titel - liacs

Werktitel: Datamining in de een-op-een prehistorie
Peter van der Putten
Datamining is een hot topic op e-commerce symposia en in de columns van een-op-een
marketing goeroes. De dagelijkse praktijk is weerbarstiger. Juist bij grotere organisaties blijft de
invoering van datamining voor marketing toepassingen nog even achter bij de hooggespannen
verwachtingen. Dit creëert een ongewenste situatie voor deze bedrijven, omdat het uiteindelijk
met name de consumenten zijn die profiteren van de betere product-aanbiedingen en
keuzemogelijkheden die door datamining tot stand zijn gekomen.
Groeiende interesse
De groeiende interesse voor datamining voor marketing toepassingen is relatief eenvoudig te
verklaren. Datamining technieken komen oorspronkelijk uit de gereedschapskist van de
statistische patroonherkenning en de kunstmatige intelligentie. Deze technieken kunnen gebruikt
worden om verborgen patronen in klantgedrag te ontdekken. Zo kan onderzocht worden in welke
nieuwe producten een klant mogelijk interesse heeft, welke producten vaak samen gekocht
worden en wat consumenten beweegt om over te stappen naar de concurrent.
In tegenstelling tot wat vaak beweerd wordt is datamining niet nieuw: veel datamining technieken
stammen al uit de jaren ’40, ’50 en ’60. Bedrijven beschikken al tientallen jaren over centrale
stafafdelingen waar marktonderzoekers klantgegevens analyseren. Vanwege trends als de groei
van klanten databases, de toenemende populariteit van direct marketing en de ontwikkeling van
geïntegreerde en geautomatiseerde datamining omgevingen komt datamining langzaam maar
zeker in het bereik van de eindgebruiker voor wie het uiteindelijk bedoeld is: de marketeer.
Fossiel
De term ‘datamining’ is enigszins misleidend. Het suggereert dat de database verborgen ‘fossiele’
klantkennis bevat die klaarligt om, geheel automatisch, opgegraven te worden met het
datamining gereedschap. Terwijl het doel van het graafwerk en de interesse van de mijnwerker in
hoge mate bepalen naar welke klompjes men op zoek gaat: karakteristieke profielen van
respondenten, opzeggers van een abonnement of top klanten bijvoorbeeld. Bovendien is de
gevonden kennis nog maar een ruwe grondstof. De resultaten krijgen pas waarde als er zinvolle
actie op ondernomen wordt: gemailde contacten nabellen, opzeggers op tijd de juiste korting
bieden, klanten met lage omzet maar een top profiel toch een persoonlijke account manager
toewijzen.
In de praktijk blijkt dat het succes van datamining projecten staat of valt met de definitie van een
heldere doelstelling en dito exploitatieplan. Helaas is de creativiteit en lange termijn visie hierbij
nogal eens ver te zoeken. In negen van de tien gevallen gaat het of om het voorspellen van
respons op een enkele direct mailing of om het beschrijven van consumenten van een bepaald
product in de bekende variabelen geslacht, leeftijd en welstand.
E-commerce
De belangrijkste doelstelling voor de inzet van datamining binnen e-commerce is personalisatie:
het aanpassen van het informatie- en productaanbod aan het wensprofiel van de individuele
gebruiker. Datamining speelt hierbij nu nog een ondergeschikte rol. Zelfs op de de nieuwste ecommerce websites ontwikkeld met geavanceerde software van bijvoorbeeld BroadVision of
Microsoft (Site Server Commerce) is personalisatie nog een relatief statisch begrip. Het profiel
van een klant is grotendeels handmatig door een bezoeker zelf bepaald. Datamining zou gebruikt
kunnen worden om interessante kenmerken af te leiden uit basisgegevens en surfgedrag en deze
toe te voegen aan het profiel. Men zou bijvoorbeeld kunnen denken aan klanttyperingen als
'snelle shoppers', 'bon vivants' en 'koopjesjagers'. De regeltjes waarmee wordt bepaald hoe,
gegeven het profiel van een klant, de website wordt aangepast zijn meestal eveneens handmatig
ingevoerd en wel door de ontwerper van de site: 'snelle shoppers' krijgen klant-en-klare
maaltijden voor hun neus, 'koopjesjagers' de prijs-aanbiedingen. Ook deze regeltjes kunnen met
datamining dynamisch 'ontdekt' worden, bijvoorbeeld door on-line per individuele klant de
interesse in verschillende producten te voorspellen. Een bezoeker krijgt dan producten
aangeboden die gekocht zijn door die individuele klanten waar hij of zij het meeste op lijkt. Het
lijstje alternatieve boekentitels op de bekende boekensites is een voorbeeld van een dergelijke
toepassing.
Datakwaliteit
Ook al zijn er een goede doelstellingen voor datamining geformuleerd, in de echte ofwel in de
virtuele wereld, dan vormt de bereikbaarheid en de kwaliteit van de data vaak een probleem. Veel
grote organisaties hebben de overgang van transactie-georiënteerde productie databases naar
consument-georiënteerde klantendatabases nog niet afgerond. De individuele klanthistorie die
een kruidenier op de hoek gewoon in zijn hoofd heeft zitten, is zeer moeilijk uit deze
productiesystemen te halen.
