Relevantie in retail verhogen door predictive intelligence

Retailmarketeers hebben altijd het belang van relevantie begrepen. Ze maken gebruik van beschikbare technologieën om de meest relevante producten, boodschappen en aanbiedingen op het juiste moment aan de juiste klant te tonen. In het jaar 2000 maakten marketeers hun doelgroepsegmentatie met behulp van big data-technieken. Toentertijd was een volledig gepersonaliseerde benadering nog niet mogelijk. Predictive intelligence voorziet hier wel in. Deze technologie neemt de context van klantdata mee - in realtime - en brengt zo de klant als individu in beeld, niet als onderdeel van een demografische groep.

Individueel klantgedrag

Computing heeft gezorgd voor meer op maat gemaakte klantervaringen. Op dit moment dragen ontwikkelingen zoals cloud software, goedkopere opslag en snellere verwerking hieraan bij. Marketeers hebben met predictive intelligence toegang tot veel meer dan de basis aan segmentatiemogelijkheden, ze kunnen nu ook klantdata in een context en in realtime bekijken. Dit brengt voor het eerst de klant als individu beter in kaart. Door het voorspellen van individueel klantgedrag kunnen marketeers een shopper’s journey aanpassen aan de wensen van de klant.

Ontwikkelingen op het gebied van data science maken het mogelijk om automatisch individuele predictive modellen te bouwen voor iedere klant die contact heeft met een retailer. Predictive intelligence-technologie doet dit door het verzamelen van transactionele, clickstream- en aankoopdata. Vervolgens wordt ieder model geüpdatet met realtime gedragsinformatie en worden individuele klantervaringen aangepast om zo hem of haar de juiste boodschap te kunnen aanbieden. Onnodig te zeggen dat het bedrijfsresultaat hierdoor positief wordt beïnvloed.

Persoonlijke aanbieding

Als een predictive model niet alleen kijkt naar productverwantschappen, maar ook naar klanten met dezelfde voorkeuren, kan een individuele klant producten aangeboden krijgen die hij normaal gesproken niet zou hebben overwogen of waarvan hij het bestaan niet eens kende. Het dataonderzoek voorspelt dat het product hem of haar zal bevallen. Dit biedt interessante mogelijkheden voor gepersonaliseerde productaanbiedingen.

Predictive intelligence-technologie lost ook een probleem op dat onder retailers bekendstaat als het little data-probleem. Retailers hebben de beschikking over een grote hoeveelheid statistische gegevens over al hun klanten, maar ze hebben opvallend genoeg weinig gegevens over individuen. In veel gevallen staat een shopper slechts één à twee keer per jaar in contact met een retailer. Dit betekent dat de totale hoeveelheid data over dat individu erg beperkt is. Iedere shopper persoonlijke relevantie bieden, vereist een maximale voorspellende waarde uit data.

Voorspellende waarde

Met de meest recente marketingwetenschapstechnologie kunnen we nu de relevantie van aanbevelingen die voortkomen uit deze individuele voorspellende modellen sterk verbeteren. Zelfs als het gaat om klanten die relatief weinig contact hebben gehad met die retailer. De nieuwe predictive intelligence-technieken maken het mogelijk om inzicht te halen uit iedere hoeveelheid aan data over een klant, veel of weinig, en dit inzicht te koppelen aan andere klanten met dezelfde productvoorkeuren. Op deze manier krijg je zelflerende systemen: iedere verandering of update in het ene systeem leidt ook tot aanpassingen in alle andere systemen waardoor de voorspellende waarde van alle systemen verbetert.

Predictive data science is een mooie aanvulling voor marketing, maar het vereist data uit diverse bronnen, zoals product feeds,klant- en catalogusdata, transacties, kortingsacties en promotiedetails. Waar veel intelligente technologieën een bepaald gedeelte van deze data meenemen, is de praktische uitdaging van retailers hoe ze op een efficiënte manier gebruik kunnen maken van álle data binnen hun e-commerce-platform. Ook is het zaak alle data in lijn te houden met realtime operations. Diverse intelligente oplossingen nemen genoegen met enkel het browsergedrag van klanten. Dat is jammer, want het maakt dan geen gebruik van het volledige potentieel dat klant- en productdata biedt. Dit is een reden waarom native predictive intelligence-technologieën, die direct in e-commerce-platforms zijn embedded, de toekomst zijn als het gaat om relevantie in retail.

Het is van belang om relevantie te brengen in alle stappen van de reis die een shopper aflegt. Het gaat om meerdere onderdelen: onsite natuurlijk, maar ook via e-mail, offsite advertising, social, mobile en, indien relevant, instore. Het samenvoegen van afzonderlijke predictive intelligence tools voor ieder kanaal zal teleurstellende resultaten geven. Retailers die overwegen om hun predictive intelligence-strategie te upgraden, zouden daarbij de inzet van tools moeten overwegen die niet alleen consumentendata uit ieder type bron opnemen, maar die ook zakelijke gebruikers in staat stellen om deze data te embedden in meerdere klantgerelateerde kanalen.

Dit artikel is geschreven door Jamie Merrick, head of industry insights bij Demandware en Sjaak Hoogkamer en verscheen in MarketingTribune 11, 31 mei 2016.