Klantgedrag begrijpen vanuit de context

Klantgedrag leer je beter begrijpen vanuit de context

Een impulsieve aankoop overkomt ons allemaal weleens: je wordt op straat aangesproken door een verkoper en voor je het weet sluit je een nieuw abonnement af, je komt “per ongeluk” een banner tegen waarop je klikt en een aankoop doet en de ABRI langs de weg brengt je op een (koop)idee.

Kortom: je voelt je een dief van je eigen portemonnee als je niet ingaat op een zeer aantrekkelijke (prijs)aanbieding van een bedrijf waar je normaal niet koopt. Je denkt niet uitgebreid na door het kort durend aanbod (“op-is-op”). Of je bezoekt een (vergelijkings-)site die je een plotselinge impuls geeft, of een chat met vrienden (of zelfs een aanbeveling), al dan niet op social media.

Dat onze beslissingen heel vaak niet rationeel zijn weten we al langer. Het feit dat we gewoontedieren zijn verklaart ook niet alles. Want hoe kan het toch dat iemand die al jaren trouwe klant en promotor van een merk is opeens toch voor een ander merk kiest?

Observeren, registreren en analyseren

Jarenlange ervaring op het gebied van klanttevredenheidsmetingen heeft ons geleerd dat de context zo belangrijk is. De context is voor een groot deel bepalend voor het gedrag. We hebben het dan over nudges, impulsen en triggers. Gedrag dat irrationeel is laat zich moeilijk vangen in een vragenlijst. Een klant zegt immers niet wat hij doet en doet niet wat hij zegt. Daarom moet je: observeren, registreren en analyseren.

• Observeren
  Observeren kan door mystery visitors in te zetten. Dit zijn mensen die observeren en toetsen op basis van tevoren vastgestelde criteria.
  Een andere manier van observeren is mogelijk vanuit de klant zelf. Door de klant uit te rusten met een speciaal hiervoor gemaakte applicatie kijk je letterlijk door hun ogen en kun je ter plekke klantobservaties vastleggen.
• Registreren
  Registreren is mogelijk door vast te stellen welke triggers, nudges of events hebben plaatsgevonden tijdens bepaald gedrag. Deze analyseren we op relevantie. Dit doen we bijvoorbeeld met behulp van dagboekondersteuning.
• Analyseren
  Met behulp van machine learning kunnen we bestaande data analyseren en voorspellingen doen op individueel niveau. Zo kunnen we bijvoorbeeld voorspellen welke klanten een groot switchrisico hebben (churn prediction).

Bij Totta willen we gedrag begrijpen en is een customer experience onderzoek vaak niet het eindpunt.