Laden...

Big data: een goudmijn aan informatie

Foto RT Data

Big data spelen een steeds grotere rol. De hoeveelheid data die opgeslagen wordt, groeit exponentieel. Dat heeft te maken met het feit dat consumenten zelf steeds meer data opslaan via allerlei kanalen, maar ook doordat steeds meer devices zelf data verzamelen, opslaan en uitwisselen. Al deze data bevatten een schat aan informatie die voor verschillende doeleinden ingezet kunnen worden. Maar, hoe breng je orde in deze grote berg aan informatie die alsmaar hoger wordt? En concreter: wat kunnen we ermee? We gaan in gesprek met een groot aantal dataspecialisten.

We merken momenteel in België dat big data een doel is, zegt Wannes Rosiers. “Dat is juist niet de bedoeling. Big Data zou geen doel moeten zijn, maar een hulpmiddel voor wanneer je ergens tegenaan loopt.” Geoffrey Smolders vult aan: “Big data, iedereen spreekt erover, maar niemand kan definiëren wat het exact is. Veel bedrijven denken dat ze met big data issues geconfronteerd worden, maar in feite is het niet meer of minder dan de eigen bronnen met transactionele data aangevuld met andere bronnen zoals data uit sociale media. Het is dus lang niet altijd big data als in veel volume.” Om heel cru te zijn denk ik dat veel bedrijven van mening zijn te beschikken over big data als het niet meer in een Excel file past, lacht Wannes Rosiers. Kris Vranken kan dat beamen: “Big data betekent voor veel bedrijven gewoon veel data. Of data uit meerdere bronnen. En dat hoeft het echt niet te zijn. Ik ben ergens wel blij dat de hype voorbij is.”

Maturiteit

Ook Patrick Derde constateert dat de echte hype voorbij is: “We zien gelukkig een verandering. Big data is vooral in de markt geplaatst vanuit een technologie invalshoek waarbij structuur kon worden aangebracht in een grote verscheidenheid aan ongestructureerde data. Maar dat zonder een duidelijk patroon. Vandaag zijn we tot de vaststelling gekomen dat je toch een minimale notie moet hebben van de betekenis van die data om hiermee fatsoenlijke informatie te kunnen creëren en tot de gewenste actie over te gaan. En ik denk dat bedrijven die met big data technologie geëxperimenteerd hebben nu een bepaalde maturiteit hebben bereikt dat ze een stap verder gaan door op een intelligente manier iets met die technologie kunnen gaan doen. De grote uitdaging zit in het achterhalen van de betekenis van de grote volumes data die we hebben. Meestal is de data die we capteren gestructureerd of semigestructureerd en is de betekenis gekend. Het achterhalen van de betekenis van grote hoeveelheden echt ongestructureerde data is veel moeilijker. Het gaat in dit geval gaat over het achterhalen van betekenis uit vastgestelde patronen en dat is nog wel mensenwerk, het werk van een data scientist. Vandaag zijn we technisch in staat om heel wat data te verwerken en is er ook steeds meer zicht op wat de betekenis is van data die we aan het verwerken zijn.” Peter Van den Spiegel: “Klopt. We zien tevens dat big data technologie zijn weg vindt naar het traditionele Business Intelligence domein.”

Gestructureerde data

Albert Derasse geeft een voorbeeld van het geven van een betekenis aan data. “We werken voor veel banken wereldwijd en helpen banken met behulp van big data fraude te detecteren, gelinkt aan het gebruik van de credit card. Zo monitoren we voor een groot aantal acquirers de transacties en plaatsen deze op een geografische kaart gerelateerd aan het tijdstip. Stel er wordt een aankoop gedaan in New York om 10.37 uur en een kwartier later op Hawaii met dezelfde kaart, dan is er een probleem. Dat is niets anders dan het berekenen van het bekomen van fraude op basis van plaats en tijd. In dit voorbeeld scannen wij heel veel data, maar weten wel precies wat we zoeken.” Volgens Patrick Derde is het een mooi voorbeeld van perfect gestructureerde data. “Hij weet ook exact waarnaar hij op zoek is,” zegt Wannes Rosiers terecht. Albert Derasse: “Behalve de data is de tweede dimensie tijd hierin cruciaal om snel te kunnen weten wat er aan de hand is met in dit geval de credit card.”

