CHURN PREDICTION ALS COMPONENT VAN SOCIAL CRM SYSTEMEN EEN VERGELIJKENDE STUDIE Dries Degroote en Alexandra Dupont Stamnummer: 01509906 en 01510204 Promotor: Prof. dr. Els Clarysse Co-promotor: Prof. dr. Aygun Shafagatova Masterproef voorgedragen tot het bekomen van de graad van: Master of Science in de Handelswetenschappen Academiejaar: 2016 - 2017
87
Embed
CHURN PREDICTION ALS COMPONENT VAN SOCIAL CRM … · te voorspellen is de activity level van klanten op sociale media. Om dit gedrag van klanten te voorspellen wordt vooral gebruik
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
CHURN PREDICTION ALS COMPONENT VAN SOCIAL CRM SYSTEMEN
EEN VERGELIJKENDE STUDIE Dries Degroote en Alexandra Dupont
Stamnummer: 01509906 en 01510204
Promotor: Prof. dr. Els Clarysse Co-promotor: Prof. dr. Aygun Shafagatova Masterproef voorgedragen tot het bekomen van de graad van: Master of Science in de Handelswetenschappen Academiejaar: 2016 - 2017
WoordvoorafDeze masterproef is geschreven in het kader van de Masteropleiding ‘Management en Informatica’ aan de
Universiteit Gent. Twee jaar geleden besloten wij beide om na de opleiding ‘KMO-Management’ verder te
studeren aan de Universiteit Gent. Hiervoor volgden we beide het schakelprogramma voor de richting
Handelswetenschappen. Wegens onze persoonlijke interesse in zowel technologie als informatie, was de
keuze voor de afstudeerrichting ‘Management en Informatica’ vanzelfsprekend. Aansluitend hierop kozen we
om een vergelijkende studie naar social CRM systemen met churn prediction functionaliteit uit te voeren.
Na het schrijven van deze thesis kunnen wij terugblikken op een enorm intensieve, maar tevens leerrijke
periode. Het schrijven van een duothesis was een enorm grote uitdaging omdat een goede samenwerking
noodzakelijk was om tot dit eindresultaat te komen. Zowel afspraken als wederzijdse steun waren
noodzakelijk in dit verhaal. Het meest uidagende deel van een duothesis is het constant op elkaar moeten
afstemmen en compromissen sluiten.
Wij hadden graag van deze gelegenheid gebruik gemaakt om enkele mensen te bedanken. Ten eerste willen
wij graag onze promotor Els Clarysse bedanken. Vooraleerst zorgde Mevrouw Clarysse er steeds voor dat
ons onderzoek de juiste richting uitging, daarnaast gaf ze ons ook kritische, maar tevens positieve feedback.
Zonder die tussentijdse feedback hadden wij nooit hetzelfde resultaat bekomen. Als laatste, maar minstens
even belangrijk, zouden wij graag onze ouders oprecht willen bedanken om ons de kans te geven om deze
opleiding af te werken. Al deze mensen hebben een aandeel in een periode die wij beschouwen als één van
de leerrijkste, maar tevens uitdagendste van onze volledige academische carrière.
Dan zouden wij de lezers van deze thesis veel leesplezier willen wensen!
2.2 Sociale media ..................................................................................................................................... 16
2.2.1 Wat is ‘Social media’? .................................................................................................................. 16
2.2.2 Social Network Analysis ............................................................................................................... 18
6. Soort onderzoek ....................................................................................................................................... 44
Tabel 2. Verschillen tussen traditionele CRM en Social CRM (Paul & Nilsson, 2011)
Tabel 3. Verschillen tussen traditionele CRM en Social CRM aanpak (Deloitte, 2011)
Tabel 4. Het social CRM prestatiemeetmodel (Küpper et al., 2015, p. 898)
Tabel 5. Definiëring en classificatie van Social CRM technologieën (Küpper et al., 2014, p.8)
Tabel 6. Geselecteerde SCRM tools
Tabel 7. Geschikte social CRM tools op basis van selectiecriteria
Tabel 8. Vooropgestelde selectiecriteria
Tabel 9. Geschikte churn prediction tools
Tabel 10. Beoordeling SCRM tools a.d.h.v. het prestatiemeetmodel van Küpper et al. (2014)
LijstmetgebruiktefigurenFiguur 1. Traditioneel vs. social CRM (Beeckestijn Business School, 2017)
Figuur 2. Principe CRM (Jezzup, 2017)
Figuur 3. Drie verschillende types van CRM systemen (Jezzup, 2017)
Figuur 4. Exponentiële groei sociale media (Intel, 2017)
Figuur 5. “The Kite Network” (David Krachhardt, 2008)
Figuur 6. Touchgraph Navigator 2 (2017)
Figuur 7. Mentionmapp (2017)
Figuur 8. Automatische beeldherkenning (LexisNexis, 2017)
Figuur 9. Alle KPI’s in een overzicht (LexisNexis, 2017)
Figuur 10. Embedding social CRM into business functions, the organization as a whole, and technology
(Booz & Company analysis, 2009)
Figuur 11. Magic Quadrant voor SCRM tools (Gartner, 2012)
Figuur 12. Geselecteerde social CRM tools
10
DEEL 1: LITERATUURSTUDIE
1.InleidingVolgens Forrester (2016) is ‘the age of the customer’ één van de belangrijkste thema’s van het moment.
Onder dit concept wordt begrepen dat klanten vandaag meer macht hebben dan ooit te voren dankzij de
opkomst van internet en digitalisering. Waar vroeger het gebrek aan de juiste informatie over producten en
diensten leidde tot een beperkte autonomie, kan iedereen nu zelf zijn of haar keuzes baseren op een enorme
hoeveelheid informatie, die altijd en overal beschikbaar is. Waar mensen vroeger vaak naar dezelfde
vakantiebestemming gingen, gaan ze nu, aangemoedigd door rijke peer-reviews op het internet, naar een
bijzondere bestemming in de bossen van Zweden. Deze mondige en veeleisende klant dwingt organisaties
hun aanpak te herzien. Hierdoor rijst de vraag ‘hoe werf je klanten in deze age of the customer aan en hoe
hou je ze vast?’. In de huidige aanpak concentreren bedrijven zich vaak op de contactmomenten met
potentiële klanten, die zich nog in de marketing- en salesfase van de customer life cycle bevinden. Oftewel,
de momenten waarop de klanten nog het gelukkigst zijn, omdat hij of zij op het punt staat een nieuw product
of dienst af te nemen. Dat zijn echter meestal niet de sleutelmomenten in het contact met ieder individu. De
meeste klantwaarde wordt juist gecreëerd op momenten dat het tegenzit. Deze momenten vinden vaak pas
plaats na de aanschaf van een product of dienst, wanneer de klant zich in de service- en support-fase van
de customer life cycle bevindt. Dan gaat men namelijk niet naar je marketing- en saleskanalen, maar nemen
ze de telefoon, sturen een e-mail naar de klantenservice of komen langs in de winkel of kantoor. Als bedrijven
op dit soort momenten de klant niet gepast kunnen helpen, worden klanten teleurgesteld. Veel organisaties
laten hier steken vallen, waardoor een bedrijf hier het verschil kan maken (Marketingfacts, 2017).
Naast de toenemende macht van de consumenten, wordt de bedrijfsomgeving gekenmerkt door sterke
concurrentie en verzadigde markten. In deze context realiseren bedrijven hogere omzet door het creëren
van langdurige relaties met hun klanten. Er is dus voornamelijk een grote invloed vanuit de
consumentenbenadering. Deze verandering dringt door tot de bedrijfswereld waardoor Customer
Relationship Management (CRM) als de leidende strategie voor marketingbeslissingen wordt beschouwd
(Reinartz & Kumar, 2002). Deze “macht” verschuift van de leverancier naar de klant zelf, waardoor het
alsmaar belangrijk wordt om zich op de klant te focussen, en vooral te denken vanuit de klant zelf.
Hiernaast realiseren bedrijven zich dat hun bestaande klantendatabase hun meest waardevolle bezit is
(Jones et al., 2000). Daarnaast werd ook aangetoond dat bestaande en tevreden klanten winstgevender zijn
dan nieuwe klanten aan te werven (Reinartz & Kumar, 2003). Volgens Torkzadeh et al. (2006) zou het zelfs
twaalf keer meer kosten om een nieuwe klant aan te werven dan een klant te behouden. Meer zelfs,
bestaande klanten genereren een hogere omzet en winstmarge dan nieuwe klanten. Het is duidelijk dat het
behouden van klanten een belangrijke doelstelling is van CRM waardoor heel wat onderzoek verricht werd
11
naar churn prediction (Burez & Van den Poel, 2007). Het voorspellen van klantenverloop zorgt ervoor dat
bedrijven gerichte retentiestrategieën kunnen implementeren en hun marketingbeslissingen hieraan kunnen
aanpassen (Shaffer & Zhang, 2002). Zo kunnen marketeers specifieke acties ondernemen om bepaalde
risicovolle klantensegmenten te behouden (Burez & Van den Poel, 2007).
Sociale media zoals Facebook en Twitter zijn de ideale basis om toekomstig sociaal gedrag van klanten te
onderzoeken en dit op basis van sociaal gedrag uit hun verleden. Een belangrijke meeteenheid om dit gedrag
te voorspellen is de activity level van klanten op sociale media. Om dit gedrag van klanten te voorspellen
wordt vooral gebruik gemaakt van algoritmes en meer bepaald van churn prediction modeling. Deze manier
om het gedrag van klanten te voorspellen, sluit sterk aan bij social CRM. Vergeleken met traditionele CRM
raamwerken, bestaat social CRM uit enkele bijzondere kenmerken in termen van gebruikersdiversiteit,
sociale invloeden en sociale netwerken (Zhu, Zhong, Pan, Wang, Zhou & Yang., 2012). Door de opkomst
van sociale media wordt de traditionele notie van Customer Relationship Management (CRM) uitgedaagd.
Bij een traditioneel CRM raamwerk wordt de essentiële informatie over consumenten verwerkt met als doel
een klantenrelatie op te bouwen en te behouden. Terwijl bij een een social CRM raamwerk het hoofddoel is
om een klantenrelatie op te bouwen maar niet enkel door transacties met de consument te hebben maar ook
door interacties met hen uit te bouwen (Payne & Frow, 2005; Verhoef, Venkatesan, et al., 2010).
