Omzetverhoging middels het verhogen van customer lifetime value (CLV), retentie & klantloyaliteit door inzet van doorlopende big data analyses

Een goede, complete marketingstrategie houdt rekening met drie belangrijke punten: klanten werven, conversies genereren en klanten behouden. Deze stappen behoeven stuk voor stuk een eigen strategie. Zo hoeft een klik niet per se te leiden tot een conversie en zo leidt één conversie lang niet altijd tot een tweede aankoop. Het is dus belangrijk om te weten welke stap nog wat extra aandacht kan gebruiken.

In dit artikel gaan we in op de derde stap: klanten behouden. Wij van GMU streven er namelijk naar om ook op dit punt onze klanten zo goed mogelijk te kunnen helpen. In samenwerking met SNN zijn we daarom een project gestart om onderzoek te doen naar de mogelijkheid om de Customer Lifetime Value, klantretentie en -loyaliteit te verhogen door middel van big data analyses. SNN is een samenwerkingsverband van de drie noordelijke provincies en de gemeenten Groningen, Leeuwarden, Assen en Emmen met als doel de maatschappelijke en economische impact van het noorden te vergroten. We zullen de uitkomsten van dit onderzoek met u doornemen en uiteraard zullen we vertellen hoe GMU deze uitkomsten gaat toepassen om onze klanten van een optimale marketingstrategie te voorzien.

Customer Lifetime Value, klantretentie en -loyaliteit, wat houdt het precies in?

Ben jij zo iemand die altijd naar dezelfde bakker rijdt voor je broodjes op zondagochtend, zelfs als er een andere bakker gewoon om de hoek zit? Mooi! 

Dat is namelijk precies waar deze tak van marketing om draait. Klantloyaliteit.  Nieuwe klanten werven is namelijk leuk en goed voor de omzet, maar ervoor zorgen dat die klanten nog eens terugkomen, dat is een vak apart.

Daarom is het belangrijk om je ook op deze doelgroep te focussen en hoge klantretentie te stimuleren. Met klantretentie wordt in de marketing bedoeld hoe vaak een klant terugkomt, of hoe lang je de klant weet vast te houden als het gaat om abonnementen. Hoe hoger die klantretentie is, hoe meer omzet je zal genereren. Wanneer de klantretentie hoog ligt, zal de klantloyaliteit ook hoog zijn. Wanneer een klant loyaal is naar jouw bedrijf, zal deze klant jouw bedrijf vaak boven andere bedrijven stellen en daarom regelmatig terugkeren.

Om even terug te komen op de bakkerij. Een bakker zal natuurlijk dolblij met je zijn wanneer hij er iedere zondagochtend op kan rekenen dat jij voor de deur staat om broodjes voor het hele gezin te halen. Je bent dan als klant veel waard. Veel meer dan de scholier die iedere maand een croissantje komt halen. Ook de scholier is een loyale klant, maar toch is hij een stuk minder waard. Om erachter te komen hoeveel een bepaalde klant waard is voor jouw bedrijf kun je kijken naar de Customer Lifetime Value (CLV). 

De naam zegt het al een beetje, de CLV laat zien hoeveel een klant levenslang waard is voor jouw bedrijf. Door te kijken naar aankoopgedrag en vergelijkbare klanten wordt een schatting gemaakt van de omzet die een klant zal gaan genereren. Dit helpt met het kiezen van een juiste marketingstrategie. Op deze manier haal je het maximale resultaat uit je marketingbudget en voorkom je onnodige kosten.

Waarom dit onderzoek?

Zoals eerder aangegeven streeft GMU ernaar om onze klanten zo goed mogelijk van dienst te zijn op alle vlakken van de marketingwereld. Wij onderzoeken graag alle mogelijke strategieën om uiteindelijk de beste door te zetten. Daar is natuurlijk een hoop expertise voor nodig. We hebben er daarom voor gekozen om ons met dit onderzoek te richten op het belangrijke deel klantloyaliteit. Het behoud van bestaande klanten is immers goedkoper dan het werven van nieuwe klanten. GMU heeft onderzoek gedaan naar het inzichtelijk maken en het positief beïnvloeden van de klantloyaliteit als tool om omzet te laten stijgen.

Het doel van dit onderzoek is uiteindelijk het ontwikkelen van een eigen inzicht- en prognose tool, waarmee ondernemers inzicht krijgen in het gedrag van hun klanten. Hoeveel geven ze uit, hoe vaak en in welke tijdspanne? Met deze informatie en de beschikbare middelen om verandering in te luiden kunnen ondernemers de hoeveelheid loyale klanten verhogen en zien op welke specifieke klantgroepen, wat voor soort specifieke marketing het beste effect zal hebben.

