Zo til je klantdata naar een hoger niveau

Aan data heeft geen enkele onderneming gebrek. Maar hoe haal je uit die berg data zinvolle informatie? Informatie die leidt tot waardevolle voorspellingen over klanten en tot personalisering van het klantencontact. Hoe til je al die data naar een hoger niveau?

Het bleek een terugkerende vraag op het Smart Travel Data Summit 2017 van EyeforTravel op 29 en 30 november in Amsterdam. Traditionele data-verwerkingsmethodes beschrijven voornamelijk wat is geweest en wat bezoekers en klanten hebben gedaan. Terwijl onderzoek van McKinsey al eerder aantoonde dat 35 procent van wat consumenten kopen op Amazon kopen, komt uit aanbevelingen gebaseerd op klantdata. Bij Netflix is dat aanbevelingen succes zelfs 75 procent.

De oplossing én uitdaging voor de analytics-organisatie, ook buiten de reisbranche, blijkt de juiste combinatie van machine learning en de slimme mens te zijn.

Bedenk wat je wil weten en welke data je moet verzamelen

Een goede vraag stellen is het begin. Een goede vraag is specifiek en meetbaar. Bijvoorbeeld: is het waar dat een bepaald segment klanten altijd een hoger bedrag besteedt in de maand december?

Christel Schoger, analytics consultant van Google, benadrukt kritisch naar de aanwezige data te kijken. Zij erkent de kracht van algoritmes, maar gelooft ook in de inzet van ad-hocdata uit andere verzamelingen. Ze noemt het connecting the dots: data van verschillende bronnen combineren en van daaruit de eigen relevante data en propositie halen.

Schoger geeft tips voor het gebruik van Google Analytics:

• Combineer een demografisch segment van kopers met hun gedrag op social media om die kopers beter te begrijpen
• Analyseer het gedrag van buyers vs. non-buyers, paid vs. organic bezoekers, new vss returning bezoekers
• Voeg user ID’s toe die het gedrag van een gebruiker weergegeven in plaats van een client ID die alleen het gedrag van een anoniem apparaat of browser weergeeft
• En maak klantsegmenten, gebaseerd op het zoekpad van de bezoekers

Schoger geeft tot slot aan dat ongeveer twee derde van de ’leading marketeers’ ervaart dat beslissingen gebaseerd op data effectiever waren dan besluiten gebaseerd op hun onderbuikgevoel. Aandachtspunt is wel dat dezelfde marketeers aangeven dat ze het talent om deze data te analyseren hard nodig hebben.

Een stappenplan

Matthijs Keij, CEO van Withlocals.com, een marktplaats voor tours & activities (T&A), gelooft in personalization van het aanbod op basis van data. Hij voorspelt het einde van ’one-size-fits-all,’ gezien ook de recente miljoenen die zijn geïnvesteerd in nieuwe bedrijven als Tiquets, Klook en GetYourGuide. Ook signaleert hij dat Airbnb en Tripadvisor zich steeds meer op de T&A-branche focussen. Keij presenteert het volgende stappenplan om op basis van data tot gepersonaliseerd aanbod te komen.

Stap 1. Gebruik voor de dataverzameling meerdere platformen

Gebruik bijvoorbeeld deze platformen:

• Website en app
• Boekingssystemen (leadtime, seizoensgevoeligheden, et cetera)
• De profielen van de hosts
• Marktonderzoek
• Reviews

Een datamanagementplatform is hierbij handig, maar de analyse starten in Excel is ook een begin.

Stap 2. Van data naar inzichten

Wat wil je weten? Welk probleem wil je oplossen? Van belang is vervolgens om op het juiste niveau van de verzamelde data in te zoomen.

Voor Withlocals is dat bijvoorbeeld: mensen zoeken een gids, maar willen ze een hele jofele gids of juist een hele slimme gids? Het antwoord hierop kan gehaald worden uit een analyse van eerdere boekingen en reviews. Keij geeft aan dat externe hulp soms handig is, want naast marketingkennis is ook kennis van de branche nodig. Onthoud ook dat kleine stapjes soms tot grote veranderingen kunnen leiden, zoals een aanpassing in de selectieprocedure van gidsen.

