Door de komst van online onderzoekssoftware voeren steeds meer bedrijven zelf onderzoek uit zonder daarvoor een marktonderzoekbureau in te schakelen. Maar marktonderzoek is meer dan een vragenlijst online zetten. Representativiteit, significantie en kruisverbanden zijn onderwerpen waar de meeste online tools geen antwoord opgeven. Zonder kennis en ervaring is de kans groot dat de kwaliteit van het onderzoek zo slecht wordt dat gemakkelijk de verkeerde conclusies kunnen worden getrokken.
In de praktijk zie je helaas nog steeds veel voorbeelden van slecht marktonderzoek langskomen. Suggestieve vragen, onduidelijke antwoordcategorieën, veel open en onsamenhangende vragen het zijn maar een paar voorbeelden. Toch hoef je als bedrijf echt niet je complete marktonderzoek uit te besteden aan een bureau. Als je weet waar je kwaliteiten liggen, kan je ervoor kiezen alleen de expertise in te huren die je nodig hebt. Het is jammer dat bij de meeste onderzoeksbureaus dit nog steeds niet mogelijk is en dat het zelf onderzoek doen als een bedreiging voor de markt wordt gezien. Door de online onderzoekssoftware is marktonderzoek voor veel meer bedrijven toegankelijk geworden, naar mijn mening eerder een kans dan een bedreiging. En zolang deze doe-het-zelf marktonderzoekers de juiste begeleiding krijgen hoeft de kwaliteit niet minder te zijn dan die van een traditioneel marktonderzoekbureau. En vaak tegen een fractie van de kosten!
In de meeste gevallen is het niet nodig een volledig maatwerk project in te gaan. Er zijn al zoveel bedrijven voor je geweest die een imago of klanttevredenheidsonderzoek hebben uitgevoerd, waarom zou je zelf het wiel opnieuw uitvinden? Wij hebben daarom onze kennis gebundeld in een aantal standaard vragenlijsten met een goede toelichting (waarom zou je een bepaalde vraag stellen?). En omdat marktonderzoek meer is dan alleen een vragenlijst hebben we ook een gratis checklist gemaakt waarin veel nuttige tips staan. Wil je nog meer uit je marktonderzoek halen? Dan helpen wij met een uitgebreide onderzoeksopzet of een (statistische) analyse van de resultaten. Hiermee heb je als bedrijf alle ingrediënten om professioneel en eenvoudig zelf marktonderzoek uit te voeren! Kortom: doe-het-zelf marktonderzoek kan écht, door te kiezen waar je wel ondersteuning bij nodig hebt.
maandag 25 oktober 2010
maandag 18 oktober 2010
Klantsegmentatie al 60 jaar niet verandert
In de afgelopen 60 jaar is veel veranderd in het marketingvak en de mogelijkheden voor klantsegmentatie. En toch blijft het RFM klantsegmentatiemodel één van de meest effectieve manieren van klantsegmentatie. Dit terwijl deze methodiek al door marketeers werd gebruikt in de jaren ’50. Naar mijn mening zouden marketeers hier veel meer gebruik van kunnen maken.
Wat is RFM segmentatie?
Bij RFM segmentatie worden klanten onderverdeeld op basis van drie variabelen:
• Recency; de tijd die is verstreken sinds de laatste aankoop.
• Frequency; het aantal bestellingen van een klant in een bepaalde periode.
• Monetary Value; de financiële waarde van een klant in een bepaalde periode.
Het model kan op verschillende manieren worden opgebouwd. Ik zal hier niet alle methodieken gaan bespreken, maar in de basis wordt voor elke variabele een indeling naar verschillende klasse gemaakt. Op basis van de combinatie van RFM klasses waarin een klant valt wordt vervolgens een RFM score toegekend. Een uitgebreidere omschrijving over de opbouw van verschillende RFM modellen is te lezen in de informatiefolder RFM segmentatie van marketingwebshop.nl.
Voorbeeld van een klassieke RFM verdeling met ongelijke klasse:
Tot op de dag van vandaag zijn deze drie variabelen nog steeds de basis voor het meten van de effectiviteit van vrijwel alle marketingactiviteiten. En hoewel er vele nieuwe methodieken zijn bijgekomen kan RFM nog steeds worden beschouwd als één van de meest transparante en praktische methodes voor segmentatie op basis van klantgedrag, of customer behioural segmentation zoals het anno 2010 wordt genoemd.
