegintentie is. Dit kenmerk is feitelijk onbekend, tot het moment dat het eigenlijk al te laat is. Met behulp van het gedrag van andere vergelijkbare klanten die al opgezegd hebben, kun je het opzegmoment van actieve klanten voorspellen en hierop anticiperen.

Veelvoorkomende problemen bij het samenvoegen van databronnen tot één klantbeeld
Voor je enthousiast aan de slag gaat met het combineren van databronnen, moet je eerst bepalen op welk niveau het uiteindelijke klantbeeld nodig is: persoons- of huishoudniveau. Ze zijn allebei relevant, maar niet even gemakkelijk te creëren. Zo is een klantbeeld op persoonsniveau wellicht het meest nauwkeurig voor 1-op-1 communicatie, maar het vereist meer of uitgebreidere matchkeys. De meestgebruikte matchkey is ‘postcode+huisnummer+achternaam’; ook wel huishoudniveau. Kies je toch voor een klantbeeld op persoonsniveau, besef dan dat alleen het toevoegen van voorletter(s) niet volstaat.

Veelvoorkomende problemen uit de praktijk
In de meeste organisaties is klantdata over een langere periode verzameld en versnipperd terug te vinden in verschillende systemen. Daardoor is de datakwaliteit, volledigheid en betrouwbaarheid vaak onvoldoende en ontstaan er uitdagingen in het creëren van een goed klantbeeld en daaruit afgeleide inzichten.

Veelvoorkomende problemen bij het samenvoegen van brondata zijn:

  • Non-match: door het ontbreken van een matchkey is het onmogelijk om twee of meerdere klantgegevens te combineren. Denk bijvoorbeeld aan het koppelen van een e-mailadres uit een nieuwsbriefbestand aan een CRM-record waar het e-mailadres in ontbreekt óf ander e-mailadres in vermeld staat. Het grootste probleem hierbij is dat je een non-match niet opmerkt.
  • Dubbele klantinformatie: klanten die door verschillende oorzaken dubbel worden geregistreerd en niet altijd met dezelfde gegevens; wel of geen voorletter, andere schrijfwijze van de achternaam, verschillende adressen, etc.
  • Het ontbreken van personalia: je hebt een ‘golden record’ in handen wanneer je bezit over voorletter(s), voornaam, tussenvoegsel, achternaam, geslacht, geboortedatum, adres, telefoonnummer(s), e-mailadres, WebID en eventuele oude adressen. Al deze elementen vormen matchkeys en hoe beter gevuld, des te zekerder de match.
  • Onbereikbare klanten: je wilt een klant via zoveel mogelijk verschillende off- en online kanalen bereiken, maar dan moet je wel over deze contactinformatie beschikken. Vaak is hier geen sprake van.
  • Onduidelijke huishoudsamenstelling: het is niet altijd duidelijk of bepaalde klanten samen één huishouden vormen. Soms delen ze een achternaam, soms ook niet.
  • Verhuizingen: jaarlijks verhuist 7% van de Nederlandse bevolking. Zij denken er vaak niet aan om de nieuwe adresgegevens door te geven. Het gevolg is een verouderd klantenbestand en een fysiek onbereikbare klant.
  • Overledenen: jaarlijks overlijdt ongeveer 1,2% van de Nederlandse bevolking. Het niet of niet tijdig markeren van overledenen in je klantendatabase wekt irritatie op bij nabestaanden en geeft kans op imagoschade.
  • Wetgeving: als gevolg van de AVG mogen enkele gegevens niet verwerkt worden. Daarnaast zijn organisaties verplicht om dataminimalisatie toe te passen, wat wil zeggen dat je niet alle informatie moet opslaan. Het lastige daarbij is dat je niet altijd van tevoren weet of een kenmerk een (voorspellende) waarde heeft voor jouw business.
  • Schaarste in expertise: data is het domein van specialisten en die zijn schaars. Het gaat vooral om de domeinen datatechnologie, (klant)datagedreven plannen, analytics, data science, wetgeving en organisatie. Een bijkomend probleem is dat er vaak weinig ICT-capaciteit is om te helpen.

In het volgende deel: de keuze voor een Customer Data Platform en het voorkomen van data issues

Een 360 graden klantbeeld is van waarde wanneer het goed is georganiseerd en daardoor de juiste inzichten biedt. De creatie van zo’n klantbeeld en het onderhouden ervan is een specialisme met veel valkuilen, maar met de beste middelen goed op te lossen.

In deel drie van deze serie vertellen we hoe een Customer Data Platform kan helpen bij het creëren van een klantbeeld, waar je op moet letten bij de keuze voor een Customer Data Platform en hoe je data issues kunt voorkomen.

Gerelateerde solutions