Stap 3. Van inzicht naar actie

Vertaal de inzichten naar acties. Niks zo leuk als bij locals thuis eten, het is een succesformule van Withlocals. Maar als dat zo populair is dat de keukentafel te klein wordt, is voortijdig een aangepast plan nodig. En zal er bijvoorbeeld naar andere unieke dinerlocaties gezocht moeten worden.

Stap 4. Blijf testen en verbeteren

Om personalisering ook schaalbaar te maken, is het testen van verschillende opties noodzakelijk.

Bijvoorbeeld: een fietstour met heerlijke hapjes door Rome kan verschillen in tijdsduur, vervoer en het aantal gangen, alles afhankelijk van de groep. Massclusivity noemt Keij het. De uitdaging is die vraag te voorspellen op basis van getoond klantengedrag.

Stap 5. Luisteren naar klanten

”Kijk eens verder dan de Net promotor Score, bel een klant”, is Keij zijn advies. ”En implementeer die feedback.” Als concreet voorbeeld noemt hij de ontwikkeling van het Family Friendly-label. Dit kwam na persoonlijke reacties dat de tour ook kinderen moet vermaken – dan zijn de ouders ook blij.

Dataverzameling: durf te vragen

53 procent van de consumenten is bereid zijn persoonsgegevens te delen in ruil voor tools die helpen beslissingen te nemen. Dit onderzoek van Columbia Business School dateert van 2015. Vraag dit vandaag aan een gemiddelde studentenpopulatie, en dat percentage zal nog hoger liggen, is mijn ervaring.

De Engelse treinvervoerder Trainline ontwikkelde een informatieve app voor de reiziger. Jonathan Moore, chief product officer van Trainline, vroeg zich af: ‘Als Trainline iets creëert dat reizigers echt helpt, zullen die reizigers zullen ons dan ook helpen?’ Het antwoord bleek ‘ja’.

Trainline ontwikkelde Busybot. Een chatbot die aan de treinreiziger vraagt: ’Zijn er lege plaatsen in uw treinwagon?’ Het levert maar liefst elke week 150.000 inputs op. real time data van reizigers waarmee Trainline haar service verbetert. De app is ondertussen ook verrijkt met een PriceBot die de klant informeert over de beste prijs voor een treinkaartje, door aan te geven wanneer de treinprijs gaat stijgen.

Ondertussen is Trainline in samenwerking met Google bezig de voice search te optimaliseren en beschikbaar te stellen via Google Home.

Moore geeft aan dat zijn trainees in data engineering en datascience hiervoor enorme hoeveelheden datasets hebben gecreëerd en geselecteerd. Daarin zat de investering voor Trainline.

De analyse van data

Automatisering van data-analyse (lees: machine learning) en de ontwikkeling van algoritmes kunnen organisaties helpen om tot gepersonaliseerd klantencontact te komen. Drie voorbeelden hoe Skyscanner, Booking en Europcar dit aan pakken en waar prioriteiten liggen.

Customer first AI van Booking.com

Bij Booking.com werken 150 datascientisten. Booking zet in op artificial intelligence (AI). Onno Zoeter van Booking voegt daar nadrukkelijk aan toe: customer first AI. ”Daar waar AI ons kan helpen, gebruiken we het.” Ter illustratie beschrijft hij zijn ervaringen met machine translation. ”Het werkt nu redelijk goed maar het vraagt om veel meer vaardigheden dan alleen machine learning om echt impact te hebben op de klant. De vele typefouten moesten eruit, het was testen, testen en nog eens testen. Door mensen.” Evenals Trainline ziet Booking als volgende uitdaging voor de data-analyse de ontwikkeling van een user interface voor voice search. Uitgaande van de gedachte customer AI first, moet dat volgens Zoeter meer zijn dan het huidige Siri, dat nu nog voor alle gebruikers dezelfde toepassing biedt.

