Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
×

Segmenteer je klanten op basis van hun winkelgedrag

Uitdaging

Om de commerciële doelstellingen op duurzame wijze te realiseren richt deze retailer zich op het vergroten van de share-of-wallet. Hiervoor is het cruciaal om het gedrag van klanten te volgen en hun behoeften te beantwoorden. Volgens de retailer: “Als we onze klanten beter leren kennen, kunnen we meer loyale en waardevolle relaties met onze klanten opbouwen.”

Aanpak

Er is een indeling gemaakt van de klanten  volgens het personality-model van Merkle. We hebben de belangrijkste drijfveren voor klantgedrag vastgesteld en daarmee clusters gevormd.  Aansluitend zijn beschrijvende variabelen gebruikt om data-driven personalities te definiëren.

Voor de clustering is een Gaussian mixture model ingezet. Dit model berekent per cluster de waarschijnlijkheid dat een klant tot een bepaald cluster behoort. Hiervoor maken we gebruik van data over klantkenmerken -en gedrag. De klant wordt vervolgens toebedeeld aan het cluster met de hoogste waarschijnlijkheid. Het model geeft bovendien een aanbeveling voor het aantal te hanteren clusters, op basis van de kenmerken in de dataset.

Resultaten

Een indeling in 9 concrete, onderscheidende en levendige doelgroepen met klanten. Van iedere groep is een data-driven omschrijving gemaakt, met verwijzing naar de meest dominante kenmerken. Denk daarbij aan producttypen, merkpreferentie en prijsniveau.

Keys to success

Multi-disciplinair team van ervaren marketing consultants en data scientists in een continue flow van afstemming met het team van de retailer.

Wil je meer weten?