Het gebruik van segmentatie, voorspellende modellen
en de voorspelling van de CLV binnen het Nederlandse
bedrijfsleven
Door
Benno den Hartog
Rijksuniversiteit Groningen
Faculty of Economics and Business
Voorwoord
Dit onderzoek is geschreven in het kader van de afstudeeropdracht, als onderdeel van de Master Business Administration - Marketing Management, aan de Rijksuniversiteit te Groningen.
Tijdens het volgen van het vak Fieldcourse Marketing maakte ik kennis met het begrip Customer Lifetime Value. Mijn interesse was gewekt en ik besloot mijn afstudeeropdracht hieraan te wijden. In mijn zoektocht naar een onderzoeksonderwerp stuitte ik vervolgens op een interessante studie van Verhoef e.a. (2002) naar het gebruik van segmentatie en
voorspellende modellen in het Nederlandse bedrijfsleven. De auteurs gaven hierin aan dat er behoefte bestaat aan toekomstig academisch onderzoek naar de voorspelling van de CLV en met name het gebruik van deze voorspelling binnen het bedrijf. Ik besloot om in deze
behoefte te voorzien en de studie van Verhoef e.a. (2002) te repliceren met de toevoeging van onderzoek omtrent het begrip CLV. Voor u ligt het eindresultaat van mijn onderzoek.
Ik wil graag alle mensen bedanken die medewerking hebben verleend aan mijn onderzoek. Deze mensen, veelal database marketeers of marketing managers, hebben een volle agenda en daarom waardeer ik het ook ten zeerste dat zij bereid waren tijd vrij te maken om mij te woord te staan en mijn vragenlijst in te vullen. Tevens wil ik M-Wise, met algemeen directeur Ties Top in het bijzonder, bedanken voor het bieden van de mogelijkheid om mijn onderzoek uit te voeren en mijn Master Thesis te schrijven binnen M-Wise. Mijn dank gaat ook uit naar marketing intelligence specialist Harry Bruijnis voor de begeleiding vanuit M-Wise.
Samenvatting
Het huidige onderzoek kan gezien worden als een replica van het onderzoek van Verhoef e.a. (2002) met de toevoeging van onderzoek omtrent het begrip CLV. De probleemstelling van het onderzoek luidt: ‘het inzichtelijk krijgen van de mate waarin en wijze waarop
klantsegmentatie, voorspellende modellen en de voorspelling van de CLV van binnen het Nederlandse bedrijfsleven worden gebruikt’. Om deze probleemstelling te kunnen
beantwoorden is in het theoretisch kader van de huidige studie de beschikbare academische literatuur aangaande deze onderwerpen in kaart gebracht. Vervolgens werd er aan de hand van een vragenlijstonderzoek onder 124 bedrijven op de business-to-consumer markt in dit
onderzoek inzichtelijk gemaakt in welke mate en op welke wijze klantsegmentatie,
voorspellende modellen en de voorspelling van de CLV binnen het Nederlandse bedrijfsleven worden gebruikt. Het praktijkonderzoek geeft inzicht in de stand van zaken op het gebied van de database marketing binnen het Nederlandse bedrijfsleven en kan gebruikt worden door managers als een soort van benchmark.
In de empirische resultaten van het praktijkonderzoek zijn een aantal belangrijke verschillen waarneembaar ten opzichte van de resultaten van de studie van Verhoef e.a. (2002). Ten eerste worden zowel segmentatie als voorspellende modellen beiden significant vaker toegepast in het Nederlandse bedrijfsleven. Als tweede kan worden waargenomen dat het voor het Nederlandse bedrijfsleven significant belangrijker is geworden dat de
In de academische literatuur wordt gesteld dat veel bedrijven pas recentelijk beginnen kennis te maken met het begrip CLV en de volledige acceptatie en integratie in de
verschillende bedrijfsprocessen nog de nodige tijd en energie zal vergen. In het huidige onderzoek bleek dat het merendeel van de ondervraagde bedrijven wel bekend is met het begrip CLV. Echter, er bleek ook uit het huidige onderzoek dat ruim 60% van de
ondervraagde bedrijven, die bekend zijn met het begrip CLV, de CLV niet daadwerkelijk voorspelt en dus ook niet verder gebruikt binnen het bedrijf. Slechts één op de vijf bedrijven binnen het Nederlandse bedrijfsleven, die bekend zijn met het begrip CLV, voorspelt de CLV van de individuele klant daadwerkelijk. En gebruikt deze voorspelling vervolgens binnen het bedrijf voor de verschillende marketingtactieken op individueel klantniveau. De voorspelling van de CLV van de individuele klant wordt binnen het Nederlandse bedrijfsleven
voornamelijk gebruikt voor de volgende marketingtactieken op individueel klantniveau: het selecteren van de juiste klant, de bepaling van de optimale communicatiestrategie, het zenden van de juiste communicatie op het juiste tijdstip, het managen van klanten met hoge kosten om ze te bedienen en het vinden en behouden van de juiste klanten. Vanuit de praktijk is er voornamelijk meer empirische bewijs nodig van het nut van de voorspelling van de CLV van de individuele klant voor de volgende gebieden: het selecteren van de juiste klant, de bepaling van de optimale communicatiestrategie, het zenden van de juiste communicatie op het juiste tijdstip en het vinden en behouden van de juiste klanten. De gebieden waarop vanuit de praktijk meer empirisch bewijs nodig is van het nut van de voorspelling van de CLV van de individuele klant komen in hoge mate overeen met de gebieden waarvoor de voorspelling van de CLV van de individuele klant in de praktijk relatief vaak gebruikt wordt. Hieruit kan worden afgeleid dat de ondervraagde bedrijven de voorspelling van de CLV van de
individuele klant inmiddels wel beginnen te gebruiken binnen het bedrijf, maar wel op zoek blijven naar de bevestiging van het nut van de voorspelling voor het desbetreffende gebied.
Titel Master Thesis: Het gebruik van segmentatie, voorspellende modellen en de voorspelling van de CLV binnen het Nederlandse bedrijfsleven
Trefwoorden: segmentatie, voorspellende modellen, CLV en database marketing Afstudeerbegeleidster: dr. J. A. Voerman
Inhoudsopgave
Hoofdstuk 1 Inleiding en probleemstelling... 7
1.1 Inleiding ... 7
1.2 Theoretische aanleiding... 7
1.2.1 Beschrijving van de verschuiving richting CRM... 8
1.2.2 Database marketing ... 9
1.2.3 Klantsegmentatie en voorspellende modellen ... 9
1.2.4 Customer Lifetime Value ... 10
1.2.5 Complementerende vaardigheden... 11
1.3 Probleemstelling... 11
1.4 Opbouw rapport... 12
Hoofdstuk 2 Theoretisch kader... 14
2.1 Inleiding ... 14
2.2 Klantsegmentatie... 14
2.2.1 Segmentatievariabelen ... 15
2.2.2 Gebruik van de segmentatie binnen het bedrijf... 19
2.2.3 Criteriavariabelen ... 19
2.2.4 Vragen voor het praktijkonderzoek ... 19
2.3 Voorspellende modellen... 21
2.3.1 Gebruik van voorspellende modellen... 22
2.3.2 Vragen voor het praktijkonderzoek ... 22
2.4 Statistische technieken ... 23
2.4.1 Vragen voor het praktijkonderzoek ... 30
2.5 Customer Lifetime Value ... 31
2.5.1 Voorspelling van de CLV van de individuele klant ... 32
2.5.2 Gebruik van de voorspelling van de CLV binnen het bedrijf... 35
2.5.3 Vragen voor het praktijkonderzoek ... 50
2.6 Praktijkonderzoek... 51
Hoofdstuk 3 Onderzoeksopzet... 52
3.1 Procedure... 52
3.2 Plan van data analyse ... 53
3.3 Respondenten ... 54
3.4 Verloop van het onderzoek ... 56
Hoofdstuk 4 Resultaten ... 58
4.1 Beschikbare informatie over klanten... 58
4.2 Het gebruik van segmentatie ... 60
4.3 Het gebruik van voorspellende modellen... 63
4.4 Toegepaste statistische technieken... 64
4.5 Prestaties van de analyses ... 67
4.6 Het gebruik van de voorspelling van de CLV... 68
4.7 Perspectief van de praktijk op de acceptatie en integratie van de CLV... 70
Hoofdstuk 5 Conclusies en aanbevelingen ... 72
5.1 Conclusies van het huidige onderzoek ... 72
5.1.1 Beschikbare informatie over klanten... 72
5.1.2 Het gebruik van segmentatie ... 74
5.1.3 Het gebruik van voorspellende modellen ... 76
5.1.4 Toegepaste statistische technieken... 77
5.1.5 Prestaties van de analyse ... 79
5.1.6 Het gebruik van de voorspelling van de CLV ... 80
5.2 Tekortkomingen van de huidige studie ... 84
5.3 Praktische implicaties van het huidige onderzoek ... 85
5.4 Aanbevelingen toekomstig academisch onderzoek... 85
Literatuur... 87 Bijlage 1 Praktische aanleiding...Fout! Bladwijzer niet gedefinieerd.
Bijlage 2 Belangrijkste empirische resultaten Verhoef e.a. (2002) ...Fout! Bladwijzer niet
gedefinieerd.
