maandag 29 oktober 2012

Klantgedrag is voorspelbaar door mobiele data

Om te weten wat klanten willen en doen, kun je het beste naar het gedrag van klanten kijken. Klanten zeggen immers niet wat ze doen en doen niet wat ze zeggen. Vooral door de opkomst van 'mobiel' is het gedrag van klanten beter in kaart te brengen en daardoor te voorspellen. Mobiele data analyseren is het nieuwe luisteren.


Voorspellen van gedrag met mobiele data
Mirco Musolesi e.a. van de universiteit van Birmingham deden een onderzoek onder 200 smartphone gebruikers, studenten in de buurt van Lausanne. Gedurende 18 maanden werd het gedrag van de doelgroep vastgelegd.

De conclusie was dat je met de gegevens van je smartphone heel goed kunt voorspellen waar de eigenaar ervan zich over 24 uur zal bevinden, als je tenminste ook de mobiele data van zijn naasten in het onderzoek betrekt. Gemiddeld kan het systeem met een precisie van twintig meter je locatie van de volgende dag voorspellen. Als de data van je vrienden er niet bij betrokken worden is de afwijking gemiddeld duizend meter, aanzienlijk minder accuraat dus.

Het voorspellen van het mobiele gedrag van consumenten kan interessant zijn voor aanbiedingen, uitverkoopjes, datingsites, et cetera. Hiervoor zijn talloze verdienmodellen te bedenken. Door het analyseren van mobiele data kunnen bedrijven van alles weten te komen over ons mobiele gedrag. Waar we zijn, hoe snel we ons verplaatsen, met wie we contact heb. En van degene met wie we contact hebben weten ze waar ze zijn, hoe snel ze zich verplaatsen en met wie ze contact hebben.

Mobiele klantenkaart
Hiervoor genoemd effect kan versterkt worden door de invoering van mobiele of multi-channel loyaliteitsprogramma's. De snelle opkomst van mobiel internet geeft winkeliers nog meer mogelijkheden om met bestaande klanten te interacteren. Klanten hebben de smartphone altijd bij hen en gebruiken deze ook vaak in de winkel om bijvoorbeeld prijzen te vergelijken of meer informatie op te vragen over artikelen.

Wanneer klantkaarten mobiel geïntegreerd worden hebben klanten hun account altijd bij de hand. Opgebouwde kortingen en aanbiedingen worden zo ook in de winkel direct inzichtelijk. Wanneer deze ook direct gebruikt kunnen worden in de winkel zal dit een extra motivatie zijn om in de winkel tot aankoop over te gaan. Het makeup merk Sephora biedt bijvoorbeeld een app waarmee klanten gespaarde punten in kunnen zien op hun mobiel. Ook kunnen ze binnen deze app persoonlijke aanbiedingen krijgen en hun wishlist en aankoophistorie opvragen.

Big Brother App
Maar let op met al die apps op je mobiele telefoon! Onlangs werd er in een TV-programma uitgebreid stil gestaan bij het feit dat een groot deel van de apps die consumenten op hun smartphone installeren, "stiekem" allerlei gegevens van de gebruiker doorsturen naar de leverancier van de app, zoals zijn telefoonboek, de bezochte websites, gespeelde spelletjes, gebruikte apps, etc. App leveranciers verkopen deze stiekem verkregen data door naar professionele dataleveranciers die het op hun beurt weer doorverkopen aan reclame- en mediabedrijven. Kortom, big brother is watching en spamming you!

Maar wat moet je doen, als je hier niet van gediend bent? Geen mobiel, geen apps downloaden en alle stekkers er uit.....en verhuizen naar een onbewoond eiland, want dit lijkt geen echte oplossing? Wie weet de oplossing wel?

Bron: TV, Jungleminds.nl, Arvix.org, 2012.

Interdependence and Predictability of Human Mobility and Social Interactions
Previous studies have shown that human movement is predictable to a certain extent at different geographic scales. Existing prediction techniques exploit only the past history of the person taken into consideration as input of the predictors. In this paper, we show that by means of multivariate nonlinear time series prediction techniques it is possible to increase the accuracy of movement forecasting by considering movements of friends or people with correlated mobility patterns (i.e., characterised by high mutual information) as input of the predictor. Finally, we evaluate the proposed techniques on the Nokia Mobile Data Challenge and Cabspotting datasets.




Geen opmerkingen:

Een reactie plaatsen