Figuur 1. Traditioneel vs. social CRM (Beeckestijn Business School, 2017)
12
2.SocialCustomerRelationshipManagement‘Social CRM’ is een nieuw concept dat bestaat uit twee dimensies, namelijk een Customer Relationship
Management (CRM) dimensie en een sociale media dimensie. De CRM dimensie bevat de drie
basiscomponenten van een traditioneel CRM proces: acquisitie van klanten, behoud van klanten en de
uiteindelijke beëindiging van de klantenrelatie. Daarnaast refereert CRM traditioneel gezien naar het beheren
van klantenrelaties. De opkomst van sociale media, die ervoor zorgt dat klanten connecties kunnen leggen,
daagt deze fundamentele bestaansreden uit. De samenstelling van sociale media en CRM zorgen voor
opportuniteiten die onderzocht moeten worden. De auteurs identificeren verschillende manieren waarop
sociale media elk van deze componenten heeft beïnvloed (Malthouse, Haenlein, Skiera, Wege, & Zhang,
2013).
Figuur 2. Principe CRM (Jezzup, 2017)
2.1CRM
Customer Relationship Management (CRM) is één van de meest erkende managementstrategieën van de
voorbije decennia (Minna & Aino, 2005). Bedrijven richten zich steeds meer op Customer Relationship
Management om zich te verdedigen tegen de sterke invloed van concurrentie, globalisatie, de ontwikkeling
van informatietechnologie en op de oriëntatie van de klanten (Reinartz & Kumar, 2002). Vandaag
beschouwen ondernemingen klanten als een belangrijke bron aan informatie, daarnaast worden relaties met
hen beschouwd als waardevolle activa (Gneiser, 2010). Effectief gebruik van CRM is daarom een prioriteit
geworden en een strategie in vele ondernemingen (Armstrong & Kotler, 2004). Nog steeds is er een groot
verschil tussen het implementeren en het effectief gebruiken van CRM, met andere woorden de adoptiegraad
van CRM systemen is heel laag. Hoewel het correct gebruiken van een CRM systeem kan resulteren in een
verbetering van de klantentevredenheid, een toename in verkoop, de winstgevendheid en de klantentrouw
(Kostojohn, Johnson & Paulen, 2011).
13
De oorsprong van CRM wordt sterk geassocieerd met het management concept ‘relationship marketing’, dat
zich focust op het bouwen, het ontwikkelen en het onderhouden van een langdurige relatie met klanten en
andere stakeholders (Levitt, 1983). Het vraagt een geïntegreerde inspanning om individuele klanten te
identificeren, relaties op te bouwen en te onderhouden om een wederzijds voordeel te verkrijgen langs beide
kanten (Shani & Chalasani, 1992). De sleutel om klanten aan te trekken en te behouden, is door hun
voorkeuren te begrijpen (Peppers, Rogers & Dorf, 1999). CRM gaat over het managen van relaties tussen
een bedrijf en zijn klanten met hun verschillende contacten, interactieve processen en communicatieve
elementen (Grönroos, 2000). Volgens Xu et al. (2002) refereert CRM naar een alomvattende management
aanpak die zowel verkoop, klantenservice, marketing, support als andere functies integreren met betrekking
op klanten.
Binnen CRM krijgt churn management de meeste aandacht omdat het interessanter en rendabeler is om
vast te houden aan bestaande klanten dan voortdurend nieuwe klanten aan te trekken, want deze worden
gekenmerkt door een hoog uitvalpercentage (Reinartz & Kumar, 2003). Door de verzadigde markten en
intensieve concurrentie beseffen veel bedrijven dat klanten hun meest waardevolle bezit zijn. Deze trend is
opmerkelijke genoeg vooral aanwezig bij abonnementsdiensten van aller aard. Bedrijven beginnen meer en
meer een verschuiving te maken weg van hun traditionele, massa-marketing strategieën, dit ten gunste van
gerichte marketingacties (Burez & Van den Poel, 2009).
Het idee om klanten te identificeren die het meest vatbaar zijn voor omschakeling heeft een hoge prioriteit
gekregen (Keaveney & Parthasarathy, 2001). Er werd aangetoond dat een kleine verandering in de
retentiegraad kan resulteren in een significante verandering in bijdrage (Van den Poel & Lariviere, 2004).
Om customer churn op een effectieve manier te beheren binnen een bedrijf, is het cruciaal om een effectief
en accuraat customer churn model te bouwen. Om dit tot een goed einde te brengen, zijn er tal van
predictieve modelleertechnieken beschikbaar. Deze data mining technieken kunnen van dienst zijn bij de
keuze van klanten die het meest vatbaar zijn voor churn (Hung, Yen & Wang, 2006).
De traditionele vorm van Customer Relationship Management (CRM) wordt gezien als een verzameling van
overtuigingen, strategieën, systemen en technologieën dat effectief en efficiënt de transacties van hun
klanten met de onderneming kan beheren (Greenberg, 2003). Het hoofddoel van zowel de traditionele CRM
als de sociale CRM is het opbouwen en onderhouden van klantenrelaties (Yim, Anderson, & Swaminathan,
2005). Hoewel CRM te maken krijgt met hoge faalcijfers, bleef het toch een belangrijke strategie voor de
meeste grote bedrijven en een substantieel deel van de kleine en middelgrote ondernemingen. Het
traditionele CRM model veronderstelt onder andere dat uit het aankoopgedrag van klanten blijkt dat ze
passief op acties van bedrijven reageren. Terwijl het nieuwe sociale CRM model een fundamentele manier
is waarop sociale media bestaande CRM systemen kan beïnvloeden door hun klanten actief te betrekken in
hun relatie (Malthouse, Haenlein, Skiera, Wege, & Zhang, 2013) .
14
Het toenemend belang van CRM wordt ondersteund door de vele publicaties omtrent dit topic. Een overzicht
van verschillende beschrijvingen van CRM wordt gepresenteerd in onderstaande tabel (tabel 1).
Tabel 1. Beschrijving CRM
Beschrijving van CRM Auteurs
CRM is a philosophy and a business strategy supported by a system and a technology designed to improve human interactions in a business environment
(Greenberg, 2010)
The goal of CRM is not just to offer excellent products and services but to get, keep and grow the best customers
(Armstrong & Kotler, 2004)
CRM is an enterprise-wide approach to understanding and influencing customer behavior through meaningful analysis and communications to improve customer acquisition, customer retention, and customer profitability
(Peppers & Rogers, 2004)
CRM is the core business strategy that integrates internal processes and functions, and external networks, to create and deliver value to targeted customers at a profit. It is grounded on high-quality customer data and enabled by IT
(Buttle, 2009)
CRM is the strategy for building, managing, and strengthening loyal and longlasting customer relationships. CRM should be a customer-centric approach based on customer insight. Its scope should be the “personalized” handling of customers as distinct entities through the identification and understanding of their differentiated needs, preferences, and behaviors
(Tsiptsis & Chorianopoulos, 2009)
CRM helps improve the interfaces to customers and also aims at enhancing customer satisfaction. CRM can therefore be defined as a customer-oriented and IT-based management concept with the objective of establishing long-term and profitable customer relationships
(Wilde, 2011)
CRM is an enterprise-wide business strategy for achieving customer-specific objectives by talking customer-specific action. The firm will take customerspecific actions for each customer, often made possible by new technologies
(Peppers & Rogers, 2011)
CRM is a strategy of increased focus on developing, maintaining, and extracting maximum value from customer relationships. CRM program includes people, business process, and technology components
(Kostojohn, Johnson & Paulen, 2011)
15
Hoewel de oorsprong en het idee van CRM afkomstig zijn van relationship marketing, heeft CRM een zeer
technische connotatie (Xu, et al., 2002). Data warehouses, online analytical processing en data mining
technieken behoren tot de sleuteltechnologieën om een CRM systeem op te bouwen. Door bovenstaande
technieken te gebruiken, kan een CRM systeem klantengegevens verzamelen, klanten beter ondersteunen
en de verkoop- en marketingafdeling voorzien van up-to-date klanteninformatie. De systemen worden ook
geïmplementeerd om de macht van bepaalde personeelsgroepen te verminderen, vooral van het
verkooppersoneel (Roscoe, 2001). De implementatie van CRM systemen zorgt ervoor dat klantgeoriënteerde
processen opnieuw ontworpen moeten worden (Alt & Puschmann, 2004).
Drie verschillende types van CRM systemen worden onderscheiden door verschillende auteurs (Wilde, 2011;
Peppers & Rogers, 2011): operationeel, analytisch en collaboratief. Recent is ook het concept social CRM
als vierde type opgekomen.
Een operationeel CRM systeem, wat ook gekend staat als een front-office CRM systeem (Buttle, 2009),
functioneert in de directe raakvlakken van klanten door het verzamelen van klantengegevens (Minna & Aino,
2005). Een operationeel CRM systeem ondersteunt zowel marketing, verkoop als service afdelingen (Buttle,
2009).
Een analytisch CRM systeem, ook gekend als een back-office CRM systeem, structureert klantengegevens
zodat bedrijven hieruit informatie kunnen afleiden (Minna & Aino, 2005). Het laat bedrijven toe om zowel
bedrijfsanalyses, operationele rapporten op te stellen als toekomstig klantengedrag te voorspellen. Deze
analyses creëren de basis voor toekomstige verkoopstrategieën, marketingcampagnes, het identificeren van
klantenbehoeftes en het berekenen van de kost om klanten aan te trekken en te behouden (Buttle, 2009).
Analytische CRM maakt gebruik van tools zoals data warehouses, data mining, marketing en campagne
analyses, clustering en segmentatie. Analytische CRM wordt erkend als een belangrijk element in het
succesvol implementeren van CRM in een bedrijf (Nykamp, 2001).
De hoofdtaak van een collaboratief CRM systeem bestaat eruit een bedrijf zijn communicatieprocessen van
klanten, leveranciers en partners te optimaliseren zodat een langdurige relatie kan ontstaan. Collaboratieve
CRM systemen worden voornamelijk gebruikt om rechtstreeks te communiceren met klanten in de volgende
departementen: klantenservice, verkoop en marketing (Widle, 2011).
