IoT technology for e-commerce customer information segmentation

In de bruisende wereld van online winkelen staat een handelaar voor een uitdaging die even oud is als de handel zelf: hoe behandel je elke klant als een individu zonder je verstand te verliezen. In het verleden kende een winkelier zijn vaste klanten bij naam en gezicht. Tegenwoordig kan een digitale winkel miljoenen mensen bedienen, van wie de meesten slechts een gebruikersnaam en een verzendadres verwijderd zijn. Om te overleven, moeten deze bedrijven hun klanten in groepen verdelen, waarbij ze begrijpen wie de meeste winst oplevert en wie wat extra aandacht nodig heeft. Dit is de kunst van klantsegmentatie. Traditioneel hebben bedrijven naar drie eenvoudige zaken gekeken om de waarde van een shopper te beoordelen: hoe recent ze iets hebben gekocht, hoe vaak ze kopen en hoeveel geld ze uitgeven. Deze trio van feiten vormt een basiskaart van de gewoonten van een klant. Het simpelweg bij elkaar optellen van deze getallen mist echter vaak de nuance van echt gedrag. Een klant die veel uitgeeft maar zelden langskomt, kan immers anders zijn dan iemand die dagelijks langskomt maar weinig uitgeeft. De vraag blijft: hoe wegen we deze factoren eerlijk af om de werkelijke waarde van een shopper te zien?

Een onderzoeker aan het Henan Polytechnic Institute zette zich in om dit te beantwoorden door de manier waarop online winkeliers hun gegevens analyseren te verfijnen. In plaats van te gokken welke van de drie factoren — recentheid, frequentie of besteding — het belangrijkst is, gebruikte de onderzoeker een wiskundige benadering genaamd de entropie-gewichtsmethode om de data voor zichzelf te laten spreken. Deze techniek berekent het belang van elke factor op basis van hoeveel de data varieert, waardoor het definitieve cijfer de werkelijke patronen in de verkoopgegevens weerspiegelt in plaats van een vooraf ingestelde mening. De studie richtte zich op een specifieke handelaar die koekjes en taarten verkocht op het Pinduoduo-platform, waarbij meer dan 32.000 aankopen werden onderzocht van augustus 2019 tot januari 2020. Na het opschonen van de gegevens om ongeldige bestellingen te verwijderen en klanten te identificeren aan de hand van hun verzendadressen, paste de onderzoeker dit nieuwe scoresysteem toe om elke individuele koper te evalueren.

Zodra de klanten waren gescoord, gebruikte de onderzoeker een clusteringtool om ze te groeperen. Stel je voor dat je een stapel gemengde stenen sorteert, niet alleen op kleur of grootte, maar door de natuurlijke clusters te vinden waar stenen met een vergelijkbaar gewicht en textuur vanzelf samenklonteren. De computer testte verschillende aantallen groepen, van twee tot acht, en selecteerde de ordening die de meest duidelijke en onderscheidende categorieën creëerde. Het resultaat was een kaart van vier verschillende typen shoppers. De eerste groep, bestaande uit ongeveer 27 procent van de klanten, waren de laagwaardige shoppers: zij hadden recent niets gekocht, kochten onregelmatig en gaven zeer weinig uit. De tweede groep, die bijna 23 procent vertegenwoordigde, bestond uit klanten die in het verleden een goed bedrag hadden uitgegeven en vaak hadden gekocht, maar recentelijk stilgevallen waren; dit waren de shoppers die de handelaar terug moest winnen. De derde groep, nog eens 27 procent, waren recente kopers die de winkel nog aan het verkennen waren, maar nog niet hadden vastgelegd in hoge bestedingen of frequente bezoeken. Ten slotte was de vierde groep, bestaande uit ongeveer 22,5 procent van het totaal, de hoogwaardige klanten: zij kochten recent, kochten vaak en gaven het meeste geld uit.

Toen de onderzoeker deze nieuwe methode vergeleek met de traditionele manier van klanten scoren, was het verschil duidelijk. De traditionele aanpak, die vaak leunt op vaste gewichten die door experts zijn bepaald, had de neiging om de meest waardevolle shoppers in een minuscuul deel van het totaal te proppen, waarbij slechts een kleine 0,8 procent als hoogwaardig werd geïdentificeerd. In contrast hiermee identificeerde de nieuwe methode, die de data liet bepalen hoe zwaar de factoren wogen, een veel grotere en realistischere groep hoogwaardige klanten, wat nauw aansluit bij de bekende zakelijke observatie dat een klein deel van de klanten de meerderheid van de winsten genereert. Het nieuwe model toonde aan dat de groepen duidelijker van elkaar verschilden, wat betekent dat de handelaar nu de verschillen tussen klanttypen met grotere helderheid kon zien. Dit suggereert dat door de data te laten beslissen hoeveel gewicht er aan recentheid, frequentie en besteding moet worden gegeven, online bedrijven nauwkeurigere profielen van hun shoppers kunnen maken. De studie concludeert dat deze aanpak een betere manier biedt om klanten te segmenteren, waardoor handelaren hun strategieën kunnen afstemmen om hun beste shoppers tevreden te houden en anderen voorzichtig aan te moedigen terug te keren, alles gebaseerd op een helderder beeld van wie ze werkelijk zijn.