Bijlage 3 Proces en voor- en nadelen van segmentatie Fout! Bladwijzer niet gedefinieerd.
Bijlage 4 Algemene vorm van voorspellende modellen Fout! Bladwijzer niet gedefinieerd.
Bijlage 5 Problemen omtrent de voorspelling van de CLV van de individuele klant ...Fout!
Bladwijzer niet gedefinieerd.
Bijlage 6 Compleet overzicht onderzoeksvragen praktijkonderzoek ...Fout! Bladwijzer niet
gedefinieerd.
Hoofdstuk 1 Inleiding en probleemstelling 1.1 Inleiding
Vrijwel iedereen kent het Nederlandse spreekwoord ‘De klant is koning’ wel. Vrij vertaald betekent dit dat een klant eisen mag stellen en dat een bedrijf nooit de belangen van zijn klanten uit het oog mag verliezen. Ook in de Engelse taal valt een soortgelijk spreekwoord te vinden, namelijk ‘The customer is always right’. Peter Drucker, de pionier van de moderne managementtheorie en een gereputeerde adviseur van talrijke bedrijven en regeringen over de hele wereld, stelde daarom al in 1954 in zijn boek The Practice of Management dat ‘Customer
Relationship Management (CRM) is the true business of every company: make customers, keep customers and maximize customer profitability’. Al in het jaar 1960 stelde Levitt dat
bedrijven niet gericht moeten zijn op het verkopen van product, maar op het vervullen van de behoeftes en wensen van de klanten. Een CRM benadering op individueel niveau was in die tijd echter nog niet mogelijk. Het aanbod van producten en services kon namelijk nog niet aangepast worden aan de individuele behoeftes en wensen van de klanten. Dit was niet mogelijk vanwege één van de volgende twee mogelijke redenen: (1) de benodigde informatie op individueel klantniveau was niet beschikbaar of (2) het bevredigen van de individuele behoeftes en wensen van de klanten was te duur en in sommige gevallen onuitvoerbaar voor bedrijven (Jain, 2005; Kumar & Reinartz, 2006). De relaties met de (juiste) klanten en zijn behoeftes vormen de basis van CRM en werden in toenemende mate centraal gesteld binnen de bedrijfsvoering.
1.2 Theoretische aanleiding
Sinds het begin van de jaren ’80 heeft er binnen de marketing een belangrijke verschuiving plaats gevonden in zowel de theorie als in de praktijk, namelijk een verschuiving richting CRM op individueel niveau (o.a. Morgan & Hunt, 1994; Brodie e.a., 1997; Hedaa & Ritter,
2005)1. Het centrale idee van CRM is de ontwikkeling en het onderhouden van langdurige
relaties met de klant, in plaats van simpelweg een serie van discrete transacties, door middel van superieure waarde van de klant en klanttevredenheid (o.a. Berger & Nasr, 1998; Jain, 2005; Kumar & Reinartz, 2006). CRM kan gedefinieerd worden als ‘the practice of analyzing
and utilizing marketing databases and leveraging communication technologies to determine
1 Voor een uitgebreide beschrijving van de verschuiving richting CRM binnen de marketing wordt er verwezen
corporate practices and methods that will maximize the lifetime value of each individual customer to the firm’ (Kumar & Reinartz, 2006).
1.2.1 Beschrijving van de verschuiving richting CRM
Door technologische ontwikkeling is het tegenwoordig mogelijk om informatie op
klantniveau te verzamelen en te analyseren (Jain, 2005; Kumar & Reinartz, 2006). Er kan gesteld worden dat er een verschuiving heeft plaats gevonden van transactiemarketing naar relatiemarketing (CRM) waarbij de aandacht verschoven is van (1) het product naar (2) de vraag (de over individuen geaggregeerde vraag) naar (3) segmenten (een meer
gedisaggregeerde vraag) naar (4) individuen (Leeflang, 1996). Bedrijven realiseren zich dat klanten een verschillende economische waarde voor het bedrijf vertegenwoordigen en bedrijven beginnen hun aanbod aan klanten en communicatiestrategie daarop in te richten (Reinartz, Krafft & Hoyer, 2004). In essentie verleggen bedrijven dus de aandacht van een product- of merkgeoriënteerde marketing naar een klantgeoriënteerde aanpak (Leeflang, 1996; Reinartz, Krafft & Hoyer, 2004). De interesse in CRM neemt tegenwoordig toe onder zowel de beoefenaars van marketing in de praktijk als onder de marketingwetenschappers (o.a. Kannan & Rao, 2001; Langerak & Verhoef, 2003; Rigby & Ledingham, 2004). Het toenemende belang van en interesse in CRM valt te verklaren vanuit het feit dat bedrijven op vier verschillende gebieden grote veranderingen ervaren in vergelijking met twee decennia geleden, te weten op het gebied van (1) de klanten; een toenemende diversiteit onder de klanten, (2) de markt; een heviger wordende concurrentiestrijd en een toenemende fragmentatie van de markt, (3) de dataopslag technologie; toenemende technologische dynamiek en het relatief goedkoper worden van dataopslag en (4) de functie van de marketing; een massamedia benadering is niet langer de meest effectieve en efficiënte
benadering (Kumar & Reinartz, 2006)2. Voor bedrijven wordt het dus steeds belangrijker om
klanten op de juiste wijze te bedienen. De omgeving van het bedrijf wordt in toenemende mate gekenmerkt door onzekerheid en snelle verandering (o.a. Tonks & Farr, 2001; Gurău & Ranchhod, 2002; Badgett & Stone, 2005). Vanuit dit perspectief valt het toenemende belang van CRM te verklaren. Er kan gesteld worden dat er sprake is van ‘a new marketing scenario
that places much greater demands on learning about customer preferences, or value proposition, and product and service customization’ (Kumar & Reinartz, 2006).
2 Voor een uitgebreide beschrijving van de vier veranderingen, die hebben geleid tot het toenemende belang van
1.2.2 Database marketing
Onder invloed van de verschuiving van de productgeoriënteerde marketing richting de klantgeoriënteerde marketing en het toenemende belang van CRM ontstond de behoefte aan het verzamelen, opslaan en analyseren van informatie op klantniveau (o.a. Jain & Singh, 2002; Kumar & Petersen, 2005; Kumar & Reinartz, 2006). Klantendatabases en de analyse van de data zijn essentiële ingrediënten van CRM (Davenport e.a., 2001; Shaw e.a., 2001). In de loop der tijd zijn database marketing technieken steeds belangrijker geworden voor
bedrijven bij het contact leggen en communiceren met (individuele) klanten (o.a. Petrison, Blattberg & Wang, 1997; Cui, Wong & Lui, 2006). Database marketing stelde bedrijven traditioneel in staat om verschillende klantsegmenten te identificeren en te analyseren om waardevolle informatie te verkrijgen om de impact van de marketingcampagne te verbeteren (o.a. Petrison, Blattberg & Wang, 1997; Jenkinson, 2006; Kumar & Reinartz, 2006)3.
Vervolgens kunnen er marketingcampagnes worden voorgesteld voor de verschillende
segmenten (o.a. Petrison, Blattberg, Wang, 1997; Cui, Wong & Lui, 2006; Kumar & Reinartz, 2006). De huidige technologie stelt het bedrijf in staat om klanten op flexibele wijze
individueel klantniveau te benaderen (o.a. Petrison, Blattberg & Wang, 1997; Taciuk, 2004; Kumar & Reinartz, 2006).
1.2.3 Klantsegmentatie en voorspellende modellen
Het gebruik maken van statistische technieken bij het analyseren van klantendata en het leveren van informatie ter ondersteuning van de marketingbeslissingen zijn belangrijke elementen van database marketing en data mining (Petrison, Blattberg & Wang, 1993; Davenport e.a., 2001). Data mining kan gedefinieerd worden als ‘the nontrivial extraction of
implicit, previously unknown, and potentially useful information from data’ (Frawley,
Piatetsky-Shapiro & Matheus, 1992) en ‘the science of extracting useful information from
large data sets or databases’ (Hand, Mannila & Smith, 2001). Theoretisch werk op het gebied
van database marketing is gericht op de ontwikkeling, verbetering en vergelijking van
(nieuwe) statistische technieken (o.a. Bult & Wansbeek, 1995; Levin & Zahavi, 2001; Garver, 2002). Deze statistische technieken worden voornamelijk gebruikt bij de klantsegmentatie en/of voorspellende modellen (o.a. Levin & Zahavi, 1998, 2001; Verhoef e.a., 2002). Klantsegmentatie in database marketing, ook wel lijstsegmentatie genoemd, houdt in dat klanten gegroepeerd worden in segmenten (Wedel & Kamakura, 2000). De segmenten zijn intern homogeen en extern heterogeen, dit houdt in dat klanten binnen een bepaald segment
3 De studie van Petrison, Blattberg en Wang (1997) geven een goed overzicht van de ontwikkelingen op het
op dezelfde wijze reageren op een marketing wijze, maar geheel anders als klanten in een ander segment (o.a. Jain, 2005; Kumar & Petersen, 2005; Kumar & Reinartz, 2006). Voorspellende modellen in database marketing worden gebruikt ten behoeve van de
voorspelling van de respons op een mailing, poging om contact te leggen met de klant of een andere marketingactie (o.a. Shepard, 1995; Levin & Zahavi, 1998; Collins, 2001).