16
Figuur 3. Drie verschillende types van CRM systemen (Jezzup, 2017)
2.2Socialemedia
2.2.1Watis‘Socialmedia’?
Het concept ‘Social Media’ staat tegenwoordig hoog genoteerd op de agenda van veel bedrijven. Bedrijven
proberen een manier te vinden hoe ze op een winstgevende manier gebruik kunnen maken van applicaties
zoals Facebook, Twitter en YouTube. Het aantal actieve gebruikers op sociale netwerksites is een kritische
maatstaf om de populariteit van die website aan te tonen, deze maatstaf wordt door investeerders gezien als
een significante investeringswaarde. Veel sociale netwerkbedrijven, zoals Facebook, rapporteren
maandelijks hoeveel actieve gebruikers hun sociale netwerksite bevat. Deze nummers zijn sterke indicators
om de populariteit van de investeringswaarde aan te duiden. Hiernaast maken sociale netwerkbedrijven
gebruik van verschillende strategieën om nieuwe gebruikers aan te trekken en de bestaande gebruikers te
behouden (Zhu et al., 2012).
In januari 2009 had Facebook al meer dan 175 miljoen actieve gebruikers. Dat komt ongeveer neer op de
volledige populatie van Brazilië (190 miljoen) en twee keer de populatie van Duitsland (80 miljoen). Daarnaast
wordt er op YouTube elke minuut, tien uren aan video content geüpload. Volgens Forrester Research zou
75% van de internetgebruikers gestart zijn met het gebruik van ‘Social Media’ vanaf 2008, dit door zich aan
te sluiten bij sociale netwerksites, blogs, … Er is een stijging van 56% vergeleken met 2007. De groei beperkt
zich niet alleen tot jongeren, maar ook mensen die ‘lid’ zijn van Generation X, nu 35-44 jaar oud. Afgaand op
het grote aantal gebruikers op sociale media lijkt het redelijk om te zeggen dat het hier gaat om een
revolutionaire trend die heel interessant kan zijn voor bedrijven (Kaplan & Haenlein, 2010).
17
Facebook is gegroeid tot werelds grootste sociale netwerksite met meer dan 1,23 miljard actieve gebruikers.
Van deze gebruikers zijn 62% dagelijks actief op Facebook (Facebook, 2014). In maart 2010 werden al
meer dan 10 miljard berichten of Tweets verzonden via Twitter sinds de lancering in 2006. Dit cijfer
verdubbelde tot 20 miljard in juli van datzelfde jaar. Dit zijn duidelijk omgevingen waar heel wat klanten
samenkomen en bedrijven op terug te vinden zijn. Sociale media heeft een enorm potentieel voor bedrijven
om dichter bij hun klanten te staan, hierdoor genereert men een hogere omzet en kan men lagere kosten
realiseren (Baird & Parasnis, 2010).
Figuur 4. Exponentiële groei sociale media (Intel, 2017)
Sociale media zorgde voor een verschuiving in de controle die organisaties hebben over informatie die op
het internet over hen geschreven en gedeeld wordt. Tegenwoordig hebben bedrijven heel wat minder
controle over de gedeelde informatie in vergelijking met vroeger. Wanneer een zoekopdracht wordt
ingevoerd via Google over een toonaangevend merk, dan omvatten de top vijf resultaten doorgaans niet
alleen de bedrijfswebsite van het merk, maar ook een vermelding in de online encyclopedie Wikipedia. Als
een klant bijvoorbeeld via Google zoekt naar ‘Hasbro’s Easy-Bake Oven’, dan kan men lezen dat het gebruik
ervan kan leiden tot ernstige brandwonden bij kinderen, dit als gevolg van een slecht ontworpen ovendeur.
18
Vroeger waren bedrijven perfect in staat om de beschikbare informatie over hen te controleren door middel
van strategisch geplaatste persmededelingen. Tegenwoordig worden bedrijven steeds meer verbannen naar
de zijlijn in de vorm van waarnemers, die noch de kennis, noch de kans hebben om iets te doen aan de
publiek geplaatste berichten door hun klanten (Kaplan & Haenlein, 2010).
Volgens Smith en Wollan (2011) is sociale media strikt gesproken geen nieuw fenomeen. Veel mensen
hebben duizenden jaren hun aanbevelingen en meningen gedeeld met vrienden en kennissen waar een
tweerichtingscommunicatie mogelijk was. In de moderne geschiedenis gaat dit over mond-tot-
mondcommunicatie, telefoongesprekken, brieven en meer recent over e-mails. Wat nu wel nieuw is, zijn
volgende kenmerken. Deze kenmerken onderscheiden de digitale sociale media met deze van vroeger:
• Zowel ‘een-op-veel’ als ‘veel-op-veel’ gesprekken zijn mogelijk;
• Het bevat content gecreëerd en gedeeld door consumenten;
• Het is gemakkelijk te gebruiken;
• Het is toegankelijk voor iedereen, overal en in real-time;
• Het is volledig publiek en transparant.
Sociale media trekt tegelijk de aandacht van zowel grote als kleine ondernemingen. Iedere maand gebruiken
meer en meer mensen over heel de wereld hun computer of mobiel toestel om te communiceren met
vrienden, hun mening te delen en gesprekken aan te gaan. Het valt bedrijven op dat een groot aantal klanten
zich bezighouden met een nieuwe manier van communiceren. Het zou verkeerd zijn om aan te nemen dat
sociale media geen groot deel uitmaakt van de klant zijn levensstijl en hier niet op in te spelen. Het is
belangrijk als bedrijfsleider om dit fenomeen te begrijpen en hun organisatie hierop voor te bereiden.
2.2.2SocialNetworkAnalysis
2.2.2.1Watis‘SocialNetworkAnalysis’?
Social network analysis (SNA) heeft zijn oorsprong in zowel sociale wetenschappen als in het bredere veld
van network analysis en graph theory. Network analysis concentreert zich op de formulering en oplossing
van problemen met een netwerkstructuur, dergelijke structuur wordt meestal vastgelegd in een grafiek.
Terwijl graph theory een set van abstracte concepten en methodes voorziet om grafieken te analyseren.
Deze theorie, in combinatie met andere analytische tools en methodes zijn speciaal ontwikkeld voor de
visualisatie en analyse van sociale netwerken, wat de basis van SNA methodes inhoudt. SNA is niet enkel
een methodologie, maar het is ook een uniek perspectief over hoe de samenleving functioneert. In plaats
van zich enkel te focussen op individuen en hun attributen, stelt SNA relaties tussen individuen, groepen of
sociale samenlevingen centraal. De samenleving bestuderen vanuit een netwerkperspectief, is het
bestuderen van individuen in een samenhangend netwerk van relaties en het zoeken naar verklaringen voor
sociaal gedrag in de structuur van dit netwerk (Newman, 2004).
19
Social network analysis integreert vier historische kenmerken (Newman, 2004):
1. SNA is gebaseerd op structurele aspecten gebouwd op de relaties die sociale actoren met elkaar
verbinden;
2. SNA focust zich op empirische en relationele data;
3. SNA is sterk gelinkt met grafische representaties;
4. Mathematische en computermodellen faciliteren de analyse.
In social network analysis worden relaties tussen individuen, groepen, organisaties, computers en andere
geconnecteerde entiteiten gemapt en gemeten. De knopen in het netwerk zijn mensen en groepen terwijl
de pijl de relatie tussen de verschillende knopen voorstelt. SNA voorziet zowel een visuele als een
mathematische analyse van relaties tussen verschillende mensen. Om netwerken en zijn participanten te
begrijpen, worden de locatie en groepering van verschillende actoren geëvalueerd in het netwerk. Deze
metingen geven inzicht in de verschillende rollen en groeperingen in een netwerk, wie zijn de connectoren,
wie zijn de leiders, wie is geïsoleerd, …(orgnet LLC, 2017).
Om beter te begrijpen wat een sociaal netwerk is, wordt ‘the Kite Network’ van David Krackhardt (2008)
hieronder uitgewerkt. Twee knopen zijn verbonden met elkaar als twee individuen op regelmatige basis met
elkaar praten of interactie voeren. In onderstaand voorbeeld heeft Andre op regelmatige basis interactie met
Carol, maar niet met Ilse. Daarom zijn Andre en Carol geconnecteerd met elkaar, maar is er geen directe
link tussen Andre en Ilse.
Onderstaand netwerk toont het onderscheid tussen de drie meest populaire individuele centrale
maatregelen: Degree Centrality, Betweenness Centrality, en Closeness Centrality.
Figuur 5. “The Kite Network” (David Krachhardt, 2008)
20
Degree Centrality
Onderzoekers van sociale netwerken meten de activiteit op een netwerk door gebruik te maken van graden,
wat het aantal directe connecties van een knoop zijn. In bovenstaand voorbeeld heeft Diane de meeste
directe connecties voor haar netwerk, wat haar de meest actieve knoop van het netwerk maakt. Het is vooral
belangrijk om te weten waar deze connecties naartoe leiden en hoe ze connecteren met anderen. In dit
voorbeeld heeft Diane enkel connecties met anderen in haar onmiddellijke cluster. Zij legt enkel connecties
met personen die al met elkaar geconnecteerd zijn.
Betweenness Centrality
Terwijl Diane veel directe connecties heeft, heeft Hanne slechts enkele connecties, veel minder dan het
gemiddelde in dit netwerk. Toch heeft ze om vele redenen de beste locatie in het netwerk, ze bevindt zich
tussen twee belangrijke kiesdistricten. Zij heeft een ‘broker’ rol in dit netwerk, maar het goede nieuws is dat
ze een belangrijke rol in het netwerk speelt. Zonder haar zouden Ilse en Jane geen kennis of informatie
ontvangen over de cluster van Diane. Een knoop met een hoge ‘betweenness’ heeft een grote invloed over
welke informatie doorstroomt in het netwerk en welke niet.
Closeness Centrality
Terwijl Fons en Gary minder connecties hebben dan Diane, laat het patroon van hun directe en indirecte
connecties hen toch toe om alle knopen in het netwerk te bereiken. Zij hebben het kortste pad om de anderen
te bereiken en hebben daarom de beste positie om te monitoren welke informatie door zal stromen in het
netwerk. Hiernaast hebben ze ook de beste visibiliteit in het netwerk.
