Dit kun je als retailer of merk bereiken met data science

Dit kun je als retailer of merk bereiken met data science

Meten is weten en daarom is het voor zowel retailers als merken belangrijk om met data science aan de slag te gaan. Tijden het Retail & Brands Festival biedt Building Blocks inzicht in de resultaten die daarmee kunnen worden geboekt. Captain commercial organisation Erwin van Oosten deelt nu alvast wat ervaringen met merken als Swarovski en Corendon.

Data. De retailer die nu nog niet weet dat hij er iets mee moet, heeft de afgelopen jaren onder een steen gezeten. Wát je er dan precies mee moet, is een vraag die een stuk lastiger te beantwoorden is. In ieder geval moet de consument er uiteindelijk iets aan hebben. Alles wordt van daaruit bekeken. “Traditioneel gezien worden winkels gesegmenteerd in de grootte van de winkel, wat voor type zaak het is”, legt Van Oosten uit. “Wij kijken naar de gebruikssituatie van de consument en wat voor type klant in de winkel komt. Daardoor kan het dat twee AH to go’s, die normaal in hetzelfde ‘bakje’ vallen, dat bij ons niet doen, omdat ze niet hetzelfde publiek en dus een andere gebruikersbehoefte hebben.”

Iedereen een eigen folder
Retailers die met data science aan de slag willen, moeten zich eerst de vraag stellen welk probleem ze opgelost willen zien en welke KPI’s daarbij belangrijk zijn. Op basis daarvan wordt met behulp van data een oplossing gebouwd. Zo wilde reisaanbieder Corendon een hogere conversie vanuit e-mail. “Voorheen stuurden ze naar hun gehele klantenbestand dezelfde e-mail, met bijvoorbeeld een reis voor vierhonderd euro naar Antalya”, legt Van Oosten uit. Op basis van transacties uit de eigen database, verrijkt met externe informatie, zijn de e-mailstromen aangepast zodat alleen mensen die er ook daadwerkelijk op zitten te wachten de mails nog ontvangen. En met resultaat. “Corendon heeft het aantal e-mails met 85 procent teruggedrongen en tegelijkertijd de click-through rate verhoogd”, zegt Van Oosten. “Ook de omzet uit de e-mails is gestegen. Op basis van ditzelfde systeem zijn nu ook andere kanalen aangepast. Iedereen krijgt nu zelfs een andere fysieke folder van Corendon met gepersonaliseerde aanbiedingen op zijn deurmat.”

Voor een partij als Swarovski is het assortiment onder handen genomen. Zo zijn bij de Oostenrijkse sieradenverkoper alle transacties in de Nederlandse winkels onder de loep genomen. Daaraan is CBS-data toegevoegd om een idee te krijgen van welke mensen in een bepaalde omgeving wonen. Op basis van die informatie is het aanbod in de winkels aangepast en zo heeft de Swarovski in Tilburg nu een ander aanbod dan in Amsterdam. Het resultaat: 7,5 procent meer winkelomzet. “Gezien het feit dat dit een behoorlijk verzadigde markt is, een heel opvallend getal”, concludeert van Oosten. Vanwege het succes in Nederland heeft Swarovski hetzelfde systeem nu ook in Scandinavië ingezet.

Niet voor excentrieke producten
Data science is niet voor iedereen even relevant. Belangrijk is dat er voldoende volume is. Zo heeft Building Blocks wel eens een test gedaan met een verkoper van zeer exclusieve sportauto’s. Te onderzoeken verschillen in klantvoorkeur zitten hem dan in zaken als een bekleding met Italiaans leer of luxe stof. “Elk van die auto’s was twee ton of meer waard”, zegt Van Oosten. “Je kunt je voorstellen dat er dan niet voldoende van hetzelfde soort product verkocht worden om goede data-analyse op te doen. Dus voor hele excentrieke producten is data science vaak minder geschikt.” 

Voor retailers is het verzamelen van data relatief makkelijk. Ze hebben de transacties in hun kassasystemen en vaak ook een loyaliteitskaart. Voor merken is het een ander verhaal, want die hebben data lang niet altijd zelf in bezit. “Als Unilever duizend potten Calvé pindakaas naar Albert Heijn stuurt, weten ze wel naar welke locatie die zijn gegaan, maar niet naar welke consument”, noemt Van Oosten als voorbeeld. Toch valt ook op basis van die informatie wel iets aan analyse toe te passen op winkelniveau. Via CBS-data valt bijvoorbeeld te begrijpen welk type consumenten in de buurt wonen van een supermarkt. Verder wisselen retailers en merken vaak data uit, soms als commerciële service. “Ook zien we dat merken een direct kanaal openen, zoals Samsung. Daardoor ontvangen ze over een klein percentage van hun omzet directe data, die ze dan extrapoleren naar het gehele portfolio.”

Een grote uitdaging op datagebied voor retailers is het combineren ervan. Zodat iemand niet alleen persoonlijke aanbevelingen online ziet, maar die ook in de schappen aantreft als hij naar de fysieke winkel gaat. “Een consument ziet één merk en wil op alle plekken consistent behandeld worden”, zegt Van Oosten. Makkelijk is dat niet. Veel data, zeker bij grotere organisaties, is in silo’s verdeeld. Daarnaast is het ook organisatorisch lastig, omdat afdelingen vaak op hun eigen KPI’s worden afgerekend. En voor veel retailers en merken is het inpassen van één point solution voorlopig al moeilijk genoeg, dus die denken nog niet aan het combineren daarvan. “Toch is het ook dan goed om er al rekening mee te houden, want over vijf jaar wil je het wél”, zegt Van Oosten. “En als je dan de verkeerde route bent ingeslagen moet je alles opnieuw bouwen. Maar niemand is op dit vlak al in de endgame.”


Meer weten over de mogelijkheden met data science voor retailers? Leer er alles over op het Retail & Brands Festival. Nog geen ticket in huis, verzeker je dan hier van een plekje.