|

Case APOK: hoe koopgedrag monitoren met data marketing?

Hoe speel je proactief in op het koopgedrag van klanten? Dagmar Stessels, data trainee bij Ormit Talent, verdiepte zich drie maanden lang in de klantendata van gevel- en dakspecialist APOK. Het doel? De marketing, interne processen en klantenservice optimaliseren. Benieuwd naar haar ervaringen en aanpak? Keep on reading!

Hallo Dagmar! Ter introductie, kan je wat meer vertellen over het bedrijf waarvoor je dit dataproject deed?
APOK is de grootste verdeler van dak- en gevelmateriaal in België. Ze hebben een 30-tal vestigingen waar zowel particulieren als professionelen welkom zijn. Aangezien er bij de opstart van het project nog geen data marketeer in dienst was, vormde ik samen met Daan, data scientist bij Ortec, een eigen datateam. Om de nodige input te verzamelen, werkten we nauw samen met de marketingverantwoordelijke, de business improvement manager en de zaakvoerder van APOK.

 

Wat was je opdracht?
Het dataproject kaderde binnen hun customer intimacy strategie en bestond uit het nauwkeurig in kaart brengen van alle klantenprofielen. Zo waren ze beter in staat om hun cliënteel te groeperen en een persoonlijkere service te bieden. Daarnaast bestudeerden we welke productitems typisch in combinatie met elkaar aangekocht werden. Bijvoorbeeld: als je uit de analyse leert dat klanten van product A vaak ook product B en C aankopen, kan je de locatie van de producten in de winkel hierop afstemmen. Ook voor bestelmodules is deze info nuttig. Denk aan een pop-up met voorgestelde producten.

Klinkt interessant, hoe heb je dat precies aangepakt?
De allereerste stap was een grondige kennismaking met het bedrijf en het bepalen van de juiste categorieën en variabelen. Omdat ik niet thuis ben in de bouwwereld, kon ik hiervoor rekenen op hulp van APOK. In dit geval kozen we als categorieën onder meer voor het totale aankoopbedrag, de hoeveelheid orders en het aantal maanden dat de klant een aankoop deed. Nadien voerden we op de bestaande datasets een clusteranalyse uit, gevolgd door een association analysis.

Wat is het verschil tussen beide?
Een clusteranalyse groepeert en classificeert data op basis van kenmerken. In dit project was dat nuttig om ontwikkelingen in het aankoopgedrag van klanten te volgen. Bij een association analysis zoeken we naar verbanden tussen items.

Hoe heb je die data bruikbaar gemaakt voor de klant?
Ik heb uitgebreid research gedaan naar de mogelijkheden en drie voorstellen gepresenteerd aan de klant. Uiteindelijk viel de keuze op een executable. Hierbij werd het Pythonscript met voorspellingen van de nieuwe klantenlabels omgezet naar een uitvoerbaar bestand, dat men binnen APOK kon gebruiken zonder dat hier kennis van Python voor vereist was. Uiteraard voorzagen we de executable ook van een heldere manual, zodat ze er zelf mee aan de slag kon gaan.
Het idee is van het programma driemaandelijks te laten lopen om te checken in welke mate het koopgedrag verandert. Wanneer men bijvoorbeeld merkt dat een loyale alleskoper het profiel van een gelegenheidsshopper begint aan te nemen, kan men daar tijdig op anticiperen.

Welke uitdagingen heb je ondervonden?
Om te begrijpen welke data je nodig hebt, moet je de juiste vragen stellen. Je moet durven doorvragen om tot de kern van het probleem te komen. Dat was aanvankelijk niet evident, maar gelukkig werd ik daarbij ondersteund door Daan, die al wat meer projectervaring heeft. Bovendien was er een heel open werksfeer. Bij je eerste dataproject ben je nog niet zo zelfzeker, dan is het fijn om te weten dat je eigenlijk geen domme vragen kunt stellen. Ook de trainingen van Ormit hebben me goed geholpen.

Je bent inmiddels gestart met je volgende opdracht, maar wat neem je al mee uit het data traineeship?
Naast de inzichten over het interviewen van klanten, heb ik tijdens het traineeship ook flink wat zelfkennis vergaard. Ik heb geleerd hoe je in groep communiceert en welke rol ik daarin speel. Hoewel ik mij daar tot voordien niet bewust van was, ben ik blijkbaar een bruggenbouwer. Je komt echt heel wat nieuwe dingen over jezelf te weten.

Een mooie troef voor later! Bedankt voor het interview en veel succes met het vervolg van je data traineeship, Dagmar.

Ook een data opdracht?

Ontdek onze data talenten of contacteer ons voor meer informatie.