Hoewel SNA een belangrijke methode is om sociale netwerken te besturen, worden deze vaak niet
opgenomen in CRM systemen. Vaak wordt SNA naast een bestaand CRM systeem gebruikt. Sommige grote
aanbieders van CRM systemen, zoals Microsoft of SalesForce, nemen dan wel weer het concept van SNA
op in hun product. Dit vaak onder de noemer van “Social listening” (Jezzup, 2017). Dit Is het proces van
identificatie en beoordeling van wat er gezegd wordt over een bedrijf, individu, product of merk op internet.
Gesprekken op het internet produceren enorme hoeveelheden ongestructureerde data. Het is daarom
belangrijk om te definiëren wat de doelstellingen zijn voor een sociale media luisterinitiatief. Afhankelijk van
het doel, kan de juiste tool een reeks gratis Google Alerts of een dure softwarepakket zijn die ad hoc analyse
en volledige integratie bevat met oudere CRM applicaties. Zowel het verzamelen van sociale media als
persoonlijke informatie hebben waarde, maar het luisteren naar sociale media wordt snel een belangrijk
klantenintelligentieprogramma. Er zijn verschillende manieren om sociale media te gebruiken om inzicht te
krijgen, inclusief het monitoren van online klantenserviceforums, met behulp van softwarehulpmiddelen om
commentaar te verzamelen van sociale uitzendingen, zoals Facebook en Twitter, en klanten aan te moedigen
nieuwe producteigenschappen voor te stellen en hun favorieten te stemmen. In een grote onderneming
21
kunnen sociale media monitoring tools tekstmining toepassen voor specifieke zoekwoorden op sociale
netwerken, blogs, in discussiefora en andere sociale media. In wezen zet monitoring software specifieke
woorden of zinnen van ongestructureerde gegevens op in numerieke waarden die gekoppeld zijn aan
gestructureerde gegevens in een database, zodat de gegevens kunnen worden geanalyseerd met
traditionele data mining technieken (TechTarget, 2017).
2.2.2.2SNAtools
Op het internet zijn er heel wat nuttige SNA tools te vinden. In dit onderdeel worden er een aantal toegelicht,
de focus ligt vooral op de veelgebruikte Social Media Platforms zoals Facebook, Twitter en LinkedIn.
Touchgraph Navigator 2
Voor Facebook bestaat er een tool genaamd ‘Touchgraph Navigator 2’. Deze tool laadt data in overzichtelijke
kolommen vanuit verschillende formats zoals Excel. Die kolommen bevatten allerlei relationele informatie
zoals voornaam, achternaam, geslacht enzovoort. Deze kolommen worden automatisch omgezet tot een
grafiek. Daarnaast maakt deze tool het ook mogelijk om deze informatie te visualiseren en te sorteren in
verschillende kolommen of categorieën.
Figuur 6. Touchgraph Navigator 2 (2017)
22
Mentionmapp
‘Mentionmapp’ is een tool die helpt om te navigeren door het netwerk van conversaties en tweets op Twitter.
Deze tool kan gebruikt worden om interessante tweets te bewaren of om deze op te sporen. Daarnaast
creëert ‘Mentionmapp’ een beeld van personen die andere persoon vermelden en welke tweets worden
geretweet door gebruikers. Verder is de tool geschikt om interessante conversaties terug te vinden of op te
slaan. Tenslotte wordt er een beeld gecreëerd van de connecties tussen verschillende gebruikers.
Figuur 7. Mentionmapp (2017)
LexisNexis Social Analytics
‘LexisNexis® Social Analytics’ is een innovatief platform voor social media analyse waarmee bedrijven en
PR- en marketingbureaus weloverwogen beslissingen kunnen nemen over hun sociale media strategie op
basis van relevante gegevens uit sociale netwerken, forums en discussiesites. ‘LexisNexis Social Analytics’
biedt een krachtige monitoringsfunctie, een heldere sociale media analyse en een snelle en efficiënte
rapportage aan (LexisNexis, 2017).
1. Krachtige monitoringsfunctie
Bedrijven kunnen wereldwijd volgen wat over hun merk, product en campagnes worden gezegd in sociale
netwerken. Hiernaast kunnen ze meer inzicht verkrijgen in de positionering van hun merk aan de hand van
discussies op sociale media. Ook kunnen ze reputatieschade voorblijven door te scannen op mogelijke
crisissituaties.
23
2. Heldere sociale media analyse
Er kunnen waardevolle inzichten verworven worden op basis van verschillende sociale netwerken en
websites. Bedrijven kunnen verspreide informatie met behulp van LexisNexis transformeren tot eenduidige
strategische inzichten. Ook het gebruik van veelzijdige tools is mogelijk zoals beeldherkening, ‘virtual
mapping’, locatietagging, sentimentanalyse en hashtagtracking. Ten slotte kunnen patronen, trends,
influencers en de pieken in data herkent worden.
Figuur 8. Automatische beeldherkenning (LexisNexis, 2017)
3. Snelle en efficiënte rapportage
Dankzij automatisch gegenereerde rapporten kunnen bedrijven snel en efficiënt alle relevante sociale media
statistieken die ertoe doen, delen. De analysegegevens in de rapporten kunnen gevisualiseerd worden met
inzichtelijke grafieken en diagrammen. Ook het aanmaken van KPI-rapporten door gebruik van een
aanpasbaar rapportsjabloon is mogelijk met LexisNexis.
Figuur 9. Alle KPI’s in een overzicht (LexisNexis, 2017)
24
2.3SCRM
2.3.1Watis‘SCRM’?
In de traditionele model van CRM wordt verondersteld dat klanten een passieve rol vervullen als antwoord
op de acties van een onderneming. Door de massale opkomst van sociale netwerkplatformen is de klant niet
langer beperkt tot een passieve rol in zijn relatie met de onderneming. De fundamentele manier waarop
sociale media een invloed heeft op CRM, is door klanten toe te laten om actief deel te nemen in de relatie
met de onderneming. Consumenten beschikken tegenwoordig over meer informatie van concurrerende
producten op alle mobiele apparaten. Klanten kunnen hierdoor snel en eenvoudig hun mening over een
bepaald product verspreiden naar een groter publiek. Bedrijven vinden het dan ook moeilijk om het
toenemend aantal berichten die consumenten over hun producten ontvangen, te beheren (Schultz,
Malthouse & Pick, 2012). Als consumenten negatieve berichten over een bedrijf verspreiden, kan dit het
imago van een bedrijf serieus schaden (Gensler et al. 2013). Hoewel het bestaan van sociale media ook
opportuniteiten kan bieden. Bedrijven kunnen door gebruik te maken van verschillende sociale
netwerkplatformen luisteren naar wat hun klanten echt willen en hierop inspelen. Het is zelfs mogelijk om
producten te laten vertegenwoordigen door consumenten op sociale media. De uitdaging voor bedrijven is
om deze opportuniteiten te identificeren en hieruit een voordeel te halen (Malthouse et al., 2013).
Hiernaast zijn ook heel wat marketingafdelingen bezig met het verzenden van Tweets, het posten van
Facebookberichten, het delen van YouTube-video’s en andere zaken. Al deze content wordt zorgvuldig
afgestemd op het juiste kanaal. Men wil de klant actief betrekken en stimuleren om zaken te delen en
tweeten. Het blijkt voor bedrijven heel moeilijk te zijn om het juiste publiek te bereiken. Ondertussen voeren
klanten discussies, doet men aanbevelingen, heeft men klachten en doet men enorm zijn best om met
bedrijven in contact te komen. Maar heel vaak krijgen ze niet het gewenste antwoord. Om deze kloof te
dichten komt social CRM van pas. Dit platform voor Customer Relationship Management met geïntegreerde
mogelijkheden voor sociale media creëert dezelfde inzichten als voor conventionele kanalen. Hiernaast kan
er intern gecommuniceerd worden via deze sociale tools. Bedrijven kunnen op die manier alle communicatie
controleren, volgen en benchmarken met behulp van bekende tools, dashboards en metrics. Social CRM
helpt om de klanten centraal te stellen in bedrijven. De klant hoeft niet meer gedwongen te worden om het
voorkeurskanaal van bedrijven te gebruiken. Op deze manier vormen zich geen problemen meer met het
volgen van zaken als er gewisseld wordt van kanaal. Bedrijven kunnen de klant nu benaderen en helpen op
de door hen gewenste manier, zonder dat ze daarbij de mogelijkheid verliezen om de communicatie
wereldwijd te volgen en sturen. Bedrijven kunnen het grote geheel zien en het bereik van hun merk. Ze
kunnen echter ook de details in beeld brengen van het contact met de klant. Klantenservice, marketing en
verkoop profiteren allemaal van een dynamischer en vollediger beeld van individuele klanten. Ze kunnen
bovendien de sociale tools gebruiken om met elkaar te communiceren. Het tevreden stellen van klanten
25
wordt steeds goedkoper. Klanten zien een organisatie die luistert naar hun wensen en die op passende wijze
antwoord geeft, via meerdere kanalen (Salesforce, 2017).
Het ontstaan van sociale media zorgde in 2007 voor een transformatie van de traditionele CRM naar CRM
2.0, beter gekend als social CRM (SCRM). Initieel focuste de strategie zich enkel op transacties met klanten,
maar deze evolueerde naar een strategie die zowel transacties als interacties met klanten incorporeert. Deze
transformatie vloeide uit een revolutie waarin sociale communicatie centraal stond. Dit bracht grote
veranderingen in hoe jongere generaties met elkaar communiceren. Sociale netwerken zijn één van de
belangrijkste onderdelen van deze transformatie. Door het gebruik van deze netwerken en andere digitale
technologieën kon er globaal en in real-time met elkaar gecommuniceerd worden. Ook de middelen om
kennis te delen met elkaar werden zo goed als gratis of werden ondersteund door goedkope tools die het
uploaden van informatie makkelijker maakten. Door deze transformatie was het niet meer vanzelfsprekend
om de aankoophistorie en kooppatronen van klanten vast te leggen. Om te voldoen aan de vereiste kennis
die nodig is om een antwoord te bieden op de vraag van de klanten, is het niet langer voldoende om enkel
de traditionele data te onderzoeken (Greenberg, 2010).
