Het doel van database marketing is marketing efficiency en customer lifetime value, te verhogen met het slim gebruik van klantgegevens. In Gebruik bijvoorbeeld klantgegevens aan de Klant groepen die hoge respons zou opleveren om aanbiedingen, om direct te pakken te identificeren.
Database marketing is gebaseerd op de klant informatie met betrekking tot:
o Klantgedrag
o Klant profiel & demografie
Uitsluitend op gedrag gebaseerde informatie, kan men indelen klanten in RFM (recency – frequentie – monetaire) of RF-cellen. Het doel is om de groepen klanten te identificeren met een hoge verwachte respons. Verschillende RFM-cellen zullen naar verwachting significant verschillend verwachte response rate (in het bijzonder die welke verband houden met de meest recente klanten) te bieden. Des te belangrijker het statistisch te verwachten verschil is, hoe hoger de potentiële business value deze groepering oplevert. Met het oog op RFM toe te passen, heeft men niet hoeft statistieken vaardigheden. Daarom is deze aanpak is minder duur, want het is eenvoudiger en vereist enige klant gedrag informatie.
Voorspellende modellen gebaseerd op zowel gedrags-en demografische gegevens, kunnen beter presteren dan Customer groeperingen uitsluitend gebaseerd op gedrags-gegevens (zoals RFM).
Met het oog op de ontwikkeling van een dergelijk model, moet men gebruik van gedrags-en demografische gegevens van een set van klanten, die zijn ten opzichte van hun antwoorden gecontroleerd om een specifiek aanbod. De Klant set is verdeeld in twee subsets van gelijk (of vergelijkbare) formaat en dergelijke soorten klanten (met respect voor het profiel en gedrag): een test set (of model trein) en een validatie set.
Het model wordt ontwikkeld tegen stel de test en gevalideerd tegen de validatie in te stellen. Een modellering algoritme kan worden toegepast (bv. logistische regressie-analyse), ten opzichte van de test set gegevens, om de variabelen, die aanzienlijk van invloed ‘de kans om te reageren op een aanbod “(wat is de afhankelijke variabele) te identificeren. Validatie van het model volgt. Het gaat om het identificeren van de meeste van de werkelijke responders in de validatie set, aangezien deze klanten bekend zijn. Na te zijn gevalideerd, kan het model gebruikt worden in een test campagne.
Verschillende obstakels kunnen verschijnen tijdens dit proces modellering:
o Er mag geen vangst van reacties van klanten naar de vorige aanbiedingen zijn, waardoor er geen gegevens naar model op.
o Als het model niet voldoende valideren tegen de validatie groep, dan is het model kan een mislukking. Dit kan betekenen dat de factoren die van invloed aanzienlijk gedrag van klanten, niet zijn opgenomen tot de gegevens beschikbaar zijn of worden niet gebruikt in het model.
o Veel klantendatabases houden Klantgedrag info, maar beperkt demografische op de klanten. Lijsten met consument demografische (aangeboden door velen in de USA), kan worden gebruikt om klantgegevens te verrijken met demografie.
Een gevalideerd model kan worden toegepast op de hele klantendatabase, tot een groep van klanten te identificeren met een hoge neiging om positief te reageren op een vergelijkbaar aanbod. Hebben geproduceerd deze klant lijst, is de volgende stap is om een test campagne in om de verwachte respons te controleren en opnieuw de resultaten te analyseren. Elke poging om een volledig opgeblazen campagne uit te voeren zonder voorafgaande test, kan leiden tot een mislukking, omdat de marktomstandigheden veranderen voortdurend.
Copyright 2006 – Kostis Panayotakis