Sector: retail
ColliShop is de online webwinkel van Colruyt en biedt meer dan 20.000 non-food producten aan die online gezocht en gekocht kunnen worden en die thuis of in uw dichtstbijzijnde Colruyt winkel geleverd worden.
ColliShop is in 1984 gestart met een offline catalogus van non-food producten. Na verloop van tijd groeide het assortiment uit tot tuinmeubelen, elektronica, koken, slaapkamer, reizen en nog veel meer.
De uitdaging: hoge kosten & niet-ecologische communicatie van folders
ColliShop - de non-food e-commerce van Colruyt Group - stuurt elke maand folders naar hun klanten. Het versturen van deze - gemiddeld - 200.000 stuks per maand maakt dit een zeer kostenintensief en niet-ecologisch communicatiekanaal.
De doelstelling: Folders slim optimaliseren
In een poging om het aantal verzonden mappen te optimaliseren en de doelgroepen efficiënt te bepalen, hebben we besloten om gebruik te maken van machine learning: meer specifiek, een clusteringalgoritme om ons te helpen klanten in verschillende doelgroepen te verdelen.
In deze customer case behandelen we hoe het clusteren van klanten (het gebruik van machine learning) ColliShop heeft geholpen bij het optimaliseren van hun klantcommunicatie met behulp van folders. Wat het is, hoe het werkt en de resultaten wordt besproken in de volgende paragrafen.
Wat is klantclustering?
Zoals je zou verwachten, het clusteren van algoritmen verdeelt een populatie in verschillende groepen of clusters. Het doel van het algoritme is om groepen op te bouwen waarbij de populaties binnen elke groep zo homogeen mogelijk zijn, terwijl de diversiteit tussen de groepen maximaal blijft. Het algoritme baseert zijn beslissing op verschillende metrieken. Deze variëren van klassieke metrieken zoals recentheid, aankoopfrequentie en omzet, tot meer specifieke productkenmerken, zoals de prijsklasse van het product dat een klant inkoopt. Het algoritme kan worden gevoed met alle statistieken die u relevant acht voor uw business case.
Om het clusteringalgoritme te initiëren, hoeft u alleen maar te definiëren hoeveel clusters u wilt verkrijgen. Vervolgens start het clusteren en komt het tot de ideale clusters voor uw business case. Daarna kunnen deze clusters geanalyseerd, geïnterpreteerd en beschreven worden. Tot slot kunnen uit deze clusters verschillende persona's worden geïdentificeerd.
Hoe wordt het gedaan?
Stel dat u alleen de leeftijd van uw klant kent. Uit uw bestelgeschiedenis weet u ook welke producten zij eerder hebben gekocht. Elk product valt in een specifieke categorie. Laten we zeggen dat een van die hoofdcategorieën schoolbenodigdheden zijn (zoals rugzakken voor kinderen, pennen, krijtjes, etc.). Je zou voor elke klant gemakkelijk kunnen berekenen welk percentage van de aankopen schoolbenodigdheden waren. Als we die twee informatiepunten op een strooiplaats zouden plotten, zou het er wel eens uit kunnen zien als de afbeelding hieronder. Elk punt staat voor een andere klant.
Een zakelijke gebruiker zou relatief eenvoudig kunnen zien dat er 3 grote groepen kunnen worden gedefinieerd. Met enige zakelijke logica zouden we kunnen beargumenteren dat deze groepen ouders met jonge kinderen zijn, Grootouders met jonge kleinkinderen en anderen. Als we extra informatie zouden toevoegen, zoals de gemiddelde orderwaarde, zouden we misschien nog steeds in staat zijn om verschillende groepen met onze eigen ogen te identificeren, maar het zal al uitdagender zijn omdat het in drie dimensies zou moeten worden gevisualiseerd. Als we naar 4 dimensies zouden gaan, beginnen onze menselijke hersenen te haperen en wordt een dergelijke analyse te moeilijk. Een computer kan echter wiskundige modellen gebruiken om verschillende groepen in n dimensies te identificeren.
We gebruiken machine learning om verschillende clusters te identificeren met klanten die hetzelfde gedrag vertonen. We kunnen gemakkelijk tientallen verschillende dimensies toevoegen. Het algoritme wijst elke klant toe aan het meest geschikte cluster en laat het aan ons over om te definiëren wat elk cluster onderscheidt.
Voor elke cluster kan een persona worden gemaakt op basis van de kenmerken van de klanten in die cluster. Deze kenmerken kunnen worden opgeschreven op een kaart die die persona specificeert, en lijken op een ID-kaart van die persona. Om het nog beter interpreteerbaar te maken, voegen we de kenmerken van een gemiddelde klant toe. Deze verwijzing is belangrijk om het cluster op de juiste manier te interpreteren.
Het hebben van een kaart voor elk cluster maakt de selectie van de ontvangers van mappen veel gemakkelijker voor marketeers. Ze hebben uiteindelijk slechts 20 kaarten om uit te kiezen en de beste te kiezen tot ze het juiste aantal mapontvangers hebben bereikt.
Wat was de impact voor ColliShop?
Zoals vermeld in onze inleiding, wilde ColliShop het aantal folders dat maandelijks naar hun klanten wordt verstuurd, optimaliseren. Omdat ze wisten dat een deel van die folders uiteindelijk ongelezen zou worden, wilden ze zich alleen richten op die klanten die op het moment van verzending daadwerkelijk geïnteresseerd zouden zijn in het ontvangen van een folder. Met behulp van element61 & machine learning creëerde ColliShop een 20-tal klantclusters om uit te kiezen bij het selecteren van ontvangers voor een bepaalde map.
Ter illustratie presenteren we een voorbeeld van een folder die ColliShop in het najaar van 2019 heeft verstuurd. Door alleen de klanten uit relevante clusters te selecteren heeft ColliShop 35% minder folders verstuurd. Ervan uitgaande dat de conversiegraad van de mappen gelijk zou blijven, zou het aantal klanten dat een map heeft ontvangen en iets heeft gekocht naar verwachting ook met 35% dalen. Dat bedrag is echter slechts met 11% gedaald, waardoor ColliShop erin geslaagd is om meer irrelevante ontvangers uit te sluiten dan bij een willekeurige selectie. Hierdoor steeg de omzet per map met 34%.
Sinds de introductie van deze clusters bij ColliShop worden ze in alle folderselecties gebruikt, met vergelijkbare en zelfs betere resultaten. Het gebruik van machine learning hoeft niet complex te zijn om tot goede resultaten te komen. Het clusteren van klanten kan een goede start zijn voor uw bedrijf om inzicht te krijgen in uw klantenbestand en om kosten efficiënt te besparen.