De vernieuwing van CRM 2.0 impliceert het bestaan van een fundamenteel verschillend klantenparadigma,
maar erkent tegelijk de nood om bestaande operationele en transactie gebaseerde mogelijkheden van CRM
voort te zetten. Het voegt vooral sociale features, functies, processen en karakteristieken toe die de interactie
tussen klant en leverancier aanhaalt (Greenberg, 2010).
Definitie van CRM 2.0 volgens Greenberg (2010):
“CRM 2.0 is a philosophy and a business strategy, supported by a system and a technology,
designed to engage the customer in a collaborative interaction that provides mutually beneficial value
in a trusted and transparent business environment.”
Onderstaande tabel stelt de verschillen tussen de traditionele vorm van customer relationship management
en social customer relationship management voor.
Tabel 2. Verschillen tussen traditionele CRM en Social CRM (Paul & Nilsson, 2011)
Parameters Traditionele CRM Social CRM
Rol Klantenservice Iedere actor op de markt is geconnecteerd
Kanaal Duidelijk gedefinieerd Dynamisch en evolutief karakter
26
Waarde Periode gebonden connectie met klant
Duurzaam klantenengagement
Model Eenvoudige transacties Complexe relaties
Volgens Paul en Nilsson (2011) kunnen organisaties en klanten, door het gebruik van social CRM, veel
voordelen verkrijgen. Enkele voordelen zijn:
• Een organisatie kan zich focussen op een gemeenschap om zo een langdurige relatie met hen te
verkrijgen;
• Klanten zijn de auteurs (eigenaars) van de inhoud die ze delen op social network sites en houden
de controle over deze inhoud;
• Communicatie is niet enkel van het type business-to-customer, maar ook van het type customer-to-
customer en customer-to-prospectus;
• Klanten kunnen zowel direct of indirect samenwerken met een onderneming om producten of
services te ontwikkelen of te verbeteren;
• Het dialoog tussen bedrijf en klant is minder formeel en echter, het karakter van de conversatie kan
veranderen naargelang welke klant tegen welk merk praat.
Het idee van social CRM refereert naar de mogelijkheid van bedrijven om tegemoet te komen aan de
individuele vereisten van klanten en tegelijk aan de doelstellingen die vooropgesteld zijn in het businessplan.
De taak van social CRM is voornamelijk om klanten te betrekken in de activiteiten van de organisatie en niet
om klanten te managen. Specifieke verschillen tussen de traditionele CRM aanpak en de social CRM aanpak
worden voorgesteld in onderstaande tabel:
Tabel 3. Verschillen tussen traditionele CRM en Social CRM aanpak (Deloitte, 2011)
Criteria Traditionele CRM aanpak Social CRM aanpak
Content ● Focus op individuele relaties ● Berichten zijn de meest
waardevolle generatoren
● Focus op collaboratieve relaties
● Conversaties zijn de meest waardevolle generatoren
Kanalen Enkelvoudige customer view, gebaseerd op de geschiedenis van operationele acties, opgeslagen in het interne informatie systeem
De enkelvoudige customer view is moeilijker te bereiken, aangezien het de noodzaak bevat om de informatie die in interne systemen zit te vullen met profielinformatie en gedrag in sociale netwerken
Processen Customer service processen worden ontwikkeld vanuit het standpunt van de onderneming
Customer service processen worden ontwikkeld vanuit het standpunt van de klant
27
Organisatie Innovatie komt vanuit één gespecialiseerde bron binnen de organisatie (bv. een innovatie team).
Innovatie komt vanuit werknemers die dicht bij de eindconsument staan en door gebruik te maken van Web 2.0 tools staan klanten centraal in de innovation cycle
Technologie CRM oplossingen zijn gefocust op het automatiseren en ondersteunen van interne business processen
Vastleggen van network information om de klant in zijn/haar sociale omgeving te leren kennen
Communicatie imago en merk reputatie
● Massale face-to-face communicatie met klanten afhankelijk van de bedrijfsbehoeften
● Imago en reputatie analyse uit een traditioneel marktonderzoek
● Communicatie ontworpen op basis van de analyse van gestructureerde informatie gebaseerd op sociale eigenschappen van klanten
● Imago en reputatie analyse van metrieken dat het aantal volgers optelt, het soort commentaar en de impressies van invloeden op een netwerk
Bedrijven erkennen de voordelen dat social CRM te bieden heeft en hebben de afgelopen jaren een
aanzienlijk bedrag geïnvesteerd in sociale CRM technieken (Greenberg, 2010). Trainor et al. (2014) menen
dat ondanks de huidige hype rond sociale media applicaties, de efficiëntie van social CRM systemen amper
onderzocht is. Verschillende vragen blijven onbeantwoord, zoals:
1) Kan social CRM de klantenretentie verhogen?
2) Hoe draagt social CRM bij tot het resultaat van een onderneming?
3) Welke rol spelen CRM processen en technologieën?
Onderzoekers hebben al aangetoond dat het gebruik van een CRM systeem op zich geen financiële
voordelen oplevert voor een onderneming. Deze technologieën zijn pas effectief als ze met andere tools
worden gecombineerd (Chang, Park & Chaiy, 2010). Consumenten maakten de vaststelling dat sociale
media applicaties snel en efficiënt zijn om te connecteren met andere consumenten. Zij verwachten nu dat
bedrijven op hetzelfde niveau interactie hebben met hen (Berthon et al., 2012). Deze verschuiving daagt
bedrijven uit om meer interactie met hun klanten te hebben door nieuwe technologieën te ontwikkelen
(Andzulis et al., 2012). Deze verschijning van een ‘sociale klant’ daagt ook heel wat onderzoekers uit om het
managen van klantenrelaties te herbekijken (Greenberg, 2010). Volgens Baird en Parasnis (2010) is het
begrijpen van de klantenwaarde binnen de unieke omgeving van een sociaal platform een eerste kritische
stap om een sociale CRM strategie uit te bouwen. Wat trekt een klant aan om een bedrijf of merk te zoeken
via sociale media? Wat maakt een klant onwillig om interactie te hebben? Beïnvloedt maatschappelijke
verantwoordelijkheid de gevoelens en loyaliteit van klanten ten opzichte van een bedrijf?
28
2.3.2SCRMalsbedrijfsstrategie
Ondernemers vandaag hebben heel wat uitdagingen met betrekking tot hun klanten. Nooit eerder was het
voor bedrijven mogelijk om zo dicht bij hun klanten te staan. Een combinatie van customer relationship
management en sociale media kunnen bedrijven financiële voordelen opleveren. Naast deze voordelen
zullen bedrijven ook meer inzicht in hun klanten verkrijgen, wat van fundamenteel belang is om hun prestaties
te verhogen. Deze financiële voordelen zijn doorheen de volledige customer life cycle merkbaar. Hiernaast
kan Social Customer Relationship Management verschillende inzichten opleveren, wat bedrijven zal helpen
om te innoveren in hun aanpak naar klanten toe. Ten slotte zal deze opgeleverde kennis van het gedrag en
attitudes van klanten helpen om voordelen doorheen de volledige waardeketen te verkrijgen. SCRM gaat
vooral over mensen, relaties en vraagt een klantenfocus zoals nooit tevoren. Deze gedachte moet centraal
staan om een succesvolle uitkomst te kunnen hebben (Woodcock, Green & Starkey, 2011).
Desondanks krijgen pioniers in grote ondernemingen te maken met enkele drempels. Deze drempels zorgen
ervoor dat heel wat ondernemingen vandaag het sociale aspect nog niet incorporeren in hun CRM systeem.
Vaak bekijken ze dit sociale aspect als een onderdeel apart zonder de twee naast elkaar te leggen (Jezzup,
2017):
• Organisaties zijn niet altijd klaar om deze nieuwe uitdaging te implementeren;
• Deze nieuwe trend wordt in sommige gevallen over-hyped waardoor ondernemingen te veel
verwachten van social CRM;
• Het implementeren van deze nieuwe tool faalt soms door een slechte aanpak van de project
manager.
Vandaag hebben consumenten veel sneller vertrouwen in hun vrienden en collega’s dan in bedrijven.
Diezelfde consumenten communiceren nu ook op een volledig nieuwe manier en via meerdere sociale
kanalen. ‘Social media’ betekent conversaties voeren zoals dit bijvoorbeeld gebeurt wanneer mensen op
café zijn. Deze gesprekken kunnen alle vormen aannemen (kort, lang, serieus, grappig, …). Verschillende
individuen delen opinies, ervaringen, foto’s, video’s met hun persoonlijke netwerk. Deze informatie stroomt
al snel door naar grotere netwerken waar verschillende mensen met verschillende nationaliteiten bereikt
worden (Woodcock et al., 2011).
Klantenervaringen zijn ook een groot deel van deze conversaties. Ervaringen met merken of diensten worden
open en eerlijk besproken zonder dat een onderneming betrokken hoeft te zijn. Op deze manier verkrijgen
klanten steeds meer macht ten opzichte van ondernemingen. Zowel meningen van verschillende individuen
als het imago van merken worden op die manier beïnvloedt. Ook de communicatie van bedrijven met hun
klanten wordt steeds meer dynamisch. Vooraleer ze communiceren met hun klanten moeten ze luisteren
naar wat ze te zeggen hebben. Hierop moeten ze gepast reageren door enkel relevante informatie en
ervaringen te delen met hun klanten. Pas dan is het mogelijk voor ondernemingen om een vertrouwensband
29
op te bouwen met hun klanten. Bedrijven moeten sociale media gebruiken om te luisteren naar wat hun
klanten echt willen en deze die echt begrijpen hoe hun klanten zich zowel off- als online gedragen kunnen
hieruit voordelen ondervinden (Woodcock et al., 2011).
Volgens Nielsen Online gebruiken 73% van de internetgebruikers sociale media op zijn minst één keer per
week. Ook beweren ze dat 90% van deze gebruikers sociale media enkel gebruiken om gedeelde informatie
te bekijken, terwijl 9% van de gebruikers inhoud bewerkt en slechts 1% van de gebruikers nieuwe inhoud
creëren. Als de inhoud van een bericht de consument aanspreekt, kan hij/zij beslissen om niets te doen, kan
hij/zij het product direct aankopen of kan op een bepaalde manier interactie voeren met het bedrijf. Deze
interactie kan via een comment zijn op Facebook, wat niet noodzakelijk betekent dat de consument hierop
een antwoord zal krijgen. Maar het kan ook leiden tot een één-op-één reactie met de organisatie en dit is
mogelijk via meerdere kanalen. De traditionele vorm van adverteren gecombineerd met sociale media
content zal interacties met de consumenten uitlokken. Pioniers noemen deze combinatie van sociale media
en CRM, SCRM.