Squads bij Skyscanner

Bij Skyscanner.com zijn 23 van de 1000 medewerkers datascientist. Zij maakten tot voor kort vooral rapporten over wat was gebeurd en waarom. Volgens Mark Shilton, principal data scientist bij Skyscanner, vereist machine learning als basis een dataplatform met real time analyses. Hij streeft nu samen met zijn teams naar algoritmes die het gedrag voorspellen. Ze werken daarvoor met kleine autonome teams met ieder hun eigen missie: squads. Het is geïnspireerd op het organisatiemodel van Spotify, dat bestaat uit squads, tribes, chapters en guilds.

Leesbare dashboards van EuropCar

Ignazio Pisano, revenue & capacity director voor Frankrijk bij EuropCar, promoot een datagedreven cultuur binnen de organisatie, waarbij de ‘data-mensen’ naast de ’businesspeople’ zitten. “What’s the point of real time data if you can’t react in real-time speed?”

Analytics moet volgens Pisano geïntegreerd zijn met de productie en alle systemen. Hij pleit voor leesbare en toegankelijke dashboards, zodat alle medewerkers de data kunnen lezen en begrijpen. Want volgens hem is het nog de mens die de context geeft aan de verzamelde data. Waarbij geldt: hoe groter het taakconflict, hoe meer informatie wordt gedeeld, hoe beter de genomen beslissing. Met andere woorden: denkt niet iedereen hetzelfde over het te behalen doel, dan zal er meer overleg en meer informatie (data) nodig zijn om een gezamenlijk doel en strategie vast te stellen.

Pisano wijst als een van de weinigen op het belang van privacy en veiligheid. De inzet van data mag nooit ten koste gaan van het vertrouwen van de klant en daarmee van de long term customer value.

Deze drie voorbeelden laten zien dat de mogelijkheden tot data-analyse je er toe dwingen om te kijken en zoeken naar processen die geautomatiseerd kunnen worden. Het is niet alles of niets, één proces automatiseren kan al tot een efficiëntieslag leiden. Werden eerder enkele beslissingen genomen door het management die grote financiële gevolgen hadden, het gaat nu om miljoenen kleine beslissingen die ieder een paar cent waard zijn.

GDPR

De invoering van de GDPR, de Europese wet voor databescherming, in mei 2018, is een verscherping van de huidige Wet bescherming persoonsgegevens (Wbp). Het dwingt organisaties die op meer diepgaande wijze de data van bezoekers willen analyseren, om in sommige gevallen toestemming te vragen aan klanten/bezoekers. Meestal moet je ook het privacystatement aanpassen, zodat dat betrokkenen weten wat er met hun persoonsgegevens kan gebeuren.

Baas en knecht

Oud-politicus en begaafd redenaar Jan Terlouw zei onlangs in DWDD:

Techniek is prachtig, maar wel als knecht. Het is fantastisch zo lang de techniek ons leven beter maakt. Maar wij moeten de baas blijven, het moet beheersbaar blijven. Soms is een stap terug nodig.

De stap terug voor de data-fanatici is die klant in het vizier houden. De klant wiens vertrouwen niet geschaad mag worden als hij zijn data deelt. Het doel van de inzet van data, van de analytics, moet de verhoging van de service aan klanten zijn. Hoe slim die data en de machines ook zijn, de mens als creatief, empathisch én reflecterend wezen geeft voorlopig nog de vereiste context aan al die data. Context die het noodzakelijke vertrouwen biedt. De rol van de mens blijkt nog niet uitgespeeld.

Data-analyse begint met het stellen van de juiste vragen. Moeten we dan niet een chief questioner officer (CQO) inzetten? Die positie zal niet snel in de board komen, maar het belang van het bedenken van de juiste vragen werd erkend. De machines leveren de antwoorden wel, het is de mens die de onderscheidende vragen moet bedenken. Die mens moeten we opleiden, vandaag nog.