Category Archives: Social Media

cm-strategie-eec21b

Churn prediction en het verband met sociale netwerkanalyse

Weglopende klanten
Het werven van een nieuwe klant kost een bedrijf gemiddeld tussen de vijf en acht keer zoveel als het behouden van een bestaande klant. Vooral wanneer het aantal klanten binnen de hele business zijn piek bereikt heeft, kan het moeilijk en duur zijn nieuwe klanten te vinden. Dit betekent dat een bedrijf er maar beter zoveel mogelijk aan doet om haar rendabele, bestaande klanten te behouden. Maar hoe kan een bedrijf inschatten wanneer een waardevolle klant overweegt naar een concurrent over te stappen, hoe kan een bedrijf acties ondernemen zonder te weten wat er in het hoofd van de klant omgaat? Data mining kan hierbij meer dan een handje helpen. Voorspellingen over de klanttevredenheid, de waarde, loyaliteit aan het bedrijf en het toekomstig gedrag van de klant zijn slechts een greep uit de informatie die op basis van bestaande databases verzameld kan worden. In dit artikel ligt de klemtoon op Churn Prediction: het identificeren van die welbepaalde klanten die geneigd zijn over te stappen naar een concurrerend bedrijf. Wanneer deze ‘churnende’ klanten geïdentificeerd kunnen worden vóór zij die overstap daadwerkelijk maken, kan met behulp van een doelgerichte marketingstrategie geprobeerd worden ze te behouden.

Voorkomen dankzij business intelligence
Veel bedrijfsleiders zijn anno 2010 vertrouwd met het begrip Churn Prediction. De vele wetenschappelijke papers alsook artikels en blogberichten die omtrent dit thema op het web circuleren, getuigen van het feit dat er reeds veel onderzoek werd rond gedaan. Wat al die tijd nauwelijks aandacht genoot, is de rol die sociale netwerken spelen bij het voorspellen van klantverloop. Sociale netwerk analyse is geen nieuw begrip, de toepassing ervan in bedrijven op vlak van marketing en klantenmanagement is dat wel. Network-driven business intelligence is een trend die ongetwijfeld nog veel aandacht zal genieten de komende jaren. Het beheren en detecteren van sociale netwerken tussen klanten biedt namelijk een hele waaier aan toepassingen op vlak van business intelligence, in ons geval is dat het voorspellen van klantverloop.

Sociale netwerken analyseren
OK, u hebt beslist om van gsm-provider te veranderen, hoe gaat u nu beslissen welke provider het best bij u past? U zal ongetwijfeld spreken met vrienden, collega’s en kennissen om even te peilen naar hun tevredenheid omtrent hun provider. Die zullen op hun beurt ervaringen vertellen uit hun kennissenkring. Als een heleboel van uw kennissen razend enthousiast zijn over die ene goedkope provider dan is de kans groot dat u ook bij die provider een abonnement afsluit.

Invloed sociale netwerksites
Bovenstaand voorbeeld toont aan dat professionele en familiale netwerken een sterke invloed hebben op het eigen gedrag. De mens is nu eenmaal een sociaal wezen en houdt er dan ook van om koopbeslissingen te baseren op interacties met vrienden en kennissen. Zij staan echter niet stil bij het feit dat hun sociale netwerk een grote impact heeft op de beslissingen die ze maken. Onderzoekers beseffen dit wel: op vlak van business intelligence is sociale netwerk analyse een bijzonder populair thema. Sociale netwerken kunnen eigenlijk worden gedefinieerd als knooppunten van individuen, groepen, organisaties en aanverwante systemen die aansluiten bij één of meer vormen van onderlinge afhankelijkheid: deze omvatten gedeelde waarden, visies en ideeën, sociale contacten, verwantschap,conflicten, geldstromen, handel, gezamenlijke lidmaatschap van organisaties en groepsparticipatie in gebeurtenissen. Dit alles te midden van tal van andere aspecten van menselijke relaties. Sociale netwerk analyse onderzoekt en analyseert voorgaande netwerken. Hierbij ligt de focus op de structuur van de relaties: ze worden namelijk geordend op basis van hoe sterk de onderlinge band is tussen individuen. Men wil zowel de formele als informele relaties in kaart brengen om uiteindelijk te begrijpen wat de kennisstroom vergemakkelijkt of belemmert tussen individuen onderling. Sociale netwerk analyse zorgt voor een doorbraak in het begrijpen van menselijke relaties, deze benadering stelt analisten namelijk in staat om normaal onzichtbare relaties tussen mensen te identificeren, te analyseren en te begrijpen.

Er bestaat een hele collectie aan technologische tools die ons toelaten om aan sociale netwerk analyse te doen. Een uitgebreide bespreking van deze tools zou ons in dit bestek te ver leiden. Deze tools maken het mogelijk om binnen een klantenkring het bestaan van sociale netwerken te identificeren. Een mooi praktijkvoorbeeld hiervan volgt in de case. Door het bundelen van gegevens uit meerdere bronnen over mensen en hun transacties is het mogelijk om groepen van mensen te linken binnen netwerken van een activiteit. Dankzij deze relaties, beschikt sociale netwerk analyse over het potentieel om niet alleen een vollediger beeld te scheppen van een individu, maar ook over de mogelijkheid voor organisaties om hun diensten, producten en beslissingen af te stemmen op specifieke groepen van vrienden, collega’s, huishoudens en families. Eens een netwerk is gedetecteerd, moeten de opinieleiders geïdentificeerd worden. Dit zijn de leden van het netwerk die de moeite waard zijn om in te investeren, voornamelijk vanwege hun grote invloed op de andere leden. Vaak zijn het diegenen die meestal als eerste worden geconsulteerd door kennissen inzake aankoopbeslissingen. Het zijn de “early adoptors” die tevens beschikken over een flinke portie sociale en communicatieve vaardigheden.