Waarde creëren

Ook Geoffrey Smolders komt met een voorbeeld waarbij data een rol kan spelen in fraudedetectie: “Voor een retailer die voorheen alle transacties met loyalty cards in een database bewaarde, zijn we met behulp van de business intelligence tool Tableau dieper in detail gaan kijken en hebben onmiddellijk fraude ontdekt. Er gebeurden namelijk transacties op verschillende locaties op dezelfde tijdstippen. Veel bedrijven verzamelen data in een database, maar zolang je niks met die data doet, heeft het geen waarde.” Ook Tom Vandoorne is het daar mee eens: “Big data dat als blackbox naar voren wordt geschoven, heeft an sich inderdaad geen waarde. Het gaat pas een waarde opleveren op het moment dat je actie kunt gaan ondernemen. Of het nu big data is of niet, mensen hebben informatie nodig waarmee ze waarde kunnen creëren en dat moet heel granulair zover mogelijk verspreid worden in de organisatie.” Behoeften zijn inderdaad heel belangrijk, en daar gaat men meestal aan voorbij, zegt Kris Vranken. “Men ziet big data enkel als het connecteren van data; dat is dan ook het eindresultaat. Dat is heel spijtig. Het is slechts de start. We werken met doorlooptijden van drie tot vier jaar om bedrijven effectief te laten veranderen in mentaliteit om vanuit een strategisch plan te gaan zoeken naar relevante informatie in data. En of dat dan big data, smart data of small data is, dat maakt eigenlijk niet uit. Je moet vanuit een plan, vanuit een strategie objectieven kunnen definiëren en daar data voor kunnen aanwenden.”

Peter Van den Spiegel: “Absoluut! De meerwaarde van het gebruik van big data of analytics in het algemeen zit hem in de mate waarin het bedrijf als geheel in staat is om de uitkomsten van de analyses op een duurzame manier te integreren in de werking van het bedrijf. Dit klinkt eenvoudig, maar is veelal de grootste struikelblok om succesvol aan data analytics te doen.”

Future-proof oplossing

Kris Vranken: “Omdat altijd alles maar meer geïntegreerd, sneller en real-time moet gebeuren, merk ik dat de big data oplossingen vaak nog te veel in silo’s zitten. Zeker in business intelligence sferen, met heel veel informatie bij elkaar om een bepaald antwoord te gaan zoeken op vragen. Men houdt er geen rekening mee dat de vergaarde informatie eigenlijk weer deel moet uitmaken van het grote geheel en dat ook weer alles teruggekoppeld moet worden naar al die silo’s die er zijn. Pas als je die stap kunt zetten, dan lijkt het mij dat je een future-proof oplossing gaat hebben.” Patrick Derde ziet dat steeds meer bedrijven zich hiervan bewust zijn. “We merken de laatste jaren dat bedrijven heel bewust een datastrategie aan het opbouwen. Zij maken de switch naar een data-driven company met goede processen die zorgen dat de data goed kan beheerd worden. Terwijl diezelfde bedrijven vijf jaar geleden nog eigenlijk bezig waren met het enkel uitrollen van een proces-driven strategie. Ook zij zien nu in dat er een enorme goudmijn aan informatie in data verborgen zit en zetten programma’s op, op enterpriseniveau, om data terug aandacht te geven en het compleet te integreren in het operationele proces.” Patrick Derde geeft een voorbeeld. “Een kruidenier kan vandaag via zijn analyse perfect meten wat de omloopsnelheid is van een product op eender welke dag van de week en op welk uur van de dag. Er zit een patroon in. Als hij merkt dat het patroon op een bepaald ogenblik niet gehaald wordt, dan kan het een signaal zijn dat er bijvoorbeeld een fles melk voor de rekken kapot ligt, zodanig dat de mensen dat product niet meer kunnen pakken, het winkelmanagement krijgt dit signaal en kan onmiddellijk overgaan tot actie. Het is een voorbeeld waarmee dankzij de toepassing van het operationeel inzetten van patronen het management kan geïnformeerd worden op een incident.” Kris Vranken: “Op die manier kun je inderdaad op basis van het combineren van ratio’s effectief gaan zien wat het effect is op diverse andere gedragingen.”

