Sales Zo verbeter je de inhoud van je klantrelaties

Klanten identificeren

Veel B2B-bedrijven, met name e-commerce bedrijven, implementeren algoritmen die kunnen voorspellen welk product een klant het meest waarschijnlijke gaat kopen. Dit doen ze vaak aan de hand van next-product-to-buyalgoritmen. Deze algoritmen maken gebruik van gegevens over wat vergelijkbare klanten hebben gekocht.
Onlangs analyseerde een logistiek bedrijf dit soort historische gegevens (bestelpatronen) om cross-sell-kansen binnen zijn klantenbestand te identificeren. Dit deden ze om vervolgens op maat gemaakte microcampagnes rond die kansen te ontwikkelen. Hierdoor kwam allerlei nieuwe informatie vrij en werd ook de ‘achtergestelde’ klant ontdekt. Door deze ontdekking kon deze klant geïdentificeerd en bereikt worden. Hierdoor verhoogde het bedrijf de omzet maar liefst 5 keer met zijn pilotproducten. Deze aanpak kan ook gebruikt worden om klanten te behouden.
De signalen die betrokken klanten, waarvan het risico groot is dat ze naar de concurrent overlopen, afgeven kunnen met analytics herkend worden. Aan de hand van deze signalen kan actie ondernomen worden voordat ze daadwerkelijk stappen ondernemen en weggaan. Patroonherkenning is binnen machine learning algoritmen erg geschikt om dit soort acties van klanten te herkennen en daarmee te voorkomen.

Jezelf wapenen met inzichten

Het marketing-analytics team bij een wereldwijd chemiebedrijf wilde het klantverloop binnen de MKB-sector verminderen. Om dit te realiseren bouwde het team voorspellingsmethodes, op basis van meer dan 30 variabelen. Hiermee identificeerde het team tien sleutelfactoren waardoor ze konden achterhalen waarom klanten bij het bedrijf weggingen. Ze kwamen tot een schokkend resultaat. De kans dat men ergens anders zou gaan kopen was namelijk drie keer zo groot bij de 15% van de belangrijkste klanten vergeleken met de rest van de klanten. Dit inzicht zorgde ervoor dat het chemiebedrijf gericht actie kon ondernemen om dit te voorkomen. Ook kwamen ze erachter dat hoe meer producten een klant kocht, hoe kleiner de kans was dat het zou vertrekken naar een andere verkoper. Het bleek dat cross-selling, en daarmee het verkopen van meer producten, van groot belang was. Cross-selling zorgde voor meer klantloyaliteit dan dat prijsveranderingen deden. Dit inzicht zorgde ervoor dat elke verkoopmanager een lijst kon produceren met de risicoklanten om zo een advies per klant te maken. Gewapend met deze inzichten verminderde het bedrijf de churn (het weggaan van klanten) met 25%.

Een mooi voorbeeld waaruit blijkt dat de inzet van geavanceerde analytics een grote rol kan spelen in het behouden van klanten en het maximaliseren van de klantwaarde.