Sociale media geeft marketeers de opportuniteit om op een persoonlijke manier met duizenden klanten over
heel de wereld te communiceren. Deze één-op-één communicatie zorgt ervoor dat de marketeer en de klant
elkaar goed genoeg leren kennen om elkaar te vertrouwen. Bedrijven kunnen snel het vertrouwen van
klanten winnen maar het kan even snel weer afgebroken worden. Als een organisatie ervoor kiest om een
strategie op te bouwen op basis van vertrouwen, moeten ze bij deze strategie blijven. Hoewel SCRM als een
bedrijfsstrategie beschouwd kan worden, moet deze tool door IT-systemen ondersteund worden. Traditionele
CRM leveranciers, zoals Salesforce en SAP, zijn al gestart met data van Facebook, Twitter en andere sociale
netwerken te integreren. Dell en Comcast, allebei leiders in social marketing & support, hebben al data van
Twitter geïntegreerd. Op deze manier kunnen managers actief nagaan wat over hun merk gezegd wordt in
Tweets. Ook kunnen ze hun klanten beter leren begrijpen, nieuwe opportuniteiten ontdekken, sneller kunnen
reageren op de behoeften van klanten en zelfs anticiperen door te luisteren naar de conversaties die klanten
online voeren. SCRM zal de bestaande CRM inspanningen niet vervangen, het voegt enkel meer waarde
toe aan de bestaande traditionele systemen. SCRM wordt beschouwd als de ideale tool om klanten aan te
trekken en klanten te identificeren die key influencers zijn. Deze klanten worden ook wel eens aanzien als
klanten met een hoge waarde voor een onderneming.
2.3.3HetSCRMprestatiemeetmodel
Aangezien social CRM gedefinieerd wordt als een bedrijfsstrategie, heeft de implementatie ervan een
holistische transformatie inspanning onder alle organisatorische onderdelen nodig. Vooral de implementatie
van social CRM heeft de mogelijkheid om een wederzijds voordelige waarde voor een bedrijf en zijn klanten
te bieden (Faase et al., 2011). Tegenwoordig transformeren bedrijven hun activiteiten door nieuwe
strategieën toe te passen, organisatorische veranderingen in de hand te nemen en nieuwe social CRM
technologieën te kopen om op die manier zakelijke voordelen te bereiken ten opzichte van hun concurrentie
30
(Trainor et al., 2014). Ondanks de zakelijke voordelen die verbonden zijn aan social CRM systemen, bestaan
er momenteel weinig meetinstrumenten om de prestaties van deze tool te meten en te beoordelen. Daardoor
vormt de meting van Social CRM prestaties zowel een wetenschappelijke als een praktische uitdaging
(Duncan et al., 2013). Om deze uitdaging aan te gaan, wordt het proces om een prestatiemetingsmodel op
te stellen van Nelly et al. (1995) voorgesteld en als volgt toegepast: ten eerste is er de identificatie van de
prestatiefactoren en ten tweede de indeling van die factoren in een prestatiemetingsmodel (Neely et al.,
1995).
Een literatuuronderzoek uitgevoerd door Küpper et al. (2013) toont aan hoe ver de huidige kennis staat in
verband met social CRM meetmodellen en onthult daarnaast het gebrek aan duidelijke omschreven
dimensies en factoren alsook bijhorende maatregelen zoals bijvoorbeeld Key Performance Indicators (KPI’s).
De bijbehorende onderzoeksvraag van Küpper is als volgt:
Wat zijn de juiste prestatiefactoren voor een voorlopig Social CRM meetmodel?
Prestatiefactoren beschrijven bedrijfsactiviteiten met betrekking tot de effectiviteit of de resultaten die men
wenst te halen door het uitvoeren van dergelijke bedrijfsactiviteiten. Het is mogelijk dat het uitgedrukt wordt
in termen van de daadwerkelijke efficiëntie, maar ook in de vorm van de effectiviteit van een actie. Daarnaast
kan het ook in termen van het eindresultaat van die actie (Neely et al., 1995). Vandaar kan er geconcludeerd
worden dat de prestatiefactoren de vraag beantwoorden: ‘Wat wordt er gemeten?’
Het voorlopige prestatiemetingsmodel bestaat uit verschillende prestatiedimensies. Elke prestatiedimensie
bevat meerdere prestatiefactoren. In het kader van CRM maakt het voorlopige prestatiemetingsmodel “het
mogelijk” voor managers om te anticiperen op hoe CRM zal werken. Daarnaast maakt het voorlopige
prestatiemetingsmodel het ook mogelijk om de manier te bepalen waarop CRM invloed zal uitoefenen op het
behalen van bepaalde bedrijfsdoelstellingen (Llamas-Alonso et al., 2009).
Samenvattend, de categorisatie van prestatiefactoren en de opbouw van een voorlopig
prestatiemetingsmodel beantwoordt de volgende vraag: Welke dimensies worden gemeten om de
doelstellingen van de organisatie te bereiken en te beoordelen? Prestatiemeting beschrijft een
kwantificatieproces om de categorieën voor het voorlopige prestatiemetingsmodel te bepalen.
"Prestatiemeting kan worden gedefinieerd als het proces om de efficiëntie en effectiviteit van de actie te
kwantificeren." (Neely et al., 1995). Daarom beantwoordt de prestatiemeting de volgende vraag: ‘hoe wordt
het gemeten?’.
Het onderzoek van Küpper et al. (2015) had als doel het identificeren van Social CRM prestatiefactoren om
een SCRM meetmodel op organisatorisch niveau te ontwikkelen. Uit de analyse van de semigestructureerde
31
interviews kwamen 24 Social CRM prestatiefactoren voort. Deze 24 SCRM prestatiefactoren worden
vergeleken met eerdere bevindingen.
In de praktijk is een prestatiemeetmodel zoals dat van Küpper et al. (2015) een handige tool die de
beoordeling van social CRM activiteiten vergemakkelijkt. Het model heeft vier belangrijke praktische
functionaliteiten. Ten eerste dient het model gebruikt te worden als een controlesysteem voor SCRM
activiteiten. Dit maakt het mogelijk om bijvoorbeeld te controleren of een sociale campagne welke goed
uitgepakt heeft of ze eerder ineffectief was. Ten tweede kan het model gebruikt worden bij de rechtvaardiging
van huidige en toekomstige social CRM engagementen in een bedrijf. Een voorbeeld hiervan is het uitgeven
van geld voor nieuwe investering. Daarnaast kan het model gebruikt worden als benchmarksysteem om
bepaalde social CRM inspanningen met concurrenten te vergelijken. Tenslotte moeten bedrijven duidelijk
gedefinieerde doelstellingen bereiken, bijvoorbeeld 115 procent meer klantinteractie op sociale media.
Daarom helpt een social CRM prestatiemeetmodel organisatorische doelstellingen te bereiken en te volgen
doorheen de tijd (Sarner & Sussin, 2012 & Sarner et al., 2011).
Tabel 4. Het social CRM prestatiemeetmodel (Küpper et al., 2015, p. 898)
Construct Perfomance Measures Examples of metric
Infr
astr
uctu
re
Perf
orm
ance
Social Media Monitoring # of Social CRM supporting tools (customer opinions, trend
and sentiment analysis etc.)
Online Brand Communities Quality of engagement level within the online brand
community (# of super user etc.)
Cultural Readiness Skills assessment (Social Media proficiency), # of
employees trained in Web 2.0 principles
IT-Infrastructure % of IT sufficiency, information-level ratio
Proc
ess
Perf
orm
ance
Customer Insights # of social customer information per customer, social
customer knowledge creation
Customer Orientation # of customer oriented activities (e.g., customers
campaigns)
Customer Interaction # of solved problems per announced problem, time-to-
solution ratio, time-to-response ratio
Market & Customer
Segmantation
# of new identified customer ‘s and market’s segments
through social media
Customer Co-Creation # of received product or service ideas, # of ideas to gain the
efficiency of the co-creation process
Sensitivity # of posts with data policy compliance
Target-Oriented Customer
Events
# of events triggered by social media data, positives posts
per event/all posts about the event
32
Multi-Channel & Ubiquit. Int. Distribution of interaction across social media, interaction
through social media/call interaction
Social Selling # of sales activities triggered by campaigns
Cus
tom
er
Perf
orm
ance
Customer-Based Rel.
Performance
Score on customers satisfaction (survey), # of posts,
comments with a positive sentiment
Customer Loyalty Net promoter score (NPS), word-of-mouth equity, Score of
loyalty (survey)
Peer-to-Peer-
Communication
Quantity/frequency of posts, amount of UGC, impressions-
to-interactions ratio
Customer Convenience # of social media platforms to interact with the company,
score of convenience ratio (survey)
Customer Competence # of activities triggered by customers, # of opinion leader on
social media
Personal. Product and
Services
Personalized product quality, level of individual service
quality
Org
aniz
atio
nal
Perf
orm
ance
Customer Lifetime Value Customer social media value, connected customer lifetime
value
Financial Benefits Revenue of sold products or services via social media
(tracked by first contact via social media)
Brand Awareness Likes on social media, brand perceptions
Business Optimization # of successful process changes, successful implemented
Social CRM strategy, governance
Competitive Advantage Score of benchmark system (survey)
New Product Performance # of innovative products, successful realized product
releases or service ideas
2.3.4SCRMtools
Er wordt verwacht dat de exploitatie van klanteninformatie positief zal bijdragen tot de prestaties van
ondernemingen (Trainor, 2012). Een rendabele optie voor bedrijven om klanten te bereiken met gedeelde
content op sociale media platformen, is door een social CRM tool te implementeren (Küpper, 2014). Hoewel
onderzoek en praktijk uitgewezen hebben dat een succesvolle implementatie van social CRM tools vaak op
problemen botst. De reden hiervoor is de gebrekkige definiëring en structurering van de functionaliteiten die
deze tools nodig hebben (Küpper, 2014). Binnen de context van het artikel van Küpper wordt de sociale CRM
technologie structuur geïntroduceerd in termen van verschillende categorieën. Elke categorie (bijvoorbeeld
communicatie) omvat een aantal kenmerken (bijvoorbeeld communicatie met een enkele consument). Het
gebruik van de verschillende categorieën voor sociale CRM technologie vormt een meetbaar construct om
33
het gebruik van social CRM technologie vanuit een organisatorisch perspectief te beoordelen. Bovendien
hebben bedrijven, die streven naar een constante verbetering van hun sociale CRM initiatieven, te maken
met een uitdaging om het gebruik van social CRM technologie constructies te identificeren en te meten.