Ook Geoffrey Smolders herkent het voorbeeld van Patrick. “We hebben een proef gedaan bij een retailer door aan een winkelkarretje een beacon te hangen, een apparaat dat bewegingen registreert. Zo konden we een kaart plotten met daarop de gedragingen van klanten. Op diverse punten hebben we klanten een aantal twijfelpunten gegeven waarin ze moesten nadenken over een keuze tussen actie A of B. Dit blijk je perfect te kunnen sturen, want nadat de volgende dag de opstelling werd veranderd, veranderden ook de bewegingspatronen van klanten. Mensen gaan zich anders gedragen. Het is ongelooflijk interessante informatie. Met behulp van deze data kun je klantenstromen in een winkel optimaliseren. En datzelfde kan natuurlijk ook online in een webshop door bijvoorbeeld voor een specifieke lay-out te kiezen afhankelijk van het type bezoeker.”

Geofencing

Albert Derasse: Ook wij hebben ervaring met het gebruik van geofencing, zoals in het voorbeeld om mensen te situeren in een winkel, maar dan meer op een granulair niveau. Het gebruik van data ligt bij ons in het identificeren van een persoon in de winkel. Bijvoorbeeld: hij staat nu voor het rek met cola. Als deze persoon een bepaalde applicatie heeft ingeschakeld op zijn smartphone, zijn we in staat deze persoon te herkennen, te linken aan zijn gedrag en de juiste notificatie naar voren te brengen om hem bijvoorbeeld de cola light te laten aankopen. Een mooi voorbeeld van gebruik van specifieke informatie uit big data. Het is belangrijk waarde te creëren uit de juiste data, want heel veel data zijn niet relevant.” Patrick Derde trekt de vergelijking met statistiek. “Op basis van een relevante steekproef kan je ook al heel veel informatie bekomen. Je hebt hier niet noodzakelijk alle data voor nodig. Want, aan de rand van big data gaat nog een ander aspect schuil, de commerciële psychologie. Mensen zijn kuddedieren. Commercieel-psychologen weten perfect hoe iemand zich gaat gedragen, het is heel voorspelbaar, los van de actuele data. Aan de andere kant, als je weet dat iemand op die plaats, op die locatie staat, en hij staat er al vijf seconden te wachten, dan kun je hem een extra trigger geven om ervoor te zorgen dat hij toch die cola light gaat kopen.”

Identity

Aan de ene kant kun je big data voorbereiden en geautomatiseerde verbanden laten leggen, topdown in een organisatie. Aan de andere kant, uit elk van de genoemde voorbeelden blijkt, dat wat er in die ene winkel of webshop gebeurt, het verschil maakt. Dat zegt Tom Vandoorne. “De combinatie van topdown een aantal dingen voorbereiden en lokaal de vrijheidschalen geven om ermee aan de slag te gaan, dat is het geheim voor elke retailer die ermee gaat werken.” Wannes Rosiers: “Het voordeel van big data is dat je zoveel kan verzamelen dat je kunt gaan individualiseren, puur op winkel- of webshopniveau. Hoe ver of hoe diep je dat wil trekken in een organisatie, kan je kiezen. Het hoeft niet meer alleen een statistiek te zijn waarop je acties onderneemt.” Als het gaat om individualisatie heb je enerzijds die van de klant, van de mensen of van de objecten die je al kent en die je met zekerheid kunt identificeren omdat ze bijvoorbeeld een app hebben gedownload, zegt Patrick Derde. “Als het een occasionele passant is op een website dan moet je gaan zoeken wat de identity is die daarachter zit. En die identity is niet noodzakelijk gekoppeld aan die ene persoon. Dus enerzijds heb je het verdiepen van een klantrelatie op basis van bekende zaken en anderzijds het proberen binnenhalen van nieuwe klanten op basis van een identity die je gedetecteerd hebt op basis van big data analyse.”

