Slimmere segmentatie voor een betere klantervaring in de retail

Context en doelstellingen

Een groeiende Belgische voedingsretailer ondervond sterke concurrentie in de biologische retail. Het bedrijf vroeg Agilytic om met segmentatie de gemiddelde besteding te verhogen, klantentrouw te versterken en nieuwe klanten aan te trekken.

Nauwkeuriger inzicht in klanten was cruciaal om middelen voor klantenwerving en -behoud beter te verdelen. 

Daarom voerden we een gedragssegmentatie uit om aankoopgewoontes beter te begrijpen. 

Vervolgens brachten we gedragsverschillen tussen winkels in kaart om de marketing- en verkoopaanpak lokaal aan te passen. 

Tot slot ontwikkelden we een dashboard waarmee de retailer de analyse interactief kan verkennen en benutten.

Aanpak

We begonnen met de validatie van data en scope. Dat hielp om een beschrijvende analyse te maken en samen met het team de afbakening van klanten, data en transacties te valideren, bijvoorbeeld gedrag per winkel, het aantal onbekende klanten en producten.

Daarna consolideerden we de data en bouwden we variabelen voor de segmentatie en de beschrijving van de segmenten. In dit project gebruikten we hoeveelheden per producttype voor de segmentatie.

Vervolgens kwam de segmentatie. Met een algoritme op basis van de silhouette-score bepaalden we het optimale aantal clusters en voerden we de segmentatie uit. De methode combineerde zakelijke segmentatie met machine learning (ML): een ML-algoritme segmenteerde op basis van vooraf geselecteerde variabelen.

Het optimale aantal clusters was hier tien. Omdat tien clusters lastig kunnen zijn voor marketingacties, stelden we twee segmentaties voor: één met tien segmenten en één met vijf clusters. We maakten een rapport om de segmenten met de retailer te valideren.

Na de segmentatie volgde visualisatie. De klant wilde op lange termijn een eigen dashboard bouwen en gebruiken. Daarom ontwikkelden we een tijdelijke oplossing in Power BI. Eerst maakten we een mock-up om de gewenste dimensies, meetwaarden en visualisatietypes te valideren, daarna bouwden we het dashboard.

Tot slot leverden we documentatie om kennis over te dragen en de retailer zelf met het model te laten werken. We beschreven de aanpak en scripts voor de segmentatie, en de procedure om ze op nieuwe data toe te passen.

Aanvullende vervolganalyse

Op basis van de eerdere analyse vonden we belangrijke kansen voor marketingcampagnes in de nasleep van de COVID-crisis. We analyseerden zowel tijdens als na de eerste lockdown onder meer winkelbezoek, veranderingen in klantsegmenten, vertrokken klanten en nieuwe klanten. Dat leidde tot concrete, tijdige en doeltreffende marketingcampagnes.

Resultaten

Aan het einde van het project leverden we:

• Een geconsolideerde en verrijkte dataset met segmenten en berekende velden voor de segmentatie

• Een segmentatierapport met de aanpak en beschrijving van de segmenten

• Een interactief dashboard met gedragspatronen voor het geheel, per segment en/of per winkel

• Scripts om segmenten te bouwen, de segmentatie op nieuwe data toe te passen en de dataset voor het dashboard op te bouwen

• Projectdocumentatie

• Een gedetailleerd rapport over klantgedrag vóór, tijdens en na de eerste lockdown

• Een lijst van te testen aanbevelingen over welke producttypes aan welke klanten of segmenten te promoten

Met ons model kon de klant de segmenten gebruiken als basis voor toekomstige marketingcampagnes.

Dankzij de data-analyse en segmentatie ziet de klant nu meer klantentrouw door slimmere beslissingen over de afstemming van commerciële inspanningen. Nadat het project in twee weken was afgerond, zag de klant snel welke vervolgstappen nodig waren om klantbehoud en commercieel potentieel te vergroten.