1.2.4 Customer Lifetime Value
Door de verschuiving van de productgeoriënteerde marketingstrategie naar een
klantgeoriënteerde marktstrategie wordt de vaststelling van de waarde van de individuele klant voor een bedrijf belangrijk (Jain & Singh, 2002; Kumar, Lemon & Parasuraman, 2006). In de huidige economische omgeving, gekarakteriseerd door technologische dynamiek en intensieve concurrentie, zijn de begrippen retentie en winstgevendheid van de individuele klant doorslaggevend geworden voor het succes van elk bedrijf (Gurău & Ranchhod, 2002). Vanuit dit perspectief kan de toenemende populariteit van het begrip customer lifetime value verklaard worden. De customer lifetime value (CLV) kan gedefinieerd worden als de netto contante waarde van alle financiële contributies, opbrengsten minus kosten, van een
individuele klant (o.a. Berger & Nasr, 1998; Dwyer, 1989; Jain, 2005). Aan de hand van de berekening van de CLV van de individuele klanten is het bedrijf in staat verschillende marketing beslissingen te verbeteren, zoals de selectie van de klanten, de segmentatie van de klanten en de allocatie van de marketingresources (o.a. Venkatesan & Kumar, 2004; Gupta e.a., 2006, Kumar & Reinartz, 2006).
CLV maakt marketing meetbaar
Tegenwoordig valt er een toenemende druk binnen bedrijven waar te nemen om marketing meetbaar te maken (o.a. Berger e.a., 2006; Gupta e.a., 2006; O’Sullivan & Abela, 2007). Traditionele metrics, zoals merkbekendheid en attitude, zijn niet toereikend om de ROI te bepalen van een marketinginvestering (Gupta e.a., 2006; Kumar, Shah & Venkatesan, 2006). Dit leidt er vervolgens toe dat het topmanagement marketinguitgaven te vaak zien als kosten op de korte termijn in plaats van investeringen voor de lange termijn en als niet meetbaar (o.a. Schultz & Gronstedt, 1997; Rust e.a., 2004; Rust, Lemon & Zeithaml, 2004). Rust e.a. (2004) stellen dat ‘the perceived lack of accountability had undermined marketing’s credibility,
threatened marketing’s standing in the firm, and even threatened marketing’s existence as a distinct capability within the firm’. Empirisch bewijs voor de link tussen CLV en
druk staat op de marketing managers om de ROI van de marketinginvesteringen te meten, managen en te maximaliseren. (Rust, Lemon & Zeithaml, 2004). Enkele recente studies hebben aangetoond dat CLV een geschikte metric is voor de bepaling van de return op marketingacties en de ontwikkeling van strategieën op zowel klantniveau als op
bedrijfsniveau (Rust, Lemon & Zeithaml, 2004; Venkatesan & Kumar, 2004). ‘Therefore,
CLV will help marketing practitioners show the consequences of marketing activity on the market capitalization of the firm, thereby making marketing expenditures more accountable. Essentially, CLV is the bridge between the traditional focus of marketing on customers’ attitudes and purchases to the focus of finance on ROI and shareholder value’ (Berger e.a.,
2006). De focus van het dit onderzoek komt dan ook op het begrip CLV te liggen. 1.2.5 Complementerende vaardigheden
In de huidige economie, gegeven het toenemende belang van CRM, zijn de belangrijkste marketingvaardigheden nog steeds noodzakelijk en relevant, maar ze dienen echter wel gecomplementeerd te worden op een aantal belangrijke gebieden (Gurău & Ranchhod, 2002). Deze belangrijke complementerende vaardigheden zijn:
• Clusteren; aan de hand hiervan kunnen significante klantsegmenten, met dezelfde karakteristieken of attitudes, geïdentificeerd worden waarvoor relevante proposities en communicatie kan worden ontwikkeld (Gurău & Ranchhod, 2002; Ryals, 2003; Badgett & Stone, 2005).
• Voorspellen; door middel van het gebruik maken van voorspellingstechnieken kan de sterkte en de aard van het verband tussen gedrag en klantattributen worden
geïdentificeerd om zo gedrag (bijvoorbeeld respons) van de klant te voorspellen (Shaw e.a., 2001; Gurău & Ranchhod, 2002).
• Modelleren van de CLV; het is belangrijk om te doorgronden wat de belangrijkste bronnen van CLV zijn en de te verwachte impact op CLV van mogelijke
veranderingen in de marketing mix (Berger & Nasr, 1998; Reinartz & Kumar, 2000; Gurău & Ranchhod, 2002; Ryals, 2003).
Gegeven het belang van deze complementerende marketingvaardigheden wordt in het theoretisch kader (hoofdstuk 2) aandacht geschonken worden aan deze onderwerpen.
1.3 Probleemstelling
over dit onderwerp, er geen onderzoek was uitgevoerd naar de mate waarin en de wijze waarop klantsegmentatie en voorspellende modellen in de praktijk gebruikt worden. Gegeven het toenemende belang van CRM en database marketing hebben Verhoef e.a. (2002) hier onderzoek naar verricht. De praktische aanleiding van het onderzoek is terug te vinden in bijlage 1. Recentelijk gaven verschillende academici dat de vaststelling van de waarde van de individuele klant voor een bedrijf belangrijk is geworden (Jain & Singh, 2002; Kumar, Lemon & Parasuraman, 2006). Het begrip CLV kan hier een belangrijke rol in spelen. Verhoef e.a. (2002) gaven in hun onderzoek dan ook aan dat er behoefte bestaat aan toekomstig
academisch onderzoek naar de voorspelling van de CLV en met name het gebruik van deze voorspelling binnen het bedrijf. Ondanks de grote hoeveelheid beschikbare literatuur over het begrip CLV is er geen onderzoek beschikbaar naar de mate waarin en de wijze waarop de voorspelling van de CLV in de praktijk gebruikt worden. Dit onderzoek voorziet in deze behoefte. De probleemstelling luidt dan ook: ‘het inzichtelijk krijgen van de mate waarin en
wijze waarop klantsegmentatie, voorspellende modellen en de voorspelling van de CLV binnen het Nederlandse bedrijfsleven worden gebruikt’.
Het dient opgemerkt te worden dat het huidige onderzoek gezien kan worden als een replica van het onderzoek van Verhoef e.a. (2002) met de toevoeging van onderzoek omtrent het begrip CLV. Om tot de beantwoording van de probleemstelling te kunnen komen, wordt allereerst in het theoretisch kader de beschikbare academische literatuur aangaande deze onderwerpen in beeld gebracht aan de hand van de volgende vijf algemene onderzoeksvragen:
1. Op welke wijze dient de klantsegmentatie gebruikt te worden binnen het bedrijf volgens de academische literatuur?
2. Op welke wijze dienen voorspellende modellen gebruikt te worden binnen het bedrijf volgens de academische literatuur?
3. Welke statistische technieken worden er in de academische literatuur beschreven, die gebruikt kunnen worden bij de klantsegmentatie en/of voorspellende modellen?
4. Op welke wijze kan de CLV van de individuele klant voorspeld worden volgens de academische literatuur? 5. Op welke wijze dient de voorspelling van de CLV van de individuele klant gebruikt te worden binnen het
bedrijf volgens de academische literatuur? Tabel 1.1 Algemene onderzoeksvragen
1.4 Opbouw rapport
literatuur. In de eerste subparagraaf wordt er ingegaan op de segmentatievariabelen. Vervolgens wordt er in subparagraaf 2.2.2 aandacht besteed aan het gebruik van de segmentatie binnen het bedrijf. De criteriavariabelen komen in paragraaf 2.2.3 aan bod. In paragraaf 2.3 komt de wijze waarop voorspellende modellen gebruikt dienen te worden binnen het bedrijf aan bod. In paragraaf 2.4 worden de statistische technieken die gebruikt kunnen worden voor de segmentatie en/of voorspellende modellen uiteengezet. Vervolgens wordt er in paragraaf 2.5 dieper ingegaan op het begrip CLV. Hiertoe wordt er eerst aandacht geschonken aan de voorspelling van de CLV van de individuele klant en vervolgens aan het gebruik van de voorspelling van de CLV van de individuele klant binnen het bedrijf. Tot slotte wordt er in paragraaf 2.6 een overzicht gegeven van alle vragen voor het
Hoofdstuk 2 Theoretisch kader 2.1 Inleiding
Zoals aangegeven in hoofdstuk 1 wordt er in het theoretisch kader vastgesteld op welke wijze klantsegmentatie (paragraaf 2.2) en voorspellende modellen (paragraaf 2.3) gebruikt dienen te worden volgens de academische literatuur. Daarnaast worden de statistische technieken die in de academische literatuur als effectief bestempeld zijn en gebruikt kunnen worden ten
behoeve van de klantsegmentatie en/of voorspellende modellen in paragraaf 2.4 in kaart gebracht. Het huidige onderzoek kan tot op dit punt gezien worden als een replica van de studie van Verhoef e.a. (2002). In bijlage 2 zijn dan ook de belangrijkste empirische resultaten van Verhoef e.a. (2002) op deze gebieden weergegeven. Het vernieuwende aan dit onderzoek is dat de studie van Verhoef e.a. (2002) is uitgebreid met onderzoek naar het begrip CLV (paragraaf 2.5). Hierin ligt dan ook voor een groot deel de academische meerwaarde van het dit onderzoek. Er wordt vastgesteld op welke wijze de CLV van de individuele klant
voorspeld kan worden volgens de academische literatuur. Daarnaast wordt er ingegaan op het gebruik van de voorspelling van de CLV van de individuele klant binnen het bedrijf. De nadruk ligt op het onderzoek naar het begrip CLV en wordt dan ook uitgebreider behandeld in het theoretisch kader.