Peter Van den Spiegel: “Big data analytics maakt het mogelijk om veel specifieker, gerichter en individueler te gaan analyseren en targetten. Dit rijst natuurlijk vragen op rond wat mag en niet mag vanuit privacy oogpunt. Een grote uitdaging betreft dan ook het correct incorporeren van de juiste privacy en security maatregelen, teneinde te verzekeren dat geen ongeautoriseerde toegang wordt verkregen tot of geen ongeoorloofd gebruik wordt gemaakt van persoonsgegevens (i.e. ‘Personally identifiable information’). De regelgeving loopt veelal achterop op de technologische evolutie, waardoor bedrijven zelf de nodige pro-activiteit moeten tonen en verantwoordelijkheid moeten opnemen. Transparantie naar de klant toe is hierbij cruciaal. Onze ervaring leert hierbij dat klanten vaak bereid zijn om bijkomende data beschikbaar te stellen voor analysedoeleinden, op voorwaarde dat zeer transparant en eerlijk wordt gecommuniceerd waarvoor hun data zal worden gebruikt.”

Bron van creativiteit

Kris Vranken plaatst een kritische noot: “Ook al zeggen bedrijven vandaag allemaal data-driven te zijn, het wordt toch nog flink onderschat en is vaak niet tot op het hoogste niveau doorgedrongen. Een bedrijfsbrede aanpak ontbreekt in veel gevallen, natuurlijk wat uitzonderingen daargelaten. Klassiek is een bedrijf opgesplitst in afdelingen, marketing, logistiek, inkoop, verkoop, ict, etc. Het zijn vaak eilanden. Big data wordt heel erg door de marketing getrokken, en dan houdt het op. Ze zijn vooral bezig met het connecteren van data op welk niveau dan ook om dan een optimalisatie van hun communicatie te doen. Een kostoptimalisatie vaak ook nog, een ROI. Maar er zijn zoveel mogelijkheden die onbenut blijven.” Tom Vandoorne sluit zich daar bij aan. “Het moet gedragen worden binnen de hele organisatie. Dat is essentieel.” Albert Derasse is van mening dat mede door de publiciteit van Agentschap over het gebruik van data, bedrijven data niet meer als een droge stof gaan zien, maar juist als een bron van creativiteit om de customer experience te verbeteren.” Inderdaad, dat is de volgende stap, meent Kris Vranken. “Zoals eerder al gezegd, is heel veel vast te leggen in patronen. Door de sociologie en psychologie in data te gaan ontdekken, kun je vaststellen wat doen groepen en wat doen individuen. Met behulp van deze patronen en kennis kun je de customer experience verhogen.”