Een snelle en algemeen aanvaarde oplossing voor een gebrek aan data is de inkoop van sociodemografische gegevens bij een externe gegevensleverancier. Hier wordt het prehistorische eenop-een gehalte van de huidige marketing aanpak duidelijk. De de facto standaard voor koppeling
van deze waardevolle externe gegevens aan de interne klantendatabase is de postcode: alle
klanten uit een specifiek postcode gebied krijgen dus exact dezelfde kenmerken toegewezen.
Lijkt u zoveel op u buurman? Een intelligentere matching van consument en geënquêteerde lijkt
hier op zijn plaats. Kenmerken die bij beiden voorkomen, zoals geslacht, leeftijd en opleiding
kunnen hierbij uitkomst bieden.
Vraag het de klant
Een andere mogelijkheid om in de toekomst meer van individuele klanten te weten te komen is
eigenlijk vrij simpel: vraag het de klant. Klanten zijn in het algemeen best bereid
persoonsgegevens en informatie over koopmotieven te verstrekken aan de producent, als het
maar klip en klaar is dat daar iets tegenover staat – een beter product, service of prijs.
Al enkele weken na de lancering van de Albert Heijn bonuskaart hadden ruim 2 miljoen
consumenten de kaart aangeschaft. Slechts 2% had geen naam, adres en woonplaats op het
aanvraagformulier ingevuld. In reactie op kritische geluiden uit de publieke opinie over het
schenden van de privacy plaatste Albert Heijn paginagrote advertenties met centraal een slim
een-op-een symbool: het kruideniertje waar de grootgrutter ooit in het klein begonnen was.
Bezoekers van de website van SportsLine USA krijgen punten voor het bezoeken van de site. De
punten kunnen geruild worden voor sport memorabilia en on-line chats met sportcoryfeeën. Hoe
vaker men de site bezoekt, des te beter de beloningen en des te meer SportsLine weet van het
surfgedrag. Het verst gaat het bedrijf FreePC, dat 10.000 computers gaat weggeven aan
consumenten die uitgebreide persoonsgegevens verstrekken en bereid zijn constant bloot te
staan aan advertenties op hun scherm.
Evolutie van klant en producent
Kunnen we nu concluderen dat het nog niet zo’n vaart loopt met datamining en we dus rustig
achterover kunnen leunen? Deze vraag laat zich het best beantwoorden vanuit het perspectief
van de klant.
Naarmate het publieke bewustzijn omtrent privacy kwesties stijgt, zullen organisaties die op een
niet-selectieve, verspillende manier marketing bedrijven harder door consumenten worden
afgestraft. De irritatiedrempel voor ongewenste brieven of erger nog, irrelevante
verkooptelefoontjes tijdens het eten zal steeds lager komen te liggen. Een zogenaamde een-opeen relatie moet ook vanuit de optiek van de klant betekenis hebben. Privacybeschermers en
datamining leveranciers kunnen in deze zin wel eens een paradoxale gelegenheidsalliantie gaan
vormen gezien het gezamenlijke doel: minder ongewenste marketing contacten.
Bedrijven die juist op een selectieve manier willen marketen en handelen, en met name de
elektronische handelaars, zullen vaker datamining willen gaan inzetten om de klant beter en
flexibeler een gepersonaliseerd aanbod te kunnen doen. Klanten krijgen langzaam maar zeker
een betere keus tussen verschillende producenten, wat betekent dat producenten weer extra hun
best moeten doen om een betekenisvolle relatie op te bouwen. Het voordeel van de
transparantere markt ligt dus voornamelijk aan de kant van de klant, al kan de producent
simpelweg niet achterblijven. In deze snelle evolutie van de wedloop tussen producenten en
klanten kunnen bedrijven die vanwege hun grootte niet flexibel inspelen op deze ontwikkeling
hetzelfde lot beschoren zijn als andere reuzen uit de prehistorie.
Autospeurders
Het is enigszins speculatief, maar op de electronische marktplaatsen van de toekomst zal de
consument waarschijnlijk zelf datamining technieken kunnen gebruiken om het aanbod optimaal
te analyseren. Op de Autospeurdersite van de Telegraaf kan een bezoeker nu al het profiel van
zijn ideale wensauto opgeven waarna de searchengine of een zoekagent de chaotisch
opgestelde rubrieksadvertenties uit de krant doorpluist op zoek naar de best matchende
tweedehandsjes. Indien er geen auto’s zijn die 100% overeenkomen gaat de agent op zoek naar
de meest passende alternatieven. In de toekomst zou datamining hier bijvoorbeeld gebruikt
kunnen worden om te beoordelen of een gevraagde prijs redelijk is door een vergelijking te
maken met een voorspelde prijs.
Een stap vooruit?
Samenvattend: de hype rondom datamining en een-op-een marketing doet geen recht aan de
huidige stand van zaken in de praktijk, waar het ontwikkelen van datamining scenario’s en het
gestructureerd verzamelen van een rijke relevante verzameling klantgegevens van goede
kwaliteit nog sterk in ontwikkeling is.
Het zal nog wel even duren maar de instrumenten datamining, een-op-een marketing en ecommerce zullen elkaar in de toekomst via het hefboomeffect van verhoogde transparantie en
concurrentie zeker gaan versterken.
De techniek achter datamining vormt niet het meest complexe onderdeel. De crux ligt bij het open doorstarten van het datamining proces, om stap voor stap te komen tot een efficiënte, lerende
organisatie die relaties aangaat met haar klanten. Zodat ondernemers kunnen doen wat het
meest telt vandaag en morgen: klanten en concurrenten een stap voor zijn.
Peter van der Putten ([email protected]) is datamining consultant bij Sentient Machine Research.