2.2 Klantsegmentatie
Op de huidige markt, gekarakteriseerd door hevige concurrentie, is het traceren en het effectief richten op unieke segmenten op de markt zowel een realiteit als een noodzaak (o.a. Tonks & Farr, 2001; Soper, 2002; Badgett & Stone, 2005). De segmentatie van de markt is een belangrijke strategische beslissing voor elk bedrijf, ongeacht de industrie waarin het bedrijf actief is (o.a. McDonald, 1995; Pierce, 1997; Dibb & Simkin, 2001). ‘Customer
segmentation is no longer a simple, or static, marketing technique. It is central to how successful companies run their business’ (Badgett & Stone, 2005). Marktsegmentatie is dus
de techniek die gebruikt wordt door marketeers om grip te krijgen op de diverse aard van de markten en succesvol de behoeftes en wensen van de verschillende (segmenten) klanten te bevredigen (o.a. Dibb & Simkin, 2001; Tonks & Farr, 2001; Jobber, 2004) 4.
Marktsegmentatie kan gedefinieerd worden als: het identificeren van individuen of
organisaties met overeenkomstige karakteristieken welke een significante uitwerking hebben
4 Smith (1956) en Wind (1978) kunnen met hun werk gezien worden als ‘grondleggers’ van de
op de vaststelling van de marketingstrategie (Jobber, 2004). Bij marktsegmentatie draait het om activiteiten die erop gericht zijn om alle klanten met relatief homogene wensen, behoeftes, productpreferenties en aankoopgedrag te groeperen in segmenten (o.a. Tonks & Farr, 2001; Jobber, 2004; Helgesen, 2006). Het belangrijkste doel van segmentatie is het beter begrijpen van de klanten en dit verbeterde begrip gebruiken om de winstgevendheid te verbeteren (o.a. Dibb & Simkin, 2001; Jobber, 2004; Badgett & Stone, 2005). Dit leidt ertoe dat het bedrijf in staat is om de schaarse resources efficiënter aan te wenden en dat het bedrijf er verzekerd van kan zijn dat het aanbod van de klant zorgvuldig gericht is op de desbetreffende (juiste) klant (o.a. Wind, 1978; Beane & Ennis, 1987; Dibb & Simkin, 2001). Uit de studie van Verhoef e.a. (2003) bleek dat 70,1% van de bedrijven een segmentatie uitvoerden in hun database marketing activiteiten. De volgende algemene onderzoeksvraag (1) komt in deze paragraaf aan bod: ‘Op welke wijze dient de klantsegmentatie gebruikt te worden binnen het bedrijf
volgens de academische literatuur?’. Gegeven het belang van segmentatie binnen de moderne
marketing en de huidige economische situatie wordt er in bijlage 3 het proces van segmentatie behandeld. Tevens komen de voor- en nadelen van het uitvoeren van een segmentatie aan bod in bijlage 2. In paragraaf 2.2.1 wordt er ingegaan op de belangrijkste segmentatievariabelen. Daarna komt het gebruik van de segmentatie binnen het bedrijf aan bod in subparagraaf 2.2.2. In subparagraaf 2.2.3 worden de criteriavariabelen behandeld. Tot slotte worden de
onderzoeksvragen voor het praktijkonderzoek uiteengezet in subparagraaf 2.2.4. 2.2.1 Segmentatievariabelen
Segmentievariabelen zijn de criteria die gebruikt worden om de markt onder te verdelen in segmenten (Jobber, 2004). In deze subparagraaf draait het dus om de volgende vraag (7.1): ‘Welke karakteristieken van de klant bepalen in welk segment de desbetreffende klant wordt
gesegmenteerd?’ (Verhoef e.a., 2002). Wanneer de marketeer een afweging maakt tussen de
verschillende segmentatievariabelen, is de marketeer op zoek naar variabelen die de
verschillen in klantgedrag accuraat voorspellen (Tonks & Farr, 2001; Jobber, 2004). Er is een breed scala aan mogelijke segmentatievariabelen en er bestaat geen enkele optimale
universele manier om een markt te segmenteren (o.a. Wind, 1978; Kotler, 1980; Beane & Ennis, 1987). Er wordt vaak gebruik gemaakt van een combinatie van verschillende
segmentatievariabelen om een groep klanten te identificeren, die op dezelfde wijze reageren op de marketing mix strategie (o.a. Wind, 1978; Jobber, 2004; Badgett & Stone, 2005).
en gedragsvariabelen (Helgesen, 2006). De meeste van deze traditionele benaderingen van segmentatie zijn gebaseerd op non-economische karakteristieken van de klant (Badgett & Stone, 2005; Helgesen, 2006). Tegenwoordig bestaat er daarnaast een benadering gebaseerd op economische klantkarakteristieken, namelijk gebaseerd op de CLV (o.a. Doyle, 2000; Badgett & Stone, 2005; Helgesen, 2006). Het dient opgemerkt te worden dat deze benadering niet als alternatief gezien kan worden voor de traditionele benadering, maar juist als
additionele klantsegmentatie techniek (Badgett & Stone, 2005; Helgesen, 2006; Tirenni, Kaiser & Herrmann, 2007). Hieronder wordt er dieper ingegaan op de belangrijkste
segmentatievariabelen 5. Op het gebruik van de CLV als segmentatievariabele wordt
uitgebreider ingegaan, omdat dit een relatief nieuw thema is binnen de academische literatuur.
Profiel segmentatievariabelen
Profiel segmentatievariabelen stellen het bedrijf in staat om groepen klanten zo te
classificeren dat deze groepen bereikt kunnen worden door de communicatiemedia (Jobber, 2004). De belangrijkste profiel variabalen zijn: geografische variabelen, demografische variabelen en socio-economische variabalen (Beane & Ennis, 1987; Jobber, 2004). ‘Even if
behavior and/or psychographic segmentation have successfully distinguished between buyer preferences, there is often a need to analyze the resulting segments in terms of profile variables to communicate to them’ (Van Raaij & Verhallen, 1994; Jobber, 2004). Er kan dus
gesteld worden dat profiel segmentatievariabelen van nut kunnen zijn als ‘beschrijvende’ variabelen in het segmentatieproces en in combinatie met andere segmentatievariabelen gebruikt dienen te worden. Hieronder worden de belangrijkste profiel segmentatievariabelen afzonderlijk uiteengezet.
Geografische variabelen
Segmentatie op basis van geografische variabelen is het makkelijkst te begrijpen (Beane & Ennis, 1987). De geografische segmentatiemethode is bruikbaar wanneer er verschillen bestaat in consumptiepatronen en –voorkeuren tussen bepaalde geografische gebieden (Beane & Ennis, 1987; Jobber, 2004). Dit kan betrekking hebben op een bepaalde regio van een land, populatiedichtheid of klimaat (Beane & Ennis, 1987; Jobber, 2004).
5 In het huidige onderzoek wordt er afgeweken van de antwoordmogelijkheden die Verhoef e.a. (2002) in hun
Demografische variabelen
Demografische segmentatie blijkt de meest voorkomende vorm van segmentatie te zijn (o.a. Beane & Ennis, 1987; Jobber, 2004; Badgett & Stone, 2005). Dit komt waarschijnlijk voort uit het feit dat klanten worden geplaatst duidelijk omschreven meetschalen, welke makkelijk te begrijpen zijn (Beane & Ennis, 1987). De informatie is dus eenvoudig te interpreteren, relatief eenvoudig te verzamelen en eenvoudig te transfereren van de ene naar de anders studie (Kotler, 1980; Beane & Ennis, 1987; Jobber, 2004). De meest gebruikte demografische variabelen zijn: leeftijd, geslacht, omvang en type familie, ras en nationaliteit (Beane & Ennis, 1987; Jobber, 2004). Soms wordt er een combinatie van deze variabelen gebruikt, afhankelijk van het gewenste niveau van specifiekheid in de segmentatie (Beane & Ennis, 1987).
Socio-economische variabelen
De meest gebruikte socio-economische variabelen zijn: sociale klasse, opleidingsniveau, beroepsgroepen en inkomen (Jobber, 2004). Deze variabelen hebben dezelfde voordelen als demografische variabelen. De informatie is namelijk eenvoudig te interpreteren, relatief eenvoudig te verzamelen en eenvoudig te transfereren van de ene naar de anders studie (Kotler, 1980; Beane & Ennis, 1987; Jobber, 2004). ‘Clearly many people who hold similar
occupations have very dissimilar lifestyles, values and purchasing patterns’ (Jobber, 2004).
Desondanks kunnen socio-economische variabelen in bepaalde situaties toch van nut zijn in het segmentatieproces (O’Brien & Ford, 1988; Jobber, 2004).