Daarom kunnen de geïdentificeerde functionaliteiten een gestructureerde beoordeling van de bijbehorende
categorieën mogelijk maken (Sarner & Sussin, 2012).
Küpper et al. (2014) onderzochten op basis van 26 artikelen en een marktstudie van 40 beschikbare SCRM
tools een antwoord op de vraag: ‘Wat zijn de functionaliteiten en de corresponderende categorieën van
SCRM tools?’. Hun onderzoek benadrukt drie belangrijke bijdragen. Ten eerste onderscheiden de auteurs 6
categorieën waarbinnen de gevonden social CRM tool functionaliteiten zich situeren: monitoring en
vastlegging, analyse, exploitatie, integratie met het informatiesysteem, communicatie, en management.
Daarnaast werd op basis van literatuur en marktonderzoek achttien noodzakelijke social CRM
functionaliteiten vooropgesteld. Deze functionaliteiten kunnen volgens Küpper et al. (2014) beschouwd
worden als de minimumvereisten waaraan een social CRM tool dient te voldoen om een vlotte implementatie
en werking binnen de onderneming mogelijk te maken. Tot derde garanderen de validatie en
classificatiemethodologieën die door een panel van doctoraatstudenten en praktijkbeoefenaars werden
gebruikt om de functionaliteiten te identificeren en te categoriseren in zes categorieën de hoge externe
validiteit van hun onderzoek (Küpper, Lehmkuhl, et al., 2014). Hierdoor kan er worden gesteld dat de achttien
vooropgestelde functionaliteiten en hun corresponderende categorieën niet enkel relevant zijn voor de
beschouwde social CRM tools in het kader van hun studie, maar kunnen worden gegeneraliseerd naar de
volledige populatie social CRM tools.
Tabel 5. Definiëring en classificatie van Social CRM technologieën (Küpper et al., 2014, p.8)
Categorieën SCRM technologie
Definitie Functionaliteiten van de SCRM technologie per categorie
Monitoring en
vastlegging
Beschrijft de real time data observatie
op sociale media en het vastleggen
hiervan.
Real time data monitoring
Vastleggen van de geaggregeerde
data
Vastleggen van de individuele data
Analyse Beschrijft de beoordeling, segmentatie,
en analyse van de vastgelegde sociale
media data.
Inhoudsanalyse (real time)
Analyse van geaggregeerde data
Analyse van individuele data
Exploitatie Beschrijft de verschillende activiteiten
die worden uitgevoerd o.b.v. sociale
Het opmaken van voorspellende
tabellen
34
media data, vooral na de analyse
ervan.
Het in kaart brengen van connecties
tussen consumenten
Verkoopactiviteiten
Rapportering
Informatiesysteem
integratie
Beschrijft de overdracht en integratie
van de SCRM functionaliteiten met
andere informatiesystemen binnen de
onderneming.
CRM interface
Informatiesysteem interface
Communicatie Beschrijft de verschillende types van
externe (B2C) en interne
communicatie.
Communicatie met een individuele
klant
Communicatie met een groep
klanten
Communicatie met werknemers
Beheer
Beschrijft de ondersteuning en/of
coördinatie van de
managementfuncties van een
onderneming.
Gemeenschapsbeheer
Beheer van de gebruiksmachtigingen
Beheer van de betrokkenheid
2.3.5SCRMindepraktijk
Hoe werkt social CRM in de echte wereld? De volgende drie case studies illustreren zowel de voordelen van
een relatie met sociale klanten als de potentiële kosten wanneer de kracht van deze klanten onderschat
wordt (Acker, Gröne, Akkad, Pötscher and Yazbek, 2011).
Dell
Dankzij tools om prijzen te vergelijken en sociale netwerken, hebben klanten de bovenhand gekregen in e-
commerce. Bedrijven vinden het steeds moeilijker om zichzelf te onderscheiden van concurrenten en om
bezoekers op hun website tot kopen aan te zetten. In de hoop om potentiële kopers aan te trekken, maakt
computergigant Dell gebruik van Twitter als nieuw kanaal om speciale promoties aan te kondigen aan hun
volgers. In samenwerking met Intel, heeft Dell een marketingprogramma opgericht, genaamd ‘Dell Swarm’.
Dit concept past het ‘letsbuyit.com’ concept toe om online promoties voor een logische koopgroep door te
voeren: hoe meer mensen zich aansluiten tot een ‘swarm’ via een uitnodiging van een sociaal netwerk, hoe
lager de prijs voor de gehele ‘swarm’.
35
Terwijl het initiële programma op kleine schaal werd uitgevoerd, waren de resultaten impressionant. Dell
verkocht hun volledige voorraad als gevolg van de campagne en had een omzet van meer dan 6,5 miljoen
dollar. Meer dan 200 blogs en 500 tweets juichten het programma toe, wat het imago van Dell een sterke
boost gaf. Hier wordt duidelijk aangetoond dat het verkopen via sociale kanalen omzet kan genereren.
Hoewel bedrijven die gebruik maken van sociale verkoopkanalen, nog steeds de traditionele verkoopkanalen
moeten integreren om een naadloze transactie te garanderen van tweet tot de online checkout.
SeaWorld
Steeds meer mensen halen hun nieuws van het internet in plaats van uit kranten of radio, enkel de televisie
wordt vaker geraadpleegd . Driekwart van de consumenten die hun nieuws online halen, zeggen dat ze ofwel
het nieuws ontvangen via e-mail ofwel door berichten op sociale netwerksites. Meer dan de helft van deze
mensen zeggen dat ze dit nieuws vervolgens delen via dezelfde kanalen. De daaruit voortvloeiende snelheid
waarmee nieuws en publiciteit zich kan verspreiden, vooral negatief nieuws, is verbluffend. Hierdoor kunnen
public relations crisissen binnen enkele uren en zelfs minuten zich ontwikkelen. Alleen door even snel te
reageren, kunnen bedrijven weerstand bieden tegen deze negatieve berichten.
In februari 2010 werd een professionele trainer in SeaWorld gedood door een orka voor de ogen van het
publiek. De negatieve publiciteit kon dramatische gevolgen hebben voor het park, maar SeaWorld reageerde
snel. Ze stuurden onmiddellijk een Tweet over het incident en erkenden de dood van de trainer op hun
Facebookpagina. Enkele uren later stuurde de CEO van SeaWorld de plannen om het incident te
onderzoeken op de blog van het bedrijf en liet de blog openstaan voor commentaar. De volgende dag
schorste SeaWorld het valse Twitter account van Shamu, een andere orka van het park en de gebruikers
werden geleid naar het hoofd Twitter account van het park. Tegelijk werden emotionele video’s gepost op
YouTube om de trainer te herdenken. Een toenemend aantal commentaren op Facebook die pleiten voor de
sluiting van het park en de vrijlating van de orka’s werd tegengegaan door duizenden berichten van
SeaWorld’s Facebookfans. Vandaag kan SeaWorld door hun snel en meelevend antwoord nog steeds hun
activiteiten uitvoeren.
Managen van dergelijke incidenten hangt sterk af van het strategisch raamwerk om op potentiële online
crisissen te reageren. Dit raamwerk vraagt enerzijds een systematische inspanning om processen en tools
te ontwikkelen en anderzijds de nodige mensen die sociale netwerken op een regelmatige basis monitoren.
Tot slot het gebruik van sociale media om crisissituaties te managen, mag niet het enkel een middel zijn om
potentiële gevaren te meten, maar ook om een langdurige relatie op te bouwen met hun klanten.
Best Buy
Complexe producten zoals computers en elektronica vragen meer klantenondersteuning dan andere
producten, deze ondersteuning gebeurt meestal via een call center van het bedrijf. Tegelijk gebruiken meer
36
en meer klanten het internet als een ondersteunend kanaal om online een oplossing te zoeken voor hun
problemen. Best Buy heeft een online community forum opgericht waar klanten hun vragen kunnen posten
en andere klanten een antwoord kunnen geven op deze vragen. Niet beantwoorde vragen door klanten
worden door één van de 114.000 werknemers van Best Buy beantwoord. Het bedrijf creëert ook FAQ
pagina’s voor de lancering van belangrijke nieuwe producten, zoals de iPhone, zodat klanten antwoorden
vooraf kunnen krijgen.
In 2009 had Best Buy’s online community zo’n 2,5 miljoen bezoekers, die meer dan 80 miljoen berichten
bekeken en die zo’n 80.000 keer een bericht posten. Slechts 5 procent van de klanten hun vragen werd
beantwoord door de werknemers van Best Buy, de overige vragen werden telkens beantwoord door de
community. Het gevolg hiervan was dat de klachten tegen Best Buy met zo’n 20 procent afnamen. Zo werd
de iPhone FAQ pagina 84.000 keer bekeken. Alles samen schat Best Buy dat hun sociale media activiteiten
zo’n 5 miljoen dollar hebben bespaard. Er is geen reden dat zelfhulp communities niet even succesvol
kunnen worden in andere industrieën. Ieder bedrijf die het aantal telefoontjes naar hun call center kan
verlagen, kan een kost per contact uitsparen van 75 cent of meer. Zo kunnen bedrijven zich meer focussen
op complexe problemen en de verkoop van hun goederen of diensten.
Bovenstaande case studies demonstreren een algemene waarheid over iedere social CRM inspanning. Deze
case studies zijn geen primaire technologische problemen die een technologische oplossing vereisten. In
plaats daarvan moeten alle social CRM activiteiten gestuurd worden vanuit de bedrijfscultuur om een
geloofwaardig en effectief resultaat te verkrijgen.
Acker et al. (2011) raden bedrijven aan om de ‘MASTER’ aanpak toe te passen om de nodige mogelijkheden
voor een succesvolle social CRM implementatie te verkrijgen.
