inleiding

In elk levensfase van de relatie tussen u en uw klant is het van belang zoveel als mogelijk over die klant te weten te komen. Met de steeds verder aanscherpende regels op het gebied van privacy wetgeving en datalekken is het natuurlijk geweldig als een groot deel van het beeld dat u over uw klant kunt opbouwen gebaseerd is op openbare data.

Elke ondernemer herkent waarschijnlijk wel het volgende gevoel. Je hebt het idee dat je klantenbestand beetje bij beetje verandert, maar de verandering zijn (of lijken) zo klein dat het eigenlijk niet opvalt. In dat geval is het ontzettend waardevol om je nieuwe klanten te vergelijken met je bestaande en je vertrekkende klanten.

Dergelijke inzichten zijn overigens niet voorbehouden aan ondernemers alleen. Ook voor bijvoorbeeld verenigingen, scholen en evenementen is het belangrijk om te weten of het profiel van hun leden, leerlingen resp. bezoekers aan verandering onderhevig is, zodat ze hierop hun beleid kunnen bijsturen dan wel uitstippelen.

EEN voorbeeld

Voor een voetbalvereniging onderzochten wij het verschil in profiel tussen nieuwe leden, bestaande leden en vertrokken leden. We maakten hierbij onderscheid in mannen versus vrouwen en in verschilllende leeftijdscategorieën. In concreto werd het ledenbestand op 3 manier tegen het licht gehouden:

• leden die in 2016 lid werden
• leden die gedurende heel 2016 lid waren
• leden die in 2016 hun lidmaatschap hebben opgezegd

Na deze eerste analyse - die al zeer waardevolle inzichten opleverde - hebben wij een tool ontwikkeld waarmee de ledenadministrateur eenvoudig zelfstandig analyses kan maken en daarbij kan inzoomen op achtereenvolgens:

• periode (van ... t/m ...)
• leeftijdscategorie (van ... t/m ...)
• geslacht (mannen, vrouwen of allebei)

verworven inzichten

In de grafieken hieronder worden alleen de resultaten van de 1e groep (= nieuwe leden = groen) versus de 2e groep (= vertrekkende leden = rood) weergegeven. Indien er sprake is van een verschuiving in het ledenbestand zou uit de grafieken moeten blijken dat de nieuwe (groene) leden een wezenlijk ander profiel hebben dan de vertrekkende (rode leden).

De analyse is gedaan op een groot aantal variabelen. In deze blog bespreken we de meest aansprekende:

• percentage geboren Nederlanders
• stedelijkheid of urbanisatiegraad (van 1 = hoog t/m 5 = laag)
• gemiddelde woz waarde
• percentage inwoners met een hoog inkomen (meer dan twee keer modaal)
• percentage inwoners met een laag inkomen (minder dan de helft van modaal)

De gegevens zijn afkomstig uit het BAG en/of CBS, of beter gezegd uit een combinatie van de gegevens uit het BAG en uit het CBS. 

COMMERCIËLE TOEPASSINGEN

In bovenstaand geval ging het om een analyse van het ledenbestand van een voetbalvereniging. Vanzelfsprekend kan een vergelijkbare analyse eveneens worden uitgevoerd op het klantenbestand van een (commerciële) instelling. Hieronder een aantal voorbeelden.

• Bij een bedrijf dat abonnementen of contracten afsluit kun je qua analyse denken aan:
  • een analyse van abonnementen die in 2016 zijn afgesloten
  • een analyse van abonnementen die in 2016 zijn verlengd
  • een analyse van abonnementen die in 2016 zijn opgezegd
• Bij een webwinkel kun je bijvoorbeeld denken aan:
  • een analyse van klanten die in 2016 hun eerste bestelling hebben gedaan
  • een analyse van klanten die in 2016 een bestelling (maar niet hun eerste) hebben gedaan
  • een analyse van klanten die in 2016 geen bestelling meer hebben gedaan
• Bij een incassobureau kun je bijvoorbeeld denken aan:
  • een analyse van vorderingen die in 2016 zijn ingelezen
  • een analyse van vorderingen die in 2016 zijn betaald
  • een analyse van vorderingen die in 2016 zijn afgeboekt

Etcetera etcetera etcetera. Voor elk bedrijf zal de instelling mogelijk iets anders uitpakken. Indien het klantenbestand stabiel is zouden de 3 categorieën op de diverse ondersnijdingen elkaar niet of nauwelijks mogen ontlopen. Echter ... mocht het bedrijf beduidend andere klanten aantrekken danwel kwijtraken, dan zal uit de doorsnijdingen ook duidelijk blijken. Bij de voetbalvereniging waarvoor deze analyse als pilot is uitgevoerd was dat ook zeker het geval.

benchmark