Gedragsvariabelen
Het doel van segmentatie is het identificeren van verschillen in gedrag van klanten, welke significante implicaties hebben voor de marketingbeslissingen (o.a. Kotler, 1980; Beane & Ennis, 1987; Jobber, 2004). Gedragsvariabelen kunnen gezien worden als de ultieme basis voor segmentatie (o.a. Beane & Ennis, 1987; Soper, 2002; Jobber, 2004). De belangrijkste gedragvariabelen zijn: gezochte voordelen (benefits sought), aankoopgelegenheid,
aankoopgedrag (hieronder vallen onder andere de RFM-variabelen), gebruiksintensiteit, percepties en gedachtes (perceptions and beliefs), mate van loyaliteit, readiness stage en
marketing factor sensitivity (o.a. Kotler, 1980; Beane & Ennis, 1987; Jobber, 2004) 6.
6 Voor een uitgebreidere beschrijving van de verschillende gedragvariabelen wordt er verwezen naar het werk
Psychografische variabelen
Psychografische variabelen worden gebruikt wanneer marketeers geloven dat er een correlatie bestaat tussen het aankoopgedrag van de klanten en de persoonlijkheid of levensstijl van de desbetreffende klanten (Jobber, 2004). ‘Psychographics can serve as the next step in research
if a demographic study produces no clear or actionable segments. Basically, when one uses psychographics in an attempt to segment a market, one is trying to incorporate part of the inner person into the understanding of the market’ (Beane & Ennis, 1987). De
psychografische beschrijving is dus gericht op de innerlijke persoon en niet op de uiterlijke expressie van de desbetreffende persoon. Ook psychografische variabelen zouden gezien kunnen worden als ‘beschrijvende’ segmentatievariabelen. De vraag met psychografische segmentatie blijft bestaan in hoeverre psychografische variabelen aankoopgedrag op een specifieke markt kunnen voorspellen/verklaren (Sampson, 1992). Het nut van het gebruik van persoonlijkheid als segmentatievariabele blijkt afhankelijk te zijn van de productcategorie (Wells, 1975; Jobber, 2004). Psychografische segmentatie heeft een grotere kans om effectief te zijn wanneer de keuze voor een bepaald productaanbod of dienst een reflectie is van zijn/haar zelfuitdrukking (Jobber, 2004).
Customer Lifetime Value
Om klanten te kunnen segmenteren op basis van de CLV is een winstgevendheid analyse nodig om de (potentiële) CLV van de individuele klant vast te stellen (Paltschik & Storbacka, 1992; Helgesen, 2006). Er zijn recentelijk enkele benaderingen geïntroduceerd voor
segmentatie op basis van financiële variabelen (Helgesen, 2006; Tirenni, Kaiser & Herrmann,
2007)7. Aan de hand van een winstgevendheid analyse kunnen klanten worden toegewezen
aan verschillende winstgevendheidsegmenten op basis van vooraf gestelde normen
(Baltechniek & Storbacka, 1992; Helgesen, 2006). Managers zullen normaal gesproken de meest winstgevende segmenten selecteren, maar andere segmenten kunnen ook interessant zijn (hoog potentieel) (Helgesen, 2006). Aan de hand van het opgedane inzicht over de waarde van de individuele klanten moet de besluitvormer in staat zijn de meest interessante klanten te selecteren (o.a. Badgett & Stone, 2005; Helgesen, 2006; Reinartz & Kumar, 2006). Tirenni, Kaiser en Herrmann (2007) stellen in hun studie: ‘valuation of customers and
knowledge of customer features and behaviour that allow prediction of a customer’s value
7 De benaderingen om segmentatie uit te voeren op basis van financiële variabelen vallen buiten het kader van
segment are indispensable for optimizing marketing investments’8. Door middel van
segmentatie op basis van de CLV van de individuele klant zijn bedrijven in staat hun portfolio van klanten effectief en efficiënt te managen (o.a. Gurău & Ranchhod, 2002; Badgett & Stone, 2005; Tirenni, Kaiser & Herrmann, 2007). Hier kan dus uit worden afgeleid dat de CLV als additionele segmentatievariabele ook benodigd is voor effectieve toepassing van klantsegmentatie.
2.2.2 Gebruik van de segmentatie binnen het bedrijf
In deze subparagraaf staat de volgende vraag (7.2) centraal: ‘Waar wordt de segmentatie voor
gebruikt binnen uw organisatie?’ (Verhoef e.a., 2002). In de studie van Verhoef e.a. (2002)
worden vier mogelijke toepassingsgebieden geformuleerd voor segmentatie. Segmentatie kan in de ogen van Verhoef e.a. (2002) namelijk gebruikt worden voor: (1) de selectie van de (verschillende segmenten) klanten voor een aanbod, (2) een variërend aanbod (prijsstelling, productaanbod etc.) aan de (verschillende segmenten) klanten, (3) een variërend tijdstip waarop de (verschillende segmenten) klanten benaderd worden en (4) het bouwen van een voorspellend model per segment. De empirische resultaten van Verhoef e.a. (2002) zijn terug te vinden in bijlage 2.
2.2.3 Criteriavariabelen
De volgende vraag (7.3) komt aan bod in deze subparagraaf: ‘Welke criteriavariabele moeten
klanten binnen een segment delen (homogene variabele binnen segment) en karakteriseren de verschillende reacties van de klanten in de verschillende segmenten op het aanbod dat zij ontvangen (onderscheidende variabele tussen de verschillende segmenten)?’ (Verhoef e.a.,
2002). Verhoef e.a. (2002) geven in hun studie vier mogelijke criteriavariabelen, namelijk (1) het responsratio, (2) de aankoophoeveelheid, (3) winstgevendheid van de klant (komt overeen met de CLV uit het huidige onderzoek) en (4) de kredietwaardigheid. In bijlage 2 zijn de empirische resultaten van Verhoef e.a. (2002) op dit gebied terug te vinden.
2.2.4 Vragen voor het praktijkonderzoek
‘Database marketing uses the power of data and information technology to target audiences
for promotion of goods and services, usually through mail, from among a list of customers in a database to cut down expenses and increase profits. The idea is to use information about the customers in the list, such as previous purchase history, demographics, life-style data,
8 Hierbij dient echter wel opgemerkt te worden dat het vaststellen van betrouwbare financiële cijfers voor
financial and credit history, in order to segment the file, discern customers’ tastes and preferences, and contact only the people who are more likely to respond’ (Zahavi & Levin,
1997). De mogelijkheid om aan de hand van de databaseanalyses de winstgevendheid te vergroten wordt in grote mate bepaald door de precisie en diepte van de database van het bedrijf (Clemons & Weber, 1994). ‘From a modeling point of view, a lack of customer data
can result in the omission of relevant variables and thus might lead to incorrect
interpretations and poor predictions’ (Petrison, Blattberg & Wang, 1993; Leeflang e.a.,
2000). Bedrijven kunnen deze data op zowel individueel niveau als postcodeniveau zelf verzamelen of huren en/of kopen van externe leveranciers (Verhoef e.a., 2002). Verhoef e.a. (2002) benadrukken daarnaast dat data op individueel niveau van nature specifieker zijn in vergelijking met data op postcodeniveau. Roberts en Berger (1999) geven echter aan dat data op individueel niveau ook meer kosten met zich meebrengen en niet altijd direct voor handen of beschikbaar is. Hieruit volgt dat bedrijven een afweging moeten maken tussen enerzijds de kosten van het kopen of huren van additionele externe data en anderzijds de baten van het uitvoeren van een effectievere voorspelling (van bijvoorbeeld klantgedrag of respons) aan de hand van deze data (Lix & Berger, 1995). Daarom wordt in dit onderzoek eerst in kaart gebracht over welke karakteristieken van klanten en potentiële klanten marketeers beschikken (al dan niet extern verkregen). Dit wordt onderzocht door middel van de volgende
onderzoeksvraag (6): ‘Welke karakteristieken van klanten en potentiële klanten worden door
marketeers in de praktijk opgeslagen in databases?’ (Verhoef e.a., 2002). De empirische
resultaten van Verhoef e.a. (2002) op dit gebied zijn terug te vinden in bijlage 2. Deze resultaten worden gebruikt als vergelijkingsmateriaal voor de empirische resultaten van het huidige onderzoek om mogelijke veranderingen op dit gebied aan het licht te brengen. De resultaten van Verhoef e.a. (2002) worden vergeleken met de empirische resultaten van het huidige onderzoek om zo mogelijke verschuivingen in de klantendatabases te identificeren.
