Web analytics gebruikt data die uniek is in de kwantiteit en het detail in de informatie die beschikbaar is. Wat vergelijkbaar is met offline business analytics is het doel: om de prestaties van het bedrijf te verbeteren.

Afhankelijk van de context kunnen de prestaties van een bedrijf op verschillende manieren gedefinieerd worden, maar het uiteindelijke doel is economische winst. Matt Lindsay schreef daarom voor Web Analytics World over 9 types analyses die ieder bedrijf zou moeten doen, ongeacht hoe zij de prestaties in hun organisaties meten. Deze analytics kunnen de gedetailleerde data die online activiteit oplevert ten volle gebruiken, en ook een waardevolle toevoeging zijn aan de andere data die binnen een organisatie beschikbaar is.

Tactieken en analytics

Webdata kan ongeëvenaarde details verzamelen over hoe klanten beslissen over hun aankoop en hoeveel waarde ze hechten aan het product of de dienst. Zakelijke strategieën en tactieken waarvoor webdata veel toegevoegde waarde kan hebben zijn bijvoorbeeld verkoopaanbiedingen, product bundels, aanbiedingen voor verlengingen, retentie, en up- en cross-sell. Voor deze activiteiten wordt vaak segmentatie ingezet, wordt er een model ontwikkelt om te begrijpen hoe geneigd mensen zijn tot een aankoop, wordt retentie geanalyseerd en worden oplossingen getest op statistiek significante controlegoepen.

1 – Klantacquisitie

Een van de meest belangrijke en lastige uitdagingen waar een bedrijf voor staat is het vinden van nieuwe klanten en ze overhalen tot een verkoop. Webdata biedt inzicht in hoe dit proces verloopt en welke factoren een aankoopbeslissingen beïnvloeden. Deze data toepassen in een analytics framewerk dat de invloed van individuele factoren kan isoleren kan een bedrijf helpen om kostbare fouten te maken, zoals de prijs van hun producten of diensten te laag, of te hoog aanbieden.

Discrete keuzemodellen en een veelgebruikte tool om de invloed van elk van deze factoren te meten. Promotionele aanbiedingen als tactiek worden vaak gebruikt om klanten over te halen een product te kopen. Door te begrijpen wat voor een effect de prijs heeft op de keuze van de klanten is enorm waardevol en is vaak het resultaat van het gebruik van deze analytische modellen.

2 – Hernieuwings- en retentie-aanbiedingen

Wanneer een organisatie eenmaal een klant heeft binnengehaald dan is het van essentieel belang om deze klant te overtuigen jouw dienst af te blijven nemen of vaker producten van jouw merk te kopen. Hoe je klanten daarvan weet te overtuigen is een complex analytisch onderwerp. Overlevingsanalyse is een econometrische tool die is ontwikkelt door de gezondheidszorg en is erg effectief in het meten van de invloed van verschillende factoren op klantretentie, waaronder ook veranderingen in de prijs van het product of dienst aan het eind van een promotionele periode. Discrete keuzes kunnen ook gebruikt worden om herhaal-aankoopbeslissingen te analyseren.

3 – Product Bundels

Bedrijven verkopen vaak meer van twee gebundelde producten dan wanneer ze deze los zouden verkopen. De sleutel tot succesvol bundelen is om de relatieve waarde te begrijpen die klanten hechten aan de componenten van een bundel en welke producteigenschapen het meest belangrijk zijn voor specifieke klantsegmenten. Webdata is heel behulpzaam in het meten van het effect van bundelcomponenten of producteigenschappen op aankopen. Een veel voorkomende analytics tool die deze vragen kan helpen beantwoorden is hedonistische prijsmodellering.

