Klantanalyse met data

Klantanalyse, in het Engels customer analytics, is onderzoek naar wie je klanten zijn, wat ze kopen of gebruiken en wat ze opleveren. De uitkomst is een keuze: welke klant je wat aanbiedt, waar je budget heen gaat en welke groep aandacht nodig heeft.

Wil je vooral zien wat er gebeurde, dan past business intelligence. Klantanalyse zoekt verbanden per klant en is een van onze AI-toepassingen.

Customer lifetime value (CLV), of klantwaarde, is wat een klant over de hele relatie naar verwachting oplevert. Een CLV-model heeft twee delen: hoeveel iemand besteedt en hoe lang de relatie duurt.

Bij een abonnement zie je wanneer iemand opzegt. In een webshop niet: daar weet je nooit zeker of iemand nog klant is. Het BG/NBD-model van Fader, Hardie en Lee schat die kans uit hoe vaak en hoe recent iemand kocht. Het Gamma-Gamma-model schat de besteding per aankoop.

De eenvoudigste vorm is RFM: je deelt klanten in op recency, frequency en monetary, dus hoe recent, hoe vaak en hoeveel ze kopen. Zoek je groepen op gedrag, dan kan een clustermethode als k-means. Die kiest het aantal groepen niet zelf; dat bepaal je met marketing.

In onze churnanalyse bleek segmenteren nodig om de patronen te zien: op type abonnement, duur van de relatie en activiteit. Een segment is pas af als iemand er een andere actie op zet.

Churn is het aantal klanten dat stopt met je product of dienst. Een churnanalyse is klantanalyse met één vraag: wie vertrekt er en waarom? Hoe we dat aanpakken, lees je in ons blog over churn reduceren.

Leg vooraf vast wie als vertrokken telt. Veel abonnees zeggen tijdelijk op om korting te krijgen. Wie snel terugkomt, telden wij niet als vertrokken, zodat het gedrag achter echt vertrek zichtbaar bleef. Lees ook de case van DPG Media.

Aankopen of gebruik die je aan een klant kunt koppelen: orders uit de webshop, aankopen met een klantenkaart, abonnementen, gegevens uit het CRM en het gebruik van sites en apps. Hoe meer van die bronnen dezelfde klantsleutel delen, hoe minder handwerk het koppelen kost.

In een winkel zonder klantenkaart is een aankoop niet aan een persoon te koppelen. Een market basket-analyse werkt dan wel: die laat zien welke producten vaak samen worden gekocht. Meer daarover in ons blog over AI in retail.

Klanten indelen op gedrag of voorkeuren is profilering. Het Europees Comité voor gegevensbescherming (EDPB) omschrijft dat als de geautomatiseerde analyse van persoonsgegevens om persoonlijke aspecten te beoordelen, zoals gedrag, voorkeuren en interesses. Daarvoor heb je een doel en een grondslag uit de AVG nodig.

Gegevens die je voor iets anders kreeg, mag je niet zomaar voor reclame gebruiken. Klanten kunnen volgens de Europese Commissie altijd bezwaar maken tegen direct marketing. Jullie functionaris gegevensbescherming beoordeelt de grondslag; wij werken met zo min mogelijk persoonsgegevens.

Bij voorkeur in de omgeving die je al hebt. Als Databricks- en Microsoft-partner bouwen we op Databricks of Microsoft Fabric. Voor onze churnanalyse werkten we met dbt op Snowflake. Meer over die keuze lees je bij data- en AI-platform.

Een eenmalige analyse levert segmenten op. Moet de klantwaarde steeds opnieuw worden berekend, dan wordt het een model met monitoring en een eigenaar. Dat kan jullie eigen team zijn, of wij via beheer en doorontwikkeling.

Als je een handvol grote klanten hebt die je persoonlijk kent, als aankopen niet aan een klant te koppelen zijn of als niemand de uitkomst gaat gebruiken. Een analyse zonder actie levert alleen een rapport op.

Wil je vooral volgen hoe omzet en klantenaantal zich ontwikkelen, dan volstaan vaak Power BI-dashboards. Weet je niet waar je klantdata staat, begin dan met een volwassenheidsscan. Nationale Opera & Ballet kreeg zo een groeiplan dat data koppelt aan volle zalen en een breder publiek.