In paragraaf 2.2 is in kaart gebracht op welke wijze klantsegmentatie volgens de academische literatuur gebruikt dient te worden. In het vervolg van het huidige onderzoek wordt er onderzoek uitgevoerd naar de mate waarin en wijze waarop klantsegmentatie in de praktijk binnen het bedrijf gebruikt wordt. Er wordt achterhaald welke segmentatievariabele er in de praktijk het meest wordt gebruikt. Het is interessant om na te gaan in welke mate er in de praktijk gebruik gemaakt wordt van de CLV als segmentatievariabele. Tevens is het
segmentatie binnen het bedrijf. Er wordt vastgesteld of de bevindingen van Verhoef e.a. (2002) op dit gebied nog steeds van kracht zijn in het Nederlandse bedrijfsleven. Ook wordt er onderzocht welke variabele klanten binnen een segment in de praktijk delen en of de bevindingen van Verhoef e.a. (2002) op dit gebied nog steeds up-to-date zijn. Het
praktijkonderzoek wordt uitgevoerd aan de hand van de volgende onderzoeksvraag (7): ‘In
welke mate wordt er gebruik gemaakt van klantsegmentatie en op welke manier voeren database marketeers het uit?’ (Verhoef e.a., 2002). Verhoef e.a. (2002) geven in hun studie
aan dat deze onderzoeksvraag voor het praktijkonderzoek kan worden beantwoord aan de hand van drie specifieke vragen (vraag 7.1 tot en met 7.3). Na het beschrijven van de wijze waarop segmentatie volgens de academische literatuur gebruikt dient te worden binnen het bedrijf, wordt er in paragraaf 2.3 ingegaan op voorspellende modellen.
2.3 Voorspellende modellen
Cui, Wong en Lui (2006) stellen dat direct marketing afhankelijk is van het bouwen van een accuraat voorspellend model op basis van de databases. Verder stellen zij in hun studie dat gezien het feit dat steeds meer bedrijven direct marketing aannemen als distributiestrategie, de uitgaven binnen dit kanaal is de afgelopen jaren namelijk significant gestegen, het opstellen van een klantrespons model een topprioriteit heeft gekregen voor direct marketeers voor het verhogen van de verkopen, het reduceren van de kosten en het verhogen van de
voorspellende modellen gebruikt te worden binnen het bedrijf volgens de academische literatuur?’ In bijlage 4 wordt de algemene vorm van voorspellende modellen uiteengezet.
Tevens wordt er in bijlage 4 ingegaan op het evaluatieproces van de verschillende
voorspellende modellen. Het gebruik van voorspellende modellen binnen het bedrijf komt aan bod in subparagraaf 2.3.1. Vervolgens worden in subparagraaf 2.3.2 de onderzoeksvraag voor het praktijkonderzoek geformuleerd.
2.3.1 Gebruik van voorspellende modellen
In deze subparagraaf wordt er in gegaan op het gebruik van voorspellende modellen binnen het bedrijf. Dit gebeurt aan de hand van de volgende twee vragen: (8.1) ‘Worden de testen ten
behoeve van het bouwen van een responsmodel uitgevoerd op a-select getrokken steekproeven uit het klantenbestand?’ en (8.2) ‘Welke variabelen worden voorspeld aan de hand van het opgestelde voorspellende model?’ (Verhoef e.a., 2002). Verhoef e.a. (2002) benoemen in hun
studie vier mogelijke criteriavariabelen, namelijk (1) primaire respons, (2) aankoophoeveelheid, (3) betalingen en (4) afwijzingen.
De kosten van het trekken van een a-selecte steekproef uit het klantenbestand ten behoeve van het bouwen van een voorspellend model kunnen enorm hoog zijn (Verhoef e.a., 2002; Malhotra, 2004). Uit het onderzoek van Verhoef e.a. (2002) bleek echter dat, ondanks de aanzienlijke kosten hiervan, het overgrote deel (bijna 71%) van de ondervraagde bedrijven de testen ten behoeve van het bouwen van een responsmodel uitvoeren op a-select getrokken steekproeven uit het klantenbestand. Cui, Wong en Lui (2006) stellen dat direct marketeers maar een beperkt percentage (ongeveer 20%) van het klantenbestand van hun bedrijf
benaderen vanuit budgettaire overwegingen. Het primaire doel van een voorspellend model in direct marketing is dus in hun ogen het identificeren van klanten die de grootste
waarschijnlijkheid vertegenwoordigen om te reageren. Jonker, Paap en Franses (2000)
kwamen in hun studie tot de coclusie dat de aankoophoeveelheid (of donatie) in mindere mate werd voorspeld door bedrijven. In bijlage 2 zijn de resultaten van Verhoef e.a. (2002) op dit gebied terug te vinden.
2.3.2 Vragen voor het praktijkonderzoek
bedrijfsleven. Het praktijkonderzoek wordt uitgevoerd aan de hand van de volgende vraag (8): ‘In hoeverre is het gebruik van voorspellende modellen leidend voor het selecteren van
klanten in database marketing?’ (Verhoef e.a., 2002). In paragraaf 2.2 en 2.3 is beschreven op
welke wijze de klantsegmentatie en de voorspellende modellen gebruikt dienen te worden binnen het bedrijf volgens de academische literatuur. Vervolgens wordt er in paragraaf 2.4 ingegaan op de verschillende statistische technieken die daarbij gebruikt kunnen worden.
2.4 Statistische technieken
‘The methods used to identify market segments are an important aspect of obtaining a
successful segmentation scheme’ (Galguera, Luna & Méndez, 2006). Onderzoekers hebben
veel direct marketing responsmodellen ontwikkeld die gebruik maken van klantdata (Cui, Wong & Lui, 2006). De statistische technieken die toegepast worden op de resultaten van een survey variëren van een relatief simpele frequentieanalyse tot geavanceerde multivariate analyses (o.a. Levin & Zahavi, 1998; Ip & Jacobs, 2005; Cui, Wong & Lui, 2006). Naast de simpele enquête voor het verzamelen van informatie zijn er vele andere methodes en
modelleringtechnieken ontwikkeld om van dienst te kunnen zijn voor de marketing
segmentatie en de modelering van de markt (Beane & Ennis, 1987). De volgende algemene onderzoeksvraag (3) komt in deze paragraaf aan bod: ‘Welke statistische technieken worden
er in de academische literatuur beschreven, die gebruikt kunnen worden bij de klantsegmentatie en/of voorspellende modellen?’ Hieronder worden de verschillende
statistische technieken uiteengezet. Verhoef e.a. (2002) hebben al onderzoek uitgevoerd naar de toegepaste statistische technieken. In dat onderzoek hebben zij alleen de technieken
opgenomen die in de literatuur als effectief zijn bestempeld. In het huidige onderzoek worden deze statistische technieken dan ook aangehouden. De academische literatuur pleit voor geavanceerdere statistische technieken (Magidson, 1988; Bult & Wansbeek, 1995). Het doel van deze paragraaf is niet om de lezer elk detail van elke analytische statistische techniek bij te brengen. Deze paragraaf kan gezien worden als een poging de verschillende analytische statistische technieken in algemene termen te presenteren. Tevens wordt er aan het eind van elke sectie meerdere referenties gegeven voor verder onderzoek naar de verschillende technieken. Elke sectie begint met een korte samenvatting van de analytische statistische techniek. Vervolgens worden in subparagraaf 2.4.1 de onderzoeksvragen voor het praktijkonderzoek uiteengezet.
Kruistabellen geven inzicht in het verband tussen twee variabelen, meestal nominale en ordinale variabelen (Cooper & Schindler, 2003; Huizingh, 2004). Grote voordelen van kruistabellen zijn hun eenvoud (iedereen begrijpt een kruistabel) en hun kracht (kruistabellen leveren veel informatie zonder dat geavanceerde statistische analyses nodig zijn) (Huizingh, 2004).
RFM-analyse
Eén van de klassieke modellen, het recency, frequency en monetary value (RFM) model, stelt de waarschijnlijkheid vast dat een klant reageert op een direct marketing promotie aan de hand van de recency van de laatste aankoop, de frequency van aankopen in de laatste jaren en de monetary value van de aankoopgeschiedenis van de desbetreffende klant (o.a. Berger & Magliozzi, 1992; Bult & Wansbeek, 1995; Colombo & Jiang, 1999). ‘The RFM method avoid
focusing on less profitable customers and allow resources to be diverted to more profitable ones’ (o.a. Ha & Park, 1998; Miglautsch, 2000; Shaw e.a., 2001)9.
9 Voor verder onderzoek naar de RFM-analyse wordt er verwezen naar de volgende artikelen: Kahan (1998),
Factoranalyse
Factoranalyse wordt vaak gebruikt voor datareductie of voor het samenvatten van data met een minimaal verlies aan informatie (o.a. Beane & Ennis, 1987; Malhotra, 2004; Wu & Zhang, 2006). De factoranalyse kan slechts gebruikt worden voor klantsegmentatie (Beane & Ennis, 1987; Verhoef e.a., 2002). Aan de hand van deze techniek kunnen klanten met
overeenkomstige karakteristieken namelijk in hetzelfde segment geplaatst worden (Crawford & Lomas, 1980; Beane & Ennis, 1987; Cooper & Schindler, 2003)10.
Discriminantanalyse
De discriminantanalyse wordt vaak beschreven in combinatie met de regressieanalyse, omdat beide technieken pogen iets te voorspellen over de afhankelijke variabele (o.a. Beane & Ennis, 1987; Yana, e.a., 2006; Katos, 2007). ‘In regression analysis some level of
consumption is predicted, in discriminant analysis the dependent variable’s membership in a class is predicted by whether or not certain conditions apply’ (Beane & Ennis, 1987). De
discriminantanalyse kan gebruikt worden om de verschillen tussen bepaalde klanten
(bijvoorbeeld de verschillen tussen loyale en niet-loyale klanten) vast te stellen (o.a. Beane & Ennis, 1987; Morrison, 1969; Katos, 2007). Er wordt veel gebruik gemaakt van de
10 Er kan verwezen worden naar de volgende interessante artikelen over de factoranalyse voor verder onderzoek:
discriminantanalyse in marketingonderzoek (o.a. Beane & Ennis, 1987; Cooper & Schindler, 2003; Zheng e.a., 2006). Echter, de resultaten van een discriminantanalyse zijn niet
betrouwbaar in het geval van een laag responsratio (Shepard, 1995)11.
