NIEUWS / DIGITALE HANDEL
Dit geldt vooral als het gaat om de vraag welke data het belangrijkst is om consumenten te begrijpen. Het gaat minder om WIE ze zijn, WAT ze deden en veel meer om HOE ze zich gedroegen. De manier waarop consumenten zich gedragen op een online platform vertelt je meer over hun geneigdheid om geld uit te geven dan andere factoren. Merken moeten deze data vastleggen en veel merken doen dat niet.
Gebruik geen "offline ogen" in een online wereld!
Dit geldt vooral als het gaat om de vraag welke data het belangrijkst is om consumenten te begrijpen. Het gaat minder om WIE ze zijn, WAT ze deden en veel meer om HOE ze zich gedroegen. De manier waarop consumenten zich gedragen op een online platform vertelt je meer over hun geneigdheid om geld uit te geven dan andere factoren. Merken moeten deze data vastleggen en veel merken doen dat niet.
Volgens voorspellingen van IHS zullen de Chinese consumentenbestedingen de komende tien jaar met gemiddeld 7,7 procent per jaar in reële termen groeien en daarmee een belangrijke motor worden van de wereldwijde consumentenvraag en wereldgroei. Chinese consumenten gaan de laatste jaren steeds meer online winkelen, waardoor China een van de meest geavanceerde e-commercemarkten ter wereld is geworden. Aangezien China's opkomende middenklasse producten en diensten van hoge kwaliteit eist, ondernemen veel online verkopers actie om deze zeer strijdlustige groep consumenten beter te begrijpen en zich er dus beter op te richten. Uiteraard komt het neer op data, maar welke data is eigenlijk waardevoller?
Aan de hand van een recente casestudy kan Artefact licht werpen op deze vraag. Bij het online winkelen (voor diensten of producten) leggen merken en platforms data vast over deze consumenten. Door een op Machine-Learning gebaseerd model te trainen om te voorspellen of een klant veel geld zal uitgeven, hebben we alle soorten data over consumenten gecombineerd en georganiseerd. Het blijkt dat het type data dat de sterkste invloed heeft op hun koopbereidheid niet is WAT ze deden, niet WIE ze zijn, maar HOE ze zich gedroegen op het online platform. De vraag wordt nu: hoeveel data leg je vast over HOE je consumenten zich gedragen bij het kopen van je product?
Casestudie: een online reisdienst organisatie met behulp van een machine-learningmodel
Een overzees reisdienstenplatform dat lokale chauffeurs en gidsen koppelt aan Chinese reizigers biedt allerlei soorten reisdiensten aan, zoals het ophalen op een luchthaven, het huren van een auto, het bestellen van een lokale gids met chauffeur, enz. Het probleem waar ze tegenaan liepen was dat niet veel consumenten bereid waren te betalen voor hun eersteklas service. Deze organisatie hoopte hun verzamelde data te gebruiken om te herkennen wie hun potentiële premiumklanten zijn en hen vervolgens proactiever te benaderen.
Om te voorspellen of een klant zal betalen voor de premium service, hebben we eerst een groot aantal kenmerken geëxtraheerd. Deze kenmerken kunnen worden ingedeeld in 3 clusters:
- WIE zijn de klanten? Dit omvat de leeftijd, het geslacht, de provincie, de stad enz. van de klant.
- WAT hebben ze gedaan? Dit omvat informatie over wat ze hebben gekocht, of ze een bestelling hebben geannuleerd, het aantal totale bestellingen enz.
- HOE hebben de consumenten zich gedragen? Dit cluster bevat informatie over de totale tijd die ze doorbrachten op het platform, de snelheid waarmee ze door de app klikten, het aantal verschillende kliks dat werd gemaakt, of er een reactie werd achtergelaten enz.
De meeste beschikbare functies hadden betrekking op WAT klanten deden (wat het startpunt is van elke data vastlegging). Maar als we kijken naar het belang van de variabelen, zien we dat HOE consumenten zich gedragen de grootste invloed heeft op hun uiteindelijke aankoop van premium services: 62% van de voorspelbaarheid werd gedreven door deze kenmerken, terwijl ze slechts 35% vertegenwoordigden.
Daarnaast hebben we met behulp van consumentenbeoordelingen van eerdere data een sentimentele analyse uitgevoerd om kenmerken van beoordelingen te extraheren. Op basis van deze beoordelingen kunnen we snel de plek aanwijzen die verbeterd moet worden. Het kan ook worden gebruikt voor gepersonaliseerde targeting, vooral voor degenen die een slechte ervaring hebben gehad, maar nog steeds het potentieel hebben om klant te worden.
Conclusie
Om beter te begrijpen hoe klanten hun aankoopbeslissingen nemen, hebben we in veel gevallen waargenomen dat de belangrijkste factor de variatie in klantgedrag is, in plaats van de acties en demografische gegevens. Met rijk gedrag data, afgeleide functies en geavanceerde analyses kunnen winkeliers eenvoudig de klanten identificeren en targeten die waarschijnlijk premium abonnees zullen worden. Het goede nieuws is dat merken in e-commerce veel meer data kunnen zien van consumentengedrag dan in offline retail. Maar je kunt er maar beter op anticiperen.
Kortom, gebruik geen "offline ogen" in een online wereld. Dit geldt ook voor data.
Wilt u meer weten over e-commerce in China of over het gebruik van data in het algemeen om uw klanten beter te begrijpen en te identificeren? Neem contact op met onze experts via onderstaande knop!