Het vinden van voldoende gegevens om aan sociale netwerk analyse te doen is niet altijd eenvoudig. In vele gevallen steunt deze techniek op enquêtes en interviews die werden afgenomen betreffende de relaties die zich binnen een groep bevinden. De antwoorden hierop worden vervolgens in kaart gebracht door middel van specifieke software. Vaak beschikken bedrijven ook zelf over grote databases waaruit vele informatie kan worden gehaald. Denk maar aan supermarkten die door middel van een klantenkaart alles kunnen registreren van wat de klant bij hen koopt. Tegenwoordig biedt ook de grote hoeveelheid en diversiteit aan online sociale netwerken een efficiënte en effectieve manier om waardevolle informatie te verzamelen. Het kopen van data van Facebook is hier een mogelijke oplossing.
De oorsprong van sociale netwerk analyse vinden we eigenlijk terug in de wereld van de beveiliging en verzekeringen, waar het Britse Insurance Fraud Bureau deze techniek toepaste om georganiseerde fraudenetwerken op te sporen. Tegenwoordig zijn de toepassingen veel ruimer, zo wordt sociale netwerk analyse toegepast om terroristische netwerken op te sporen. Een andere toepassing kan men vinden in de financiële sector. Door het koppelen van schulden en activa doorheen zakelijke en persoonlijke rekeningen kan een bank beter zicht krijgen in het begrijpen van de risicopositie van een bedrijf. Eveneens kan de bank een beter zicht krijgen in de financiële noden van z’n klanten en zo beter passende diensten en producten aanbieden. Het analyseren en detecteren van sociale netwerken is ongetwijfeld een ongelofelijk krachtige marketingtool. Door het blootleggen van netwerken laat sociale netwerk analyse zien of tevreden klanten (diegenen die het product dus zullen aanraden) een positieve invloed hebben op andere schakels binnen hun netwerk in termen van het ook aankopen van producten en overstappen naar andere aanbieders. Dit type analyse meet zo de effectiviteit van bepaalde campagnes door te controleren of het aanbod ‘viraal’ werd overgegeven naar andere delen van het netwerk. Zodra werd vastgesteld dat dit het geval is en er dus invloedrijke personen bestaan, kan men deze specifiek gaan “targetten” met de juiste virale marketing-campagnes.

Verband Churn Prediction – sociale netwerk analyse

Wat heeft sociale netwerk analyse nu te maken met Churn Prediction? Zoals eerder gezegd, vertrekt sociale netwerk analyse van het feit dat de attributen van een individu in een netwerk minder belangrijk zijn dan de relaties met andere individuen. Het bestuderen van deze relaties zorgt ervoor dat men kan bepalen hoe efficiënt informatie doorgegeven wordt in een sociaal netwerk. Uit voorgaande volgt onmiddellijk de link naar Churn Prediction. Als men weet hoe informatie of gedragingen in een sociale netwerk doorgegeven worden, is het evident dat dit een basis kan zijn voor het voorspellen van zogenaamde churners. Indien iemand die centraal in een netwerk staat en aldus een grote invloed uitoefent op anderen beslist om te veranderen van aanbieder, kan dat een domino-effect teweegbrengen. Via sociale netwerk analyse kunnen deze personen gedetecteerd worden en kan men voorkomen dat deze gaan “churnen”. Zo kan men vele klanten behouden die normaal ook gingen verlopen mocht de opinieleider de aanbieder verlaten.

Conclusie
De performantie van een organisatie kan significant verbeteren indien deze op een juiste manier omgaat met business intelligence. Hiervoor staan ondertussen een heleboel technologische tools ter beschikking. Zo zijn er vele technieken die het klantverloop en koopgedrag van klanten voorspellen, maar deze technieken hielden nooit rekening met sociale netwerken. Dat is jammer, want de mens is nu eenmaal een sociaal wezen en houdt er dan ook van om koopbeslissingen te baseren op interacties met vrienden en kennissen. Sociale netwerk analyse werd daarom ook wel gezien als de ontbrekende schakel in customer analytics. Onderzoekers zijn ondertussen op de hoogte van dit fenomeen. Sociale netwerk analyse stelt analisten in staat om normaal onzichtbare relaties tussen mensen te identificeren, te analyseren en te begrijpen. Hierbij wordt onderzocht welke personen een grote invloed hebben op de andere schakels binnen een netwerk. De voordelen van sociale netwerk analyse zijn bijzonder groot. Men kan niet alleen klantverloop tegengaan maar ook succesvolle marketingcampagnes voeren, risico’s beter inschatten, opportuniteiten ontdekken, strategieën herdefiniëren etc., dit alles door een goede analyse van klantengegevens.

Een belangrijke uitdaging die zich hierbij voordoet, is het recht op privacy. Hoe kan deze persoonlijke informatie verwerkt en geanalyseerd worden zonder de privacy te schenden? Kan een analist deze informatie vrij gebruiken in z’n voorspellingsmodellen? Dit zijn stuk voor stuk belangrijke vragen waarop nog geen eenzijdig antwoord werd geformuleerd. Het is dan ook niet uitgesloten dat in de toekomst nieuwe wetten zullen ontstaan om dit probleem aan te pakken.