4 – Klantesegmentatie

Het groeperen van klanten in segmenten met vergelijkbare voorkeuren en prijselasticiteit geeft bedrijven de mogelijkheid om productbundels en prijsstrategieën te ontwerpen die voor de best mogelijke marges en economische winst zorgen. Door clusteranalyse van webdata en andere data te gebruiken kunnen bedrijven segmenten creëeren binnen hun klantengroep. ‘K-means’ clusteren begint met het analytisch specificeren van het aantal clusters dat zal worden aangemaakt. Hiërarchisch clusteren vraagt veel meer rekenkracht van de computers, maar het is wel effectief in het bepalen van het optimaal aantal clusters.

5 – Meten van prijselasticiteit

Het inschatten van prijselasticiteit, de mate waarin afzet meeveranderd met een verandering in prijs, is meestal de meest belangrijke analyse die een bedrijf kan maken. Er zijn veel verschillende econometrische modellen die hierbij kunnen helpen, maar dit wordt meestal gedaan doormiddel van het doorlopen van panel data. Voor bedrijven die doorlopende diensten aanbieden neemt de prijselasticiteit meestal af met de lengte van tijd dat iemand klant is geweest. Begrijpen in welke mate prijselasticiteit met de tijd verandert is behulpzaam in het maximaliseren van de lifetime value en economische winst van een klant.

6 – Up-sell & cross-sell aanbiedingen

Het uitbreiden van een relatie met een klant naar meer producten of diensten (cross-selling,) of het verbeteren van het bestaande product of dienst van een klant door meer functies aan te bieden (up-selling) is een effectieve tactiek om omzet en retentie te verhogen. Het ontwerpen van aanbiedingen die de economische omzet maximaliseert kan worden ondersteunt met discrete keuzemodellen om te helpen identificeren welke eigenschappen van een aanbieding het meest effectief zijn. Hogere prijzen leiden meestal tot minder afname en vice verse. Analytics kan bedrijven helpen om de juiste balans van kwantiteit tegen kwaliteit te vinden.

7 – Voorspellen

Het inschatten van toekomstige verkopen verminderd verspilling door overproductie, of verloren verkopen door onderproductie. Bedrijven die met bedervende goederen werken, zoals luchtvaartmaatschappijen, hotels en adverteerders, hebben verkoopvoorspellingen nodig om om de omzet per product te kunnen optimaliseren. Data van digitale ondernemingen lenen zich enorm goed voor voorspellingsmodellen. Het analyseveld dat meestal gebruikt wordt voor dit soort voorspellingen heet ‘time series econometrics’.

8 – Klantwinstgevendheid

Begrijpen welke klanten de drijvende kracht zijn achter jouw economische winst is essentieel in het maximaliseren van de zakelijke prestaties. Te vaak richten digitale bedrijven zich top-line omzet. Veel bedrijven spenderen enorm veel tijd en geven enorme bedragen uit aan het groeien van business lines die maar heel weinig marge bieden en soms meer kosten dan dat ze opbrengen. Lifetime value analyse waarin directe variabele kosten en omzet wordt meegenomen, samen met een voorspelling van toekomstige verkopen, is een uitstekende manier om klanten op waarde te schatten en de winstgevendheid te begrijpen.

9 – Test en leer

Voorspellende analyses zijn slechts zo waardevol als de effectiviteit van de zakelijke acties die ze ondersteunen. Combineer toegepaste analyses dan ook met robuust testen om data te krijgen over de accuraatheid van de modellen waar op je de beslissingen baseert. Zo kan het testen van een statistiek significant deel van je klanten je helpen te valideren of de gemeten en voorspelde prijselastiticiteit uit je model zich goed vertaald naar daadwerkelijk om- en afzet.

Conclusies

Analytics die data gebruikt van digitale bedrijven kan je bedrijf een belangrijke voorsprong geven ten opzichte van je concurrenten. Zoals deze verschillende type analyses laten zien zou een organisatie niet langer moeten beslissen welke tools ze gebruiken, maar in welke mate alle tools gebruikt en ingezet worden. Dit zijn niet de enige type analyses die belangrijk zijn voor bedrijven, maar wel enkele van de meest fundamenteel belangrijke.