Clusteranalyse
Het gebruikelijke doel van een clusteranalyse is het scheiden van objecten of respondenten in groepen op een wijze zodat zowel de homogeniteit binnen de groepen gemaximaliseerd is als de heterogeniteit tussen de verschillende groepen gemaximaliseerd is (o.a. Beane & Ennis, 1987; Shih & Liu, 2003; Li, 2006). Myers en Tauber (1977) stellen dat de clusteranalyse superieur is aan de factoranalyse bij het uitvoeren van een klantsegmentatie. Daarnaast is de clusteranalyse ook superieur aan de lineaire regressieanalyse bij het uitvoeren van een
marktsegmentatie (Doyle & Hutchinson, 1976)12.
11 Andere interessante artikelen over de discriminantanalyse voor verder onderzoek zijn: Morrison (1969), Bass
en Talarzyk (1972), Darden en Reynolds (1974), Park en Park (2005), Todorov (2006), Zheng e.a. (2006) en Katos (2007). Wederom worden in het boek van Cooper en Schindler (2003) alle details van de
discriminantanalyse uitvoerig behandeld.
12 Voor verder onderzoek naar de clusteranalyse wordt er verwezen naar de volgende artikelen: Funkhouser
(1983), Klastorin (1983), Beane en Ennis (1987) Ketchen en Shook (1996) Nairn en Bottomley (2003), Li (2006), Bittmann en Gelbard (2007), Fonseca en Cardoso (2007) en Katos (2007). Er kan ook verwezen worden naar het boeken van Myers en Tauber (1977) en Cooper en Schindler (2003). In deze boeken komt de
Lineaire regressieanalyse
Een eenvoudige regressie houdt in dat een soort van lineair verband bestaat waarmee een fluctuatie in een bepaalde variabele gebruikt kan worden ten behoeve van de waarde van een andere variabele (o.a. Beane & Ennis, 1987; Levin & Zahavi, 1998; Yuan e.a., 2007). Een multiple regressie houdt in dat er meerdere variabelen gebruikt worden om de waarde van de afhankelijke variabele te voorspellen. De lineaire regressieanalyse is een bekende techniek, die relatief eenvoudig te implementeren is en ondersteund wordt door een grote variëteit van
eenvoudig toegankelijke computersoftware (Levin & Zahavi, 1998)13.
CHAID of CART
CHAID kan gebruikt worden als de volgende componenten aanwezig zijn: een categorische afhankelijke variabele, een verzameling van categorische onafhankelijke variabele en settings voor de verschillende CHAID parameters (o.a. Kass, 1980; Magidson 1988, 1994). Aan de hand van de CHAID techniek kan men de relatie tussen de afhankelijke variabele en de rest van de variabelen vaststellen (Galguera, Luna & Méndez, 2006). De CHAID techniek selecteert uiteindelijk een combinatie predictors en hun respectievelijke interactie, welke de afhankelijke variabele optimaal voorspellen (Magidson, 1994; Galguera, Luna & Méndez,
13 Er wordt verwezen naar de volgende interessante artikelen over de lineaire regressieanalyse voor verder
2006). De output van de CHAID techniek is relatief ongecompliceerd en daarom eenvoudig te communiceren richting het management (Shepard, 1995; Haughton & Oulabi, 1997).De CHAID techniek is zeer bruikbaar voor het identificeren van interacties tussen verschillende variabelen, maar de techniek produceert niet de resultaten die verkregen kunnen worden met een logistieke regressieanalyse (Banslaben, 1992). Daarom kan de output van de CHAID analyse gebruikt worden als de input van een logistieke regressieanalyse om zo een beter en accurater voorspellend model te bouwen (Magidson, 1989; Haughton & Oulabi, 1997). Magidson (1988) benadrukt dat de CHAID techniek tot betere resultaten leidt in vergelijking met de lineaire regressieanalyse. Tevens is gebleken dat de CHAID techniek superieur is aan
de RFM methode als basis van een voorspellend model (McCarty & Hastak, 2007)14.
Logit-probit analyse
De logistieke regressie (synoniem van logit-probit analyse (Magidson, 1988)) is een non-lineair regressiemodel, waarvan vaak gebruikt is gemaakt bij discrete-choice modeling om de keuze van de klant te verklaren aan de hand van een aantal verklarende variabelen
(predictors) (Zahavi & Levin, 1997). Uit onderzoek is gebleken dat de logit-probit analyse betere resultaten oplevert dan de lineaire regressieanalyse (Levin & Zahavi, 1998; Magidson, 1988). Tevens vormt de logit-probit analyse een betere basis voor een voorspellend model dan de RFM methode en de CHAID techniek (o.a. Magidson, 1988; Bult & Wansbeek, 1995; McCarty en Hastak, 2007). Tevens is gebleken uit onderzoek dat een voorspellend model met als basis de logit-probit analyse effectiever is dan op basis van de clusteranalyse en de
discriminantanalyse (Katos, 2007). Zahavi en Levin (1997) gebruiken de logistieke regressie als benchmark model om de neurale netwerken techniek tegen af te zetten, zij stellen namelijk dat de logistieke regressie één van de meest geavanceerde responsmodellen op het gebied van
14 De volgende artikelen zijn interessant voor verder onderzoek naar CHAID of CART: Magidson (1989),
de database marketing. Tevens stellen zij dat het logistieke regressiemodel zonder twijfel het
moeilijkst te ‘verslaan’ is van alle mogelijke analytische statistische technieken15.
Neurale netwerken
Neurale netwerken zijn in essentie non-parametrische, non-lineaire regressiemodellen ten behoeve van het uitvoeren van inductieve gevolgtrekking, net zoals conventionele statistische technieken (Zahavi & Levin, 1997). Het nieuwe aan de neurale netwerken ligt in het feit dat de techniek in staat is non-lineaire processen te modellen zonder enige assumpties vooraf over de onderliggende relaties/processen (Zahavi & Levin, 1997; Grznar, Prasad & Tata, 2007). Neurale netwerken zijn een procedure die de processen van het menselijke brein nabootst (o.a. Hecht-Nielsen, 1990; Simpson, 1990; Zahavi & Levin, 1997). In het menselijke brein bestaan er extensief verbonden eenheden (neuronen), welke een netwerk vormen wat in staat is om complexe patronen te herkennen (o.a. Simpson, 1990; Haykin, 1999; Moore e.a., 2007). ‘Similarly, neural networks consist of many computational elements operating in parallel and
arranged in layers’ (o.a. Haykin, 1999; Grznar, Prasad & Tata, 2007; Moore e.a., 2007). De
resultaten van de neurale netwerken techniek in de buurt komen van die van de logistieke regressie (Zahavi & Levin, 1997; Cui, Wong & Lui, 2006). Cui, Wong en Lui (2006) komen in hun studie tot de conclusie dat neurale netwerken leiden tot betere resultaten dan de CHAID en CART technieken. Verschillende studies hebben aangetoond dat de neurale netwerken superieur zijn aan de lineaire (multiple) regressietechniek (o.a. Fadlalla & Lin, 2001; Nguyen & Cripps, 2001; Grønholdt & Martensen, 2005)16.
15 Voor verder onderzoek naar de logit-probit analyse wordt er verwezen naar de volgende artikelen: Magidson
(1988), Zahavi en Levin (1997), Levin en Zahavi (1998), Horowitz en Savin (2001), Katos (2007) en McCarty en Hastak (2007). In de boeken van Darlington (1990) en Borooah (2002) wordt de logit-probit analyse uitgebreid behandeld en hiernaar kan dan ook verwezen worden.
16 Andere interessante artikelen over neurale netwerken voor verder onderzoek zijn: Levin en Zahavi (1995),
Genetisch algoritme
Een genetisch algoritme is een statistische techniek gebaseerd op natuurlijke selectie en genetica (Goldberg, 1994; Cooper & Schindler, 2003). Een eenvoudig genetisch algoritme bestaat uit drie componenten, namelijk selectie, crossover en mutatie (Goldberg 1989; Goldberg, 1994; Bhattacharyya, 1999; Venkatesan, Krishnan & Kumar, 2004; Kim e.a., 2007). Selectie behelst de survival of the fittest binnen het genetische algoritme (Goldberg, 1994; Bhattacharyya, 1999). De resultaten van een genetisch algoritme overtreffen de
resultaten van alle andere mogelijke statistische technieken die gebruikt kunnen worden in de
praktijk (Bhattacharyya, 1999)17.
