NIEUWS / GEGEVENS

Dit geldt vooral als het erom gaat te weten 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 op een online platform gedragen, vertelt u meer over hun geneigdheid om geld uit te geven dan andere factoren. Merken moeten deze data vastleggen, en veel merken doen dat niet.

Dit geldt vooral als het erom gaat te weten 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 op een online platform gedragen, vertelt u 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 van de wereldwijde consumentenvraag en wereldgroei worden. 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 aan op data, maar welke data is eigenlijk waardevoller?

Aan de hand van een recente casestudy kan Artefact licht werpen op deze vraag. Wanneer consumenten 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 geneigdheid om te kopen niet is WAT ze deden, niet WIE ze zijn, maar HOE ze zich gedroegen op het online platform. De vraag wordt nu: hoeveel data vangt u op HOE uw consumenten zich gedragen bij het kopen van uw product?

Casestudie: een bedrijf dat online reisdiensten aanbiedt, maakt gebruik van een model voor machinaal leren

Een overzees reisdienstenplatform dat lokale chauffeurs en gidsen verbindt met 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 om voor hun eersteklas service te betalen. Dit bedrijf hoopte hun verzamelde data te kunnen gebruiken om te herkennen wie hun potentiële premiumklanten zijn en hen dan proactiever te benaderen.

Om te voorspellen of een klant voor de premium service zal betalen, hebben we eerst een groot aantal kenmerken geëxtraheerd. Deze kenmerken kunnen in 3 clusters worden ingedeeld:

  1. WHO zijn de klanten? Dit omvat de leeftijd, het geslacht, de provincie, de stad enz. van de klant.
  2. WAT hebben ze gedaan? Dit omvat informatie over wat ze hebben gekocht, of ze een bestelling hebben geannuleerd, het aantal totale bestellingen, enz.
  3. HOE gedroegen de consumenten zich? Dit cluster bevat informatie over de totale tijd die ze op het platform doorbrachten, de snelheid waarmee ze door de app klikten, het aantal verschillende kliks dat ze maakten, of ze wel of geen commentaar achterlieten, enz.

De meeste beschikbare functies hadden betrekking op WAT de klanten deden (wat het uitgangspunt is van elke data vastleggingsoefening). Maar als we kijken naar het belang van de variabelen, dan zien we dat HOE consumenten zich gedragen de grootste invloed heeft op hun uiteindelijke aankoop van premium diensten: 62% van de voorspelbaarheid werd gedreven door deze kenmerken, terwijl ze slechts 35% vertegenwoordigden.

Daarnaast hebben we met behulp van consumentenreviews van eerdere data een sentimentele analyse uitgevoerd om kenmerken van de reviews te extraheren. Op basis van deze beoordelingen kunnen we snel de plek aanwijzen die verbeterd moet worden. Het kan ook gebruikt worden 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 geconstateerd dat de belangrijkste factor de variatie in het gedrag van de klant is, in plaats van de acties en demografische gegevens. Met rijke gedrag data, afgeleide functies en geavanceerde analyses kunnen verkopers gemakkelijk de klanten identificeren en targeten die waarschijnlijk premium abonnees zullen worden. Het goede nieuws is dat merken in e-commerce veel meer data op consumentengedrag kunnen zien dan in offline retail. Maar u kunt er maar beter op anticiperen.

Kortom, gebruik geen “offline ogen” in een online wereld. Dit geldt ook voor data.