Onderzoeksresultaten

Customer Retention Rate

Zoals eerder beschreven speelt klantretentie een grote rol in dit onderzoek. We hebben daarom onderzoek gedaan naar het achterhalen van de retentieratio van verschillende bedrijven. Hierdoor wordt inzichtelijk gemaakt hoe vaak een klant terugkeert naar een webshop voor een aankoop in een bepaalde periode. Het is handig om de retentiewaarde regelmatig in kaart te brengen, bijvoorbeeld per maand. Hierdoor wordt namelijk snel zichtbaar of er veranderingen plaatsvinden en wordt het snel duidelijk of een marketingcampagne heeft gewerkt. Als je bijvoorbeeld in maart start met een campagne en in april blijkt de retentiewaarde fors gestegen te zijn, weet je dat je goed bezig bent!

Ook hebben we onderzoek gedaan naar de retentiewaarde per klantgroep in plaats van per periode. Zo kun je gemakkelijk oude en nieuwe klanten van elkaar onderscheiden. Voor optimaal resultaat is het hier belangrijk om middels goede afspraken conform de AVG-richtlijnen demografische data van klanten te vergaren. Dit is simpelweg zo omdat demografische data een hoge toegevoegde waarde heeft, omdat je er als marketeer invloed op kunt uitoefenen. Wanneer je weet dat klantretentie hoger is bij vrouwen tussen de 20 – 30 jaar bijvoorbeeld, kun je actie ondernemen door middel van gerichte campagnes. Met deze extra kennis kun je dus inspelen op de beste doelgroep en stijgt de kans op extra omzet gestaag!

Churn Rate

De churn rate staat voor het percentage verloren klanten in een bepaald tijdsbestek. Hoe lager, hoe beter, maar helaas zal een stukje klantverlies altijd blijven. Dat is niet erg, want door onderzoek te doen naar de churn rate kunnen we leren van de data en ervoor zorgen dat het percentage verloren klanten kleiner en kleiner zal worden.

We hebben de churn rate geanalyseerd door onze klanten in te delen op senioriteit, wat in dit geval niet betekent dat alle 65-plussers bij elkaar in een clubje zitten. Met senioriteit doelen we op de tijd die tussen de eerste en de laatste aankoop van een klant zit. Hoe meer dagen een klant tussen zijn eerste en laatste aankoop heeft zitten, hoe hoger zijn senioriteit. Een klant die in een week 10 aankopen doet heeft dus lagere senioriteit dan een klant die alleen aan het begin en aan het eind van de maand een aankoop doet.

Hierdoor wordt duidelijk na hoeveel tijd de meeste klanten terugkeren voor een nieuwe aankoop.  Als je erachter komt dat de meeste klanten binnen een week al terugkomen voor een nieuwe aankoop, kun je daar bijvoorbeeld marketingstrategieën op inzetten die sterk focussen op klanten die recentelijk een aankoop hebben gedaan, om snelle retentie te stimuleren en daarmee de churn rate te verlagen.

Wanneer op basis van het verloop in senioriteit bijvoorbeeld een strategie zou worden opgezet om klanten na 8 dagen te benaderen met een korting of aantrekkelijk aanbod kunnen we signaleren of deze klanten vervolgens ook echt terugkomen en of zij wellicht vaker terugkomen of een hogere senioriteit zullen verkrijgen dan voor de strategie werd ingezet.

Regency, Frequency & Monetary

Tijdens de start van dit onderzoek kwamen er twee hoofdmodellen naar voren om klantloyaliteit te analyseren: de Customer Lifetime Value (CLV) en het Regency, Frequency & Monetary model (RFM). We hebben ons in beide modellen verdiept en hebben verschillende testen en methodes uitgeprobeerd. Zo zijn er voor het berekenen van de CLV ontzettend veel verschillende complexe methodes welke we allemaal na zijn gegaan. Maar ons antwoord was duidelijk: het RFM model stak qua accuraatheid, duidelijkheid en veelzijdigheid met kop en schouders boven het CLV model uit. Wij als GMU hebben dus gekozen om te focussen op Regency, Frequency & Monetary tijdens de analyse van klantloyaliteit aan onze klanten.

Maar wat houdt RFM precies in hoor ik u denken? Het RFM is een schaalmodel, klanten worden ingedeeld op basis van een verdeling van recency (dagen sinds laatste aankoop), frequency (hoeveelheid aantal orders tijdens de aangehouden periode) en monetary (totaalwaarde van de aankopen tijdens de aangehouden periode). Door naar deze drie factoren te kijken wordt goed zichtbaar welke klanten het meest waardevol zijn en welke klanten van minder waarde zijn. 