2.4.1 Vragen voor het praktijkonderzoek
In paragraaf 2.4 zijn de statistische technieken in kaart gebracht die in de academische literatuur als effectief zijn bestempeld. De academische literatuur pleit voor de
geavanceerdere statistische technieken (Magidson, 1988; Bult & Wansbeek, 1995). In bijlage 2 zijn de resultaten van Verhoef e.a. (2002) terug te vinden. Uit de studie van Verhoef e.a. (2002) bleek echter dat in de praktijk er nauwelijks gebruik werd gemaakt van de meest geavanceerde statistische technieken, te weten de logit-probit analyse, neurale netwerken en het genetisch algoritme. Dit kon verklaard worden vanuit het feit dat veel ondervraagde bedrijven onbekend waren met de desbetreffende statistische technieken. Het is interessant om te onderzoeken of deze situatie veranderd is of dat de bevindingen van Verhoef e.a. (2002) nog steeds van kracht zijn. Het praktijkonderzoek hiernaar wordt uitgevoerd aan de hand van
(2007) en Moore e.a. (2007). In de boeken van Rumelhart en McClelland (1986), Hecht-Nielsen (1990), Simpson (1990) en Haykin (1999) worden neurale netwerken tot in detail beschreven.
17 De volgende artikelen zijn interessant voor verder onderzoek naar genetische algoritmes: Goldberg (1994),
de volgende vraag (9): ‘Welke technieken worden door database marketeers gebruikt voor de
klantsegmentatie en/of voorspellende modellen?’ (Verhoef e.a., 2002).
Verhoef e.a. (2002) verwachten dat het gebruik van segmentatie en voorspellende modellen afhankelijk is van de karakteristieken van het bedrijf. Tevens spreken zij de verwachting uit dat het niveau van de geavanceerdheid van de gebruikte statistische technieken afhankelijk is van de karakteristieken van het bedrijf. Voor de beredenatie van deze verwachtingen wordt er verwezen naar de originele studie. Verhoef e.a. (2002) testen in hun studie of de volgende karakteristieken van het bedrijf van invloed zijn: omvang van het bedrijf (aantal werknemers), frequentie van direct marketing contacten, sector van het bedrijf, omvang van de klantendatabase en het aantal jaar ervaring in direct marketing. Tevens testen zij of de verschillende gebruiksdoeleinden van de direct marketingkanalen binnen het bedrijf effect hebben op de invulling van de direct marketing activiteiten. In het huidige onderzoek worden soortgelijke testen uitgevoerd.
Gezien het feit dat de academische literatuur suggereert dat complexere modellen beter presteren dan simpelere modellen (Bult & Wansbeek, 1995) hebben Verhoef e.a. (2002) de ondervraagde bedrijven ook de vraag gesteld of bedrijven die geavanceerdere modellen gebruiken ook het idee hebben dat zij betere resultaten bereiken door middel van het gebruik van de desbetreffende modellen. In het huidige onderzoek wordt deze vraag ook mee
genomen. In het praktijkonderzoek wordt dit vastgesteld door middel van de volgende vraag (10): ‘Is de prestatie op het gebied van database analyse activiteiten in de ogen van de
marketeer afhankelijk van de toegepaste methoden?’ (Verhoef e.a., 2002). Dit werd bepaald
aan de hand van twee stellingen. Er werd aan de respondenten gevraagd om aan te geven in hoeverre (5-punts Likert-schaal van zeer mee oneens tot zeer mee eens)zij het eens waren met twee stellingen. De twee stellingen luidden: ‘Door het gebruik maken van databaseanalyse technieken is ons bedrijf in staat betere resultaten te behalen met onze direct marketing campagnes’ en ‘Binnen onze organisatie zijn wij tevreden met het responsratio van onze direct marketingcampagnes’ (Verhoef e.a., 2002). In de volgende paragraaf wordt er in gegaan op de voorspelling van de CLV van de individuele klant en het gebruik daarvan binnen het bedrijf.
2.5 Customer Lifetime Value
Gegeven het toenemende belang hebben veel onderzoekers op het gebied van direct
Singh (2002) onderscheiden drie hoofdstromingen binnen de academische literatuur op het gebied van CLV. De eerste stroming is gericht op het ontwikkelen van modellen om de CLV van elke individuele klant te voorspellen/berekenen. De tweede stroming kan het beste omschreven worden als een analyse van het klantenbestand (customer base analysis). Hierbij heeft de onderzoeker verschillende methodes voorgesteld om de informatie over de bestaande klant (in de klantendatabase) te analyseren om aan de hand daarvan de verwachte waarde van de toekomstige transacties van de desbetreffende klant te kunnen voorspellen. Hierbij hebben de academische onderzoekers zich gericht op zowel segmenten van klanten als individuele klanten. Gezien het feit dat niet alle klanten winstgevend zijn, wordt er binnen deze tweede stroming gebruik gemaakt van empirische modellen om te bepalen welke segmenten klanten of individuele klanten binnen gehaald of behouden dienen te worden door het bedrijf. De derde stroming is gericht op het analyseren van de CLV en de implicaties hiervan via
analytische modellen op voor het management relevante beslissingen. Binnen deze stroming valt er een bepaalde focus waar te nemen op het onderzoeken van het effect van een
loyaliteitsprogramma op de CLV en de winstgevendheid van het bedrijf.
De drie hierboven Jain en Singh (2002) beschreven stromingen komen terug in het huidige onderzoek. Alle strategische analyses gericht op het gebruik van de voorspelling van de CLV binnen het bedrijf behoeven een berekening van de CLV (Berger, Weinberg & Hanna, 2003; Kumar, Shah & Venkatesan, 2006). Daarom wordt er in deze paragraaf eerst aandacht besteed aan de wijze waarop de CLV van de individuele klant voorspeld kan worden volgens de academische literatuur. Dit komt overeen met de eerste door Jain en Singh (2002) beschreven stroming binnen de academische literatuur op het gebied van CLV. Tevens wordt er ingegaan op de meest voorkomende problemen omtrent de voorspelling van de CLV van de individuele klant. Vervolgens komt de wijze waarop de voorspelling van de CLV van de individuele klant gebruikt dient te worden volgens de academische literatuur aan bod. Dit komt overeen met de tweede en derde door Jain en Singh (2002) beschreven stromingen binnen de academische literatuur op het gebied van CLV. Tot slotte komen de vragen voor het praktijkonderzoek aan bod in subparagraaf 2.5.3.
2.5.1 Voorspelling van de CLV van de individuele klant
In deze subparagraaf wordt er ingegaan op de volgende algemene onderzoeksvraag (4): ‘Op
welke wijze kan de CLV van de individuele klant voorspeld worden volgens de academische literatuur?’ De voorspelling van de CLV, of de economische waarde, van een individuele
Gurău & Ranchhod, 2002). Berger en Nasr (1998) stellen dat de voorspelling van de CLV bestaat uit twee stappen. Zij stellen namelijk: ‘to calculate CLV, project the net cash flows
that the firm expects to receive from the customer over time. Next calculate the present value of that stream cash flows’. In wiskundige zin houdt CLV de totale financiële contributie,
opbrengsten vermindert met de kosten, in van een individuele klant gedurende de gehele relatie met het bedrijf (o.a. Gurău & Ranchhod, 2002; Jain & Singh, 2002; Jain, 2005). Alle cash flows binnen het proces dienen geïdentificeerd en gemeten worden op een zeer
gedetailleerd niveau om vervolgens toegewezen te worden aan elke individuele klant of type klant (o.a. Mulhern, 1999; Gurău & Ranchhod, 2002; Jain & Singh, 2002;). Echter, in de praktijk blijkt dat bijvoorbeeld de vaststelling van de netto cash flows van de individuele klant een grote uitdaging vormt (Berger & Nasr, 1998). Tevens blijkt dat ondanks de
ongecompliceerdheid van de voorspelling van de CLV in zijn geheel, de voorspelling van de CLV van de individuele klant nauwkeurige aandacht vereist en niet probleem vrij is (o.a. Gurău & Ranchhod, 2002; Yang, 2005). In bijlage 5 wordt er dieper ingegaan op de
problemen omtrent de voorspelling van de CLV van de individuele klant. Alvorens de wijze waarop de CLV van de individuele klant voorspeld dient te worden volgens de academische literatuur te behandelen, wordt er eerst stil ingegaan op het begrip toekomstgeoriënteerde
customer lifetime value.
Toekomstgeoriënteerde Customer Lifetime Value
De (toekomstgeoriënteerde) CLV van de individuele klant kan gezien worden als de
verwachte economische waarde van de individuele klant voor het bedrijf in de toekomst
(Kumar & Shah, 2004). Wang en Hong (2006) stellen daarom: ‘In order to extend the basis
CLV model and effectively apply it to a complicated open market, additional factors must be discussed and considered’. Hierbij valt te denken aan de volgende factoren: sociale effecten,
concurrentie-effecten, economische omgeving, productlevenscyclus, klantlevenscyclus en de aankoopgewoontes, levensstijl, tevredenheid, prijsgevoeligheid en merkentrouw van de klanten (o.a. Mulhern, 1999; Hogan, Lemon & Rust, 2002; Stahl, Matzler & Hinterhuber,
2003)18. Aan de hand van de voorspelling van de (toekomstgeoriënteerde) CLV van de
individuele klanten is het bedrijf in staat verschillende marketing beslissingen te verbeteren,
18 De onderzoeken naar welke factoren de CLV van de individuele klant bepalen (Stahl, Matzler & Hinterhuber,