Effectief door eenvoud
Juist de relatieve eenvoud van het model zorgt dat het, mits op de juiste manier gebruikt, zijn kracht nog niet heeft verloren. Statistische modellen kunnen nog wel eens doorschieten in de hoeveelheid subsegmenten en complexiteit waardoor het voor marketeers moeilijker wordt gerichte acties te ontwikkelen op basis van de uitkomsten. Daarnaast is voor deze vorm van segmentatie vaak een specialist en statistisch software nodig, waardoor kosten en opbrengsten van de “nieuwe” segmentatiemodellen niet altijd in balans zijn. Uiteraard kunnen zeer grote bedrijven met een conversieverbetering van enkele tiende van procenten onder de streep beter af zijn, maar voor de meeste bedrijven zal de investering zelden rendabel zijn. RFM is voor deze bedrijven dan een goed en goedkoop alternatief.
Kritiek op het model
Er is veel kritiek geweest op het RFM model maar naar mijn mening is dat bijna nooit terecht. De meest gehoorde klacht is dat het model te statisch is en geen voorspelende waarde heeft zoals predictive modelling, om maar weer een populaire term te gebruiken. Een klacht die ik niet begrijp, want in de basis zijn alle segmentatiemodellen beschrijvend. Door de RFM scores periodiek te berekenen ontstaat een prima beeld van de ontwikkeling die een klant door maakt. Dit is ook nog eens goed te visualiseren in een zogenaamde migratiematrix. Het model is daardoor ruimschoots toepasbaar voor voorspellende analyses.
Voorbeeld van een migratiematrix:
Een ander punt van kritiek is dat het model kan leiden tot een te hoge communicatiedruk bij klanten met een hoge RFM score. Critici die dit zeggen moeten zich in het geheel niet bezighouden segmentatie. Dit gaat immers over hoe marketeers het model gebruiken en niet over de bruikbaarheid van het model. Elke vorm van klantsegmentatie verliest in kracht als het niet goed wordt toegepast. Het is nu juist de bedoeling om de verschillende groepen op een andere manier aan te schrijven. Dat betekent dat een slimme marketeer misschien meer aandacht besteed aan de lage RFM scores dan het overspoelen van de top klanten met reclame-uitingen.
Klantsegmentatie in de praktijk
Hoe effectief het model is hangt af van zowel de opbouw als het gebruik. Zoals gezegd kan RFM op verschillende manieren worden opgebouwd. De indeling van de RFM klasse moet passen bij de verkoopcyclus van een organisatie. In sommige gevallen betekent dat een vaste indeling, bijvoorbeeld één, twee, drie, of meer bestellingen in een bepaalde periode en voor een andere organisatie is een dynamische indeling meer geschikt. Bijvoorbeeld op basis van een percentage van de omzet in een bepaalde periode. Het is raadzaam in deze fase een specialist in te schakelen die helpt bij het opzetten van een passend model.
De tweede, en misschien wel belangrijkste, factor voor succes is het op de juiste manier interpreteren van de resultaten. Door te segmenteren is het mogelijk een gedifferentieerde marketingstrategie toe te passen. Een veel gemaakte fout is om alleen de top klanten te benaderen. Je zult je ook moeten afvragen waarom andere klanten het minder goed doen. Vergelijk bijvoorbeeld eens het (demografisch) profiel en de productaankopen van de top klanten met de andere klanten of bepaald de verschillen in klantbehoeften en tevredenheid van de verschillende segmenten. Dit geeft waardevolle inzichten voor het maken van een gedifferentieerde marketingstrategie.
Continu proces
Een segmentatiemodel is geen eenmalige actie, maar een continu proces. Om het maximale rendement uit een segmentatiemodel te halen zal een duidelijke strategie en doelstellingen aan het model moeten worden verbonden. Met andere woorden: hoe, hoeveel en welke klanten zullen zich op welke manier door het model moeten bewegen?
Het interpreteren van resultaten is met RFM segmentatie veel eenvoudiger dan bij statistische segmentatiemodellen. Dit maakt het uitermate geschikt als strategisch segmentatiemodel. Ofwel een model dat richting geeft aan de marketingactiviteiten en aangevuld kan worden met andere segmentatiemethodieken. In de B2B markt worden vaak branche of bedrijfsgrootte gebruikt voor strategische segmentatie, terwijl transactiegegevens over het algemeen betrouwbaarder zijn dan demografische klantgegevens. Mijn advies is daarom primair een op transacties gebaseerd model, zoals RFM te gebruiken.