• Monitor: Luister naar wat het sociale web te zeggen heeft. Verzamel systematisch inzichten, data en
ervaringen om zo de doelgroep en zijn dynamiek beter te begrijpen. Dit wordt best gedaan door deel
te nemen op sociale websites zoals iedere klant dit zou doen. Hiernaast is het ook belangrijk om de
concurrenten in het oog te houden.
• Asses & analyse: Overweeg voorzichtig de resultaten van de ‘Monitor’ fase en map deze gebieden
van zowel de opportuniteiten als de bedreigingen van het sociale web, deze kunnen in plaats hiervan
geadresseerd worden door een social CRM systeem.
• Strategize & structure: Ontwikkel een duidelijk en bruikbaar social CRM waardepropositie en
structureer zowel het antwoord van de onderneming, het kanaal (sociale netwerken, blogs, apps, …)
als de tools, werkwijzen en go-to-market roadmap nodig voor een effectief social CRM
implementatie.
37
• Test: Begin met het testen van uw strategie op een kleine en controleerbare schaal om zo te bepalen
of de vooropgestelde assumpties en tools wel degelijk werken. Hiernaast moet een onderneming
ook de ROI voor een social CRM implementatie berekenen.
• Embed: Eens een onderneming een set van succesvolle activiteiten heeft gekozen, moeten ze dit in
de praktijk uitvoeren. Dit doen ze door hun respectieve processen te definiëren, het installeren van
de nodige sociale campagne systemen en het bepalen van de vereiste rollen,
verantwoordelijkheden, employee incentives en de doelgroep van de onderneming.
• Review: Herwaarderen van de ‘embedded’ activiteiten om de activiteiten te verbeteren, uit te
bereiden of op te schorten indien nodig. Het is ook belangrijk om voor ogen te houden dat het sociale
web een dynamische omgeving is waar veranderingen nodig zijn om continu mee te evolueren.
Dit raamwerk voorziet de algemene richtlijnen om een succesvol social CRM systeem op te bouwen. Voor iedere stap van het raamwerk moeten specifieke capaciteiten verworven worden en dit in drie gebieden. Figuur 5 geeft een overzicht van die specifieke vereisten voor de capaciteit, zowel in de initiële fase van de social CRM inspanning als in zijn volwassen fase.
Figuur 10. Embedding social CRM into business functions, the organization as a whole, and technology
(Booz & Company analysis, 2009)
38
3.ChurnPredictionDe laatste jaren zijn grote hoeveelheden gegevens van netwerkprocessen en informatiestromen tussen
onderling verbonden entiteiten beschikbaar geworden, zoals telefoongesprekken en sms-berichten
gekoppeld aan telefoonrekeningen. Deze gigantische genetwerkte datalogs verbergen potentieel informatie
die van groot belang kan zijn voor bedrijven en organisaties. Hierdoor opent dit nieuwe perspectieven voor
innovatieve bedrijfsapplicaties. Genetwerkte data presenteert data voor zowel complicaties als
opportuniteiten voor predictive data mining (Verbeke, Martens & Baesens, 2014).
3.1ChurnPredictionalsonderdeelvanCRM
Vandaag werken veel bedrijven in een omgeving waar ze te maken krijgen met intensieve concurrentie, een
kortere productlevenscyclus en een vermindering van de customer brand loyalty (Cooil, Keiningham, Aksoy,
& Hsu, 2007). Toch blijven bedrijven rekenen op winsten die afkomstig zijn van hun klanten, vandaar dat
klanten gezien worden als één van de belangrijkste onderdelen van een onderneming (Hung & Tsai, 2008).
In een poging om de relaties met bestaande klanten beter te maken, investeren veel bedrijven in concepten
zoals Customer Relationship Management (Reinartz & Kumar, 2002; Winer, 2001) en meer specifiek in
database marketing (Blattberg, Kim, & Neslin, 2008). CRM concentreert zich vooral op gevestigde klanten in
ondernemingen, aangezien deze de meest vruchtbare bron van informatie en besluitvorming zijn. Dergelijke
informatie rond de gedragingen van klanten kan gebruikt worden om de potentiële waarde van klanten in te
schatten (Hung & Tsai, 2008). Maar ook om het risico te evalueren dat men stopt met het betalen van hun
rekeningen en om te anticiperen op de vereisten van de klanten (Berry & Linoff, 2003). Terwijl beide
concepten mikken op een verbetering van de relatie tussen een bedrijf en zijn klanten, benadrukt database
marketing formeel het belang van customer data, zoals demografische en psychografische informatie,
aankoophistorie en survey responses, om effectief gerichte marketingacties te garanderen (Blattberg et al.,
2008).
Een belangrijke discipline binnen het domein van database marketing is customer retention management, of
het vermijden dat een klant de relatie met een bedrijf zal beëindigen en zal overlopen naar de concurrentie.
Meerdere auteurs melden dat er een grote link bestaat tussen customer retention en de winstgevendheid
van een bedrijf (Gupta, Lehmann, & Stuart, 2004; Larivière & Van den Poel, 2005). Meer nog, het is algemeen
aanvaard dat langdurige relaties met bestaande klanten een hogere ROI genereren dan het aantrekken van
bedreigingen en risicovolle klanten voor proactieve en onmiddellijke aandacht;
• Eenvoudig delen van een analytisch inzicht: Alle afdelingen profiteren van toegang tot gegevens
voor retentie- / acquisitiecampagnes, klantenservice-vragen en identificatie van negatieve trends in
de klantenervaring.
8.2.2Optimove
De predictive marketingsoftware van Optimove stelt bedrijven in staat om berichten en aanbiedingen aan te
passen aan individuele klanten persona’s, waardoor zowel een betere kortdurige betrokkenheid als een
grotere langdurige merkloyaliteit wordt bevorderd bij klanten. De predictive marketingmotor van Optimove
past wiskundige en statistische modellen toe op transactie-, gedrags- en demografische data om toekomstig
72
klantgedrag en waarde te voorspellen. Klanten met gelijksoortige uitgedrukte of impliciete kenmerken en
voorkeuren zijn gegroepeerd in dynamische microsegmenten, die de bouwstenen vormen van uw
klantenmarketingcampagnes. Deze oplossing om churn te voorspellen, kan geïntegreerd worden met
bestaande CRM systemen zoals die van Salesforce. Met andere woorden is het mogelijk om zowel de Social
Cloud oplossing van Salesforce als de churn prediction oplossing van Optimove te koppelen aan het CRM
systeem van Salesforce.
8.2.3Zuora
Een subscription business heeft een hele reeks nieuwe niet-GAAP-statistieken nodig, waarmee de
gezondheid en prestaties van een bedrijf kunnen gemeten worden. Metrics zoals MRR, Usage, Churn en
Revenue die traditionele financiële systemen een bedrijf niet kunnen geven. Met Zuora wordt een bedrijf in
de gaten gehouden en de gehele organisatie richt zich op een gemeenschappelijke set aan subscription
metrics. De juiste metrieken hebben, vertellen een bedrijf of ze goed bezig zijn. De onderliggende
gedragingen van abonnees vertellen bedrijven wat ze beter kunnen doen. Zuora combineert zowel financiële,
demografische als behavioral data om een overzicht te creëren van abonnees per account. Zuora kan
geïmplementeerd worden met heel wat andere systemen. De ideale combinatie is die met Salesforce.
Zuora Analytics biedt volgende mogelijkheden aan:
• Monitor Key Financial Metrics: weet hoeveel inkomsten een bedrijf per klantenaccount verdient en
identicifeer de riskante gedragspatronen;
• Trend Key Events: volg de acties en gedragspatronen van uw abonnee over tijd;
• Predict Churn & Renewals: Maak gebruik van machine learning algoritmes om de waarschijnlijkheid
dat een abonnee zal churnen te voorspellen;
• Usage Intensity: Weet welke gebruikers zware gebruikers zijn van uw product of dienst vergeleken
met andere gebruikers;
• Daily Usage Pulse: Weet hoeveel iedere gebruiker gebruik maakt van uw product over tijd
vergeleken met hun eigen gebruiksgeschiedenis;
• Top acties: Weet welke kenmerken iedere gebruiker het meest gebruikt uitgedrukt in een percentage
ter vergelijking met andere kenmerken;
• Ontdekken van nieuwe mogelijkheden: vind de beste upsell en cross-sell kandidaten en kansen om
een hogere adoptie van nieuwe functies te stimuleren;
• Bewaar Churn Risks: Identificeer abonnees die tekenen van churn vertonen en pas de betrokkenheid
met hen aan om een langdurige relatie te creëren;
• Empower het hele bedrijf: Met behulp van intuïtieve segmentering kan iedereen in een bedrijf zich in
staat stellen om vragen te stellen over het bedrijf en deze antwoorden in real-time te verkrijgen.
73
8.2.4Hüify
Huïfy is een onderneming dat SaaS-bedrijven helpt om hun jaarlijkse terugkerende opbrengsten te behalen
door de churn rate van deze bedrijven te verminderen en de omzet te verhogen. Deze aanbieder richt zich
op het aantrekken en converteren van meer leads en helpt bedrijven om leads te sluiten. Hüify wordt
hiernaast ook herkend als de nummer één top-rated HubSpot partner. Hüify biedt hun gebruikers een
‘Inbound Marketing’ oplossing aan. Dit betekent dat potentiële klanten van een bedrijf worden aangetrokken
om hun website te bezoeken. Eénmaal aangekomen op de website worden verschillende tools ingezet om
deze gekwalificeerde bezoekers om te zetten in leads en uiteindelijk in klanten die de producten of diensten
van het bedrijf promoten. Naast het aantrekken van klanten kan deze tool ook voorspellen welke klanten
geneigd zijn om te churnen.
8.2.5SAPPredictiveAnalytics
Met SAP Predictive Analytics kunnen voorspellende resultaten verkregen worden, machine learning
technieken op schaal geleverd worden en kunnen betere voorspellende inzichten gecreërd worden. Churn
analyse met behulp van SAP Predictive Analytics houdt bedrijven in contact met hun klantenbestand. Door
te weten welke klanten het risico hebben op churn geeft dit bedrijven een duidelijker beeld op welke klanten
de aandacht gericht moet