Datakwaliteit

Een groot deel van de data kan geautomatiseerd gestructureerd worden, maar bij het ontdekken van patronen komt altijd een stuk manueel werk aan te pas, zegt Wannes Rosiers. Ook Patrick Derde is het daar mee eens: “Er zijn heel veel goede tools, maar de business rules moet je er zelf insteken, dat is mensenwerk. Dat zijn rules als datatypen en de toegelaten waarden, de ranges. Dat is de datakwaliteit gebaseerd op de verwachte waarden. Maar datakwaliteit gaat eigenlijk veel verder. Het kwaliteitslevel is bijzonder proces gebonden. In de prospectiefase hebben we bijvoorbeeld genoeg aan maar de helft van de ingevulde gegevens.” Geoffrey Smolders: “Er is geen enkel bedrijf dat geen probleem heeft met datakwaliteit.” Alles is ook ROI gedreven, meent Tom Vandoorne. “Als je heel veel tijd en energie steekt in het verbeteren van datakwaliteit en je haalt er niks uit, dan heb je geld weggegooid.” Maar datakwaliteit moet een agendapunt zijn, vindt Kris Vranken. “Datakwaliteit heeft wel op de agenda gestaan bij bedrijven, maar het wordt heel stiefmoederlijk behandeld. Het kost vaak ook veel geld om het goed te krijgen. Dat is inherent aan data; data veroudert of je krijgt niet altijd de correcte data door. Vandaag in het digitale tijdperk vergeet men dat naast de tools om de datakwaliteit te verbeteren men ook de vele touchpoints bij consumenten kan gebruiken om aan datakwaliteit te werken.” Peter Van den Spiegel: “Rond big data en datakwaliteit zijn er twee extreme visies. Zij die van mening zijn dat datakwaliteit niet meer belangrijk is, omwille van de wet der grote getallen en daar tegenover staan de gedachte dat de kwaliteit perfect moet zijn alvorens men aan analytics kan doen. De waarheid ligt echter in het midden. Datakwaliteit blijft van belang, ook al hebben we het over big data. Meer data toevoegen van slechte kwaliteit gaat de onderliggende datakwaliteit niet verbeteren. Daarentegen raden we bedrijven ook af om teveel tijd te steken in een volledige opkuis. Eerder klein beginnen, met een beperkte dataset, ook al is de onderliggende datakwaliteit niet perfect, en nadien iteratief de (belangrijkste) data gaan opkuisen en structureel aanpakken.”

Onderschatte goudmijn

Bij het verbeteren van de datakwaliteit wordt volgens Geoffrey Smolders ook vaak de waarde van open data onderschat. “In public sector zeker, maar ook zeker voor retailers om te bekijken en vergelijken. Er is zoveel gemakkelijke informatie beschikbaar.” Kris Vranken: “Ook lokale overheden zijn actief met het beschikbaar stellen van lokale open data. Dat is data waar overheden instaan voor de kwaliteit en bijdragen tot het gebruik van correcte data.” In Vlaanderen is dat in een decreet gegoten; overheden moeten die informatie ter beschikking stellen, zegt Patrick Derde. “Alles wat geen private informatie is, kan je aanvragen,” vult Wannes Rosiers aan. “Heel veel databronnen zijn al openbaar beschikbaar.” Die data mag niet individualiseerbaar zijn, weet Patrick Derde. “Maar, met een beetje creativiteit begin je de niet-geïndividualiseerde data te combineren zodanig dat je toch tot het individu komt. En dat laat de overheid dan niet toe,” lacht Derde. “De open databronnen zijn een onderschatte goudmijn,” concludeert Geoffrey Smolders. “Een bron van een enorme efficiency.” Peter Van den Spiegel: “En ze laten bovendien toe om reeds bestaande modellen op een goedkope en eenvoudige manier te verbeteren.

Analytische invalshoek

Het personaliseren van data vanuit een analytische invalshoek heeft volgens Albert Derasse twee gezichten. “Door het observeren en kijken wat de mensen in het verleden aangekocht hebben én wat het profiel is, kan heel goed worden voorspeld wat de neiging is om een aankoop te doen. Zo kunnen we in e-commerce rekening houden met de prioriteiten en financiële context van het bedrijf en constant de aanbiedingen aanpassen. Het kan dus zo zijn dat op een bepaald moment ervoor wordt gekozen om een product onder de aandacht te brengen waarvan de neiging om te kopen iets lager is, maar de marge juist veel hoger. Dat resulteert effectief misschien in minder verkopen, maar pakt qua marges beter uit. Wat belangrijk is, is een vrij holistisch zicht te krijgen van wie de klant is, maar ook wat de huidige toestand is qua logistiek en stock, om te bepalen welk product het best naar voren te brengen. Het best van de twee werelden.” Geoffrey Smolders: “Belangrijk is om de klant te betrekken in de customer journey. Klassiek vandaag deden we analyse van het winkelmandje, maar wat het interessanter maakt zijn concepten waarbij de loyalty card aan de business intelligence tooling wordt gekoppeld. Een klant heeft vaak een wishlist, denk aan likes op bijvoorbeeld Pinterest. Met behulp van deze data kun je meer real-time beslissingen nemen om de klant het beste aanbod te geven online. Het is vandaag dus meer dan alleen analyseren en voorspellen, het is data terugpushen naar een applicatie op een zo sensitieve manier zodanig dat je de klant een gepersonaliseerd aanbod kunt doen.”