Verschillende toepassingsmogelijkheden
Traditioneel werd RFM met name toegepast in de direct marketing en tegenwoordig ook e-mailmarketing. Maar in principe is RFM geschikt voor vrijwel alle vormen van marketing en communicatie. Door een profiel te maken van interessante RFM segmenten is het zelfs mogelijk RFM voor klantwerving te gebruiken. Je selecteert dan prospects op basis van de profielen die niet alleen op korte termijn interessant zijn, maar ook nog een grote kans hebben snel in een hogere klasse te komen. Op deze manier gebruik je RFM als een Customer Lifetime Value model, wat nog maar eens de veelzijdigheid aangeeft. Door het model creatief te gebruiken is veel mogelijk. Dat geldt ook voor het variëren met de variabelen. Zo kan de M van Monetary Value worden weggelaten of vervangen worden door de D van Duration, waardoor het model geschikt is voor loyaliteitsmeting, het segmenteren van webbezoeken en social media.
Op naar 2070
RFM heeft zich al 60 jaar bewezen en kan nog gemakkelijk 60 jaar mee. Het model is in principe voor elke organisatie te gebruiken, van klein tot groot. Bij deze daag ik jullie dan ook uit met het RFM model te gaan werken. Je zult zien, het werkt écht.
Wat is RFM segmentatie?
Bij RFM segmentatie worden klanten onderverdeeld op basis van drie variabelen:
• Recency; de tijd die is verstreken sinds de laatste aankoop.
• Frequency; het aantal bestellingen van een klant in een bepaalde periode.
• Monetary Value; de financiële waarde van een klant in een bepaalde periode.
Het model kan op verschillende manieren worden opgebouwd. Ik zal hier niet alle methodieken gaan bespreken, maar in de basis wordt voor elke variabele een indeling naar verschillende klasse gemaakt. Op basis van de combinatie van RFM klasses waarin een klant valt wordt vervolgens een RFM score toegekend. Een uitgebreidere omschrijving over de opbouw van verschillende RFM modellen is te lezen in de informatiefolder RFM segmentatie van marketingwebshop.nl.
Voorbeeld van een klassieke RFM verdeling met ongelijke klasse:
Tot op de dag van vandaag zijn deze drie variabelen nog steeds de basis voor het meten van de effectiviteit van vrijwel alle marketingactiviteiten. En hoewel er vele nieuwe methodieken zijn bijgekomen kan RFM nog steeds worden beschouwd als één van de meest transparante en praktische methodes voor segmentatie op basis van klantgedrag, of customer behioural segmentation zoals het anno 2010 wordt genoemd.
Effectief door eenvoud
Juist de relatieve eenvoud van het model zorgt dat het, mits op de juiste manier gebruikt, zijn kracht nog niet heeft verloren. Statistische modellen kunnen nog wel eens doorschieten in de hoeveelheid subsegmenten en complexiteit waardoor het voor marketeers moeilijker wordt gerichte acties te ontwikkelen op basis van de uitkomsten. Daarnaast is voor deze vorm van segmentatie vaak een specialist en statistisch software nodig, waardoor kosten en opbrengsten van de “nieuwe” segmentatiemodellen niet altijd in balans zijn. Uiteraard kunnen zeer grote bedrijven met een conversieverbetering van enkele tiende van procenten onder de streep beter af zijn, maar voor de meeste bedrijven zal de investering zelden rendabel zijn. RFM is voor deze bedrijven dan een goed en goedkoop alternatief.
Kritiek op het model
Er is veel kritiek geweest op het RFM model maar naar mijn mening is dat bijna nooit terecht. De meest gehoorde klacht is dat het model te statisch is en geen voorspelende waarde heeft zoals predictive modelling, om maar weer een populaire term te gebruiken. Een klacht die ik niet begrijp, want in de basis zijn alle segmentatiemodellen beschrijvend. Door de RFM scores periodiek te berekenen ontstaat een prima beeld van de ontwikkeling die een klant door maakt. Dit is ook nog eens goed te visualiseren in een zogenaamde migratiematrix. Het model is daardoor ruimschoots toepasbaar voor voorspellende analyses.