Een ideale klant koopt dus lekker vaak (hoge frequency), heeft dat kort geleden ook nog gedaan (lage recency) en koopt dan ook nog eens voor een kapitaal in bij jouw webshop (hoge monetary). 

Ook wordt snel inzichtelijk waar een klant nog tekortschiet, scoort een klant bijvoorbeeld goed op monetary en recency, maar niet op frequency? Dan kan daar rekening mee gehouden worden in de marketingstrategie.

Een aparte marketingstrategie voor iedere klant toepassen is natuurlijk niet te doen, daarom worden met het RFM-model vergelijkbare klanten geclusterd. Alle klanten met een vergelijkbare score en dus met vergelijkbaar koopgedrag worden in hetzelfde rijtje gezet. Zo kun je marketing als het ware personaliseren voor een complete groep klanten. Hierdoor besteed je geen onnodig budget aan klanten op wie de marketingcampagne niet van toepassing is, maar bereik je juist hen die een grote kans hebben om op de campagne te reageren.

Door de RFM te analyseren kunnen ook diverse risicogroepen worden herkend. Op basis hiervan zijn negen profielen opgesteld:

  • ingeslapen
  • inslapers
  • nieuw
  • vertrekkende
  • vol potentieel
  • potentieel loyaal
  • waardevolle vertrekkers
  • loyale klanten
  • sterren

De klanten worden dus geclusterd onder deze 9 profielen. Door de klantgroepen namen te geven wordt de analyse een stuk leesbaarder en overzichtelijker. Daarnaast maakt het gebruik van profielen het makkelijker om prognoses op te stellen voor toekomstig beleid.

Door middel van RFM kan ook los een selectie worden gemaakt van de klanten die de meeste omzet genereren of misschien juist geld kosten. Dit zijn eveneens marketingtechnisch hele waardevolle inzichten om te bepalen aan welke groep het gestelde marketingbudget kan worden besteed.

Al deze positieve gevolgen van een RFM-analyse gecombineerd met de duidelijkheid en overzichtelijkheid die het met zich meebrengt, zorgen ervoor dat wij bij GMU zeer enthousiast zijn over deze methode. Wij geloven dat we middels het RFM-model exacte en specifieke inzichten kunnen aanbieden die verder gaan dan slechts een cijfertje.  Daarbij sluiten de diensten van GMU, namelijk het assisteren van ondernemers in de e-marketing verder aan op de klantsegmentatie. Door het RFM toe te passen kunnen de wensen van de klant van GMU worden afgestemd met de realiteit. Wil de klant enkel nieuwe klanten werven? Wij regelen het. Wil de klant zich richten op loyale langdurige klanten? Geen probleem!

Conclusie

Het onderzoek dat we hebben uitgevoerd in samenwerking met SNN heeft ons bij GMU nieuwe, nuttige inzichten gegeven. Wij weten hoeveel profijt je als ondernemer kunt hebben van een hoge klantloyaliteit. Door dit onderzoek kunnen en de inzichten die het heeft verschaft kunnen we onze klanten in de toekomst nog beter adviseren over dit belangrijke onderdeel van de marketingwereld.

Door gebruik te maken van de uitkomsten van de churn rate, retentiewaarde en het RFM-model stellen we onszelf in staat marketingstrategieën nog specifieker en doelgerichter op te stellen. Het is duidelijk geworden dat de combinatie van deze drie waarden het meest efficiënt en accuraat zijn voor onze marketingdoeleinden in vergelijking met andere methoden.

Door de waarden van de churn rate (senioriteit), retentiewaarde (frequentie aankopen van een bepaalde klant) en het RFM- model (regency, frequency, monetary), naast elkaar te leggen wordt een compleet beeld van een klantenbestand gevormd. Het gedrag van de consument kent hierdoor geen geheimen meer, waardoor de marketingstrategie aangepast kan worden op verschillende klantgroepen. Hierdoor zal de klantloyaliteit stijgen tegen lagere marketingkosten.

Naar aanleiding van dit onderzoek zijn we bij GMU aan het testen met prototypen van onze eigen ontwikkelde prognosetool. Het doel van deze prognosetool is dat onze klanten gemakkelijk inzicht kunnen krijgen in de resultaten betreffende klantloyaliteit. Hierdoor krijgen onze klanten niet alleen inzicht in welke marketingstrategie geadviseerd wordt, maar ook waarom deze keuze gemaakt is. Als de strategie eenmaal in werking treedt, zal ook het resultaat direct zichtbaar worden voor zowel GMU als voor de klant. Zo kan er waar nodig tijdig bijgeschaafd worden. Ideaal toch?

Gratis Adwords consult 

vraag hem nu aan