Profilen

Wannes Rosiers: “Zeker in e-commerce kun je bezoekers op basis van data veel meer sturen dan effectief in een winkel zelf. Je kan kiezen wat je aan de mensen toont. Eens dat hij iets in zijn winkelmandje legt, ga ik hem terugsturen naar de shop of ga ik hem direct laten afrekenen? Je kan het volledige traject bepalen, ook richting lay-out.” Kris Vranken: “Vaak wordt nog te veel gedacht dat de customer journey gericht is op het plannen van aankopen. Het gaat veel verder. Het gaat over de next big experience. Emoties capteren is vaak heel moeilijk. Je kunt twee mensen hebben met een exact gelijke historiek, maar de ene is slecht gezind en de andere goed gezind. Zij gaan uiteindelijk helemaal een andere beslissing nemen.” Patrick Derde ziet dat mensen zich op bijvoorbeeld Facebook heel anders voordoen dan ze in werkelijkheid zijn, altijd positief. “Als je de benadering van die persoon daarop gaat baseren, kan het zijn dan je de bal volledig misslaat.” Gelukkig klagen ze op Twitter altijd, lacht Geoffrey Smolders. “Het is inderdaad heel moeilijk om te profilen enkel op social media.” Daarom is het belangrijk om al die touchpoints te capteren en dan naar responssnelheden te kijken, zegt Kris Vranken. “In welke volgorde en frequentie komen die touchpoints voor om uiteindelijk een customer journey uit te schrijven. Er bestaat overigens niet zoiets als een ideale customer journey. Elke klant maakt zijn eigen journey en je moet op elk van die situaties kunnen ingrijpen.”

Ondervragen

De touchpoints vind ik altijd wel interessant; hoeveel contactpunten zijn er nodig om tot een aankoop te komen, zegt Geoffrey Smolders. “Niemand die daar een deftig antwoord op kan geven. Het is moeilijk om die touchpoints te bevatten. Zelf stond ik bijvoorbeeld bij een retailer om een koffiezetapparaat te kopen. Ik had hem vast, de wachtrij bij de kassa was te lang, dus ik heb hem teruggezet en thuis hetzelfde apparaat bij een andere retailer gekocht. Hoe meet je dat punt waarop een klant die actie doet, dat is onmogelijk.” Kris Vranken: “Met behulp van de beschikbare data en het objectief ga je patronen (journeys) beginnen volgen. En dan komt er een punt dat een groep afhaakt, die stopt. Wat je daaraan kunt doen, is gewoon mensen ondervragen. Wat is er misgelopen? Ga mensen fysiek contacteren, bellen. Dat wordt vaak onderschat. Niet alles moet perfect automatiseerbaar zijn. Op een bepaald moment houdt het op, ook voor datacaptatiesystemen. Het voordeel van big data en data-driven zijn, dus alles geconsolideerd hebben, is dat je perfect weet dat die honderd klanten van de miljoen in die situatie een afwijkend patroon hebben gevolgd. Die kun je eens gaan bellen.”

Klantrelaties

Met behulp van data is het heel goed mogelijk een link te leggen tussen klanten. Albert Derasse: “Telecombedrijven doen niet anders en gebruiken big data op een zeer nauwkeurige manier. Ze weten binnen hun klantbestand wie naar wie belt en met welke intensiteit. Op dat niveau kunnen ze de relatie meten tussen de nummers. Bovendien hebben ze ook inzicht in wie de leaders zijn en wie de followers, dus wie welk product het eerst gekocht heeft en wie volgde. Stel, dat Kris zijn broer vaak belt en Kris heeft operator X net verlaten, dan is de neiging dat zijn broer de operator verlaat zeer hoog. Door gebruik van big data op een optimale manier zal operator X de broer van Kris op voorhand bellen om zeker te zijn dat hij bij deze operator blijft. In retentie, cross-selling en up-selling werkt dat even goed. De dimensie van het kennen van relatienetwerken is cruciaal.” Bedrijven die daarop willen inspelen kijken vaak naar de gestructureerde data in de big data, zegt Patrick Derde. “Dan wordt de data smart en kun je verschrikkelijk snel aan analytics doen.” Kris Vranken: “Data is nooit smart wanneer je niet weet waar je naar toe wil. En dat ontbreekt heel vaak. Men heeft heel veel data, maar men weet er vaak geen waarde aan te koppelen. En dan komt de hulp van specialisten als data scientists om de hoek kijken om inzichten te geven in de data.” Peter Van den Spiegel: “Maar zij kunnen dit niet alleen. Succesvolle big data Analytics teams zijn veelal multidisciplinair samengesteld, bestaande uit data scientists voor de technische en statistische competenties, data engineers voor de datapreparatie, business analisten en/of industrie-experten voor de business expertise en een scrum master.”

Snelheid als een service

Real-time is belangrijk, zegt Geoffrey Smolders. “Wij sturen bijvoorbeeld onze offertes niet meer via PDF maar digitaal uit. Onze sales krijgt een pop-up als een offerte bekeken wordt. En dan zullen we binnen twee uur een telefoontje plegen. We hebben nu al gezien dat de beslissing sneller wordt omgezet in conversie. Dat real-time gegeven is ontzettend belangrijk.” Kris Vranken: “Belangrijk in het real-time aspect is dat je ongelooflijk relevant kan zijn. Als iemand op die offerte geklikt heeft, dan weet je, nu zit het ‘top of mind’. Door direct te bellen kun je daar perfect op inspelen. Zou je dat niet doen en een week later bellen, dan ligt het niet op zijn agenda. En dat is niet alleen in B2B zo, maar geldt ook voor consumenten die net op de website zitten. Vandaar dat retargetting ook zo goed werkt, alleen is dat een beetje lastig dat je altijd gevolgd wordt op moment dat je iets gekocht hebt. Dus dat moet slimmer. We moeten de grenzen aftasten. Er bestaan weinig regels over, het zal zelfregulatie zijn. We merken dat als je echt trigger based gaat werken, real-time, dat dat als een extra service wordt ervaren en als zeer relevant wordt gezien. Denk dan aan een bevestiging van de bestelling, een bijkomende promotie, een upgrade.” Albert Derasse: “Real-time houdt in dat je niet alleen relevant moet zijn, maar ook convenience moet bieden. De juiste boodschap op het juiste moment en in de juiste context.” Geoffrey Smolders: “Wij adviseren dan soms over te gaan tot over-communicating met de klant. Je kunt dan perfect gaan meten welke touchpoints je nodig hebt om tot conversie te komen.” Wannes Rosiers vult aan: “Je moet dan wel weten op welke manier iemand gecontacteerd wenst te worden, just-in-time.” En dat mag je niet vragen, zegt Kris. “Dat moet je meten. Op moment dat de responsiviteit afneemt, ga je over op een ander kanaal om dezelfde persoon te bereiken.”

Retailers hebben te maken met een schat aan informatie. Volgens Tom Vandoorne is een samenspel tussen retailers en dataspecialisten heel belangrijk om inzichten te verkrijgen in data. “Retailers moeten zelf met de inzichten en modelleringen die specialisten hebben gedestilleerd aan de slag kunnen gaan. En misschien nog andere inzichten en verbanden mee samenbrengen om op die manier zelf tot voortschrijdend inzicht te kunnen komen. Alleen dan ga je tot een ongelooflijke sterkte kunnen komen om waardevolle informatie uit data te halen en deze vervolgens nuttig, real-time zo je wilt, kunnen inzetten.”

  • DELEN