Voorbeeld van een migratiematrix:
Een ander punt van kritiek is dat het model kan leiden tot een te hoge communicatiedruk bij klanten met een hoge RFM score. Critici die dit zeggen moeten zich in het geheel niet bezighouden segmentatie. Dit gaat immers over hoe marketeers het model gebruiken en niet over de bruikbaarheid van het model. Elke vorm van klantsegmentatie verliest in kracht als het niet goed wordt toegepast. Het is nu juist de bedoeling om de verschillende groepen op een andere manier aan te schrijven. Dat betekent dat een slimme marketeer misschien meer aandacht besteed aan de lage RFM scores dan het overspoelen van de top klanten met reclame-uitingen.
Klantsegmentatie in de praktijk
Hoe effectief het model is hangt af van zowel de opbouw als het gebruik. Zoals gezegd kan RFM op verschillende manieren worden opgebouwd. De indeling van de RFM klasse moet passen bij de verkoopcyclus van een organisatie. In sommige gevallen betekent dat een vaste indeling, bijvoorbeeld één, twee, drie, of meer bestellingen in een bepaalde periode en voor een andere organisatie is een dynamische indeling meer geschikt. Bijvoorbeeld op basis van een percentage van de omzet in een bepaalde periode. Het is raadzaam in deze fase een specialist in te schakelen die helpt bij het opzetten van een passend model.
De tweede, en misschien wel belangrijkste, factor voor succes is het op de juiste manier interpreteren van de resultaten. Door te segmenteren is het mogelijk een gedifferentieerde marketingstrategie toe te passen. Een veel gemaakte fout is om alleen de top klanten te benaderen. Je zult je ook moeten afvragen waarom andere klanten het minder goed doen. Vergelijk bijvoorbeeld eens het (demografisch) profiel en de productaankopen van de top klanten met de andere klanten of bepaald de verschillen in klantbehoeften en tevredenheid van de verschillende segmenten. Dit geeft waardevolle inzichten voor het maken van een gedifferentieerde marketingstrategie.
Continu proces
Een segmentatiemodel is geen eenmalige actie, maar een continu proces. Om het maximale rendement uit een segmentatiemodel te halen zal een duidelijke strategie en doelstellingen aan het model moeten worden verbonden. Met andere woorden: hoe, hoeveel en welke klanten zullen zich op welke manier door het model moeten bewegen?
Het interpreteren van resultaten is met RFM segmentatie veel eenvoudiger dan bij statistische segmentatiemodellen. Dit maakt het uitermate geschikt als strategisch segmentatiemodel. Ofwel een model dat richting geeft aan de marketingactiviteiten en aangevuld kan worden met andere segmentatiemethodieken. In de B2B markt worden vaak branche of bedrijfsgrootte gebruikt voor strategische segmentatie, terwijl transactiegegevens over het algemeen betrouwbaarder zijn dan demografische klantgegevens. Mijn advies is daarom primair een op transacties gebaseerd model, zoals RFM te gebruiken.
Verschillende toepassingsmogelijkheden
Traditioneel werd RFM met name toegepast in de direct marketing en tegenwoordig ook e-mailmarketing. Maar in principe is RFM geschikt voor vrijwel alle vormen van marketing en communicatie. Door een profiel te maken van interessante RFM segmenten is het zelfs mogelijk RFM voor klantwerving te gebruiken. Je selecteert dan prospects op basis van de profielen die niet alleen op korte termijn interessant zijn, maar ook nog een grote kans hebben snel in een hogere klasse te komen. Op deze manier gebruik je RFM als een Customer Lifetime Value model, wat nog maar eens de veelzijdigheid aangeeft. Door het model creatief te gebruiken is veel mogelijk. Dat geldt ook voor het variëren met de variabelen. Zo kan de M van Monetary Value worden weggelaten of vervangen worden door de D van Duration, waardoor het model geschikt is voor loyaliteitsmeting, het segmenteren van webbezoeken en social media.
Op naar 2070
RFM heeft zich al 60 jaar bewezen en kan nog gemakkelijk 60 jaar mee. Het model is in principe voor elke organisatie te gebruiken, van klein tot groot. Bij deze daag ik jullie dan ook uit met het RFM model te gaan werken. Je zult zien, het werkt écht.
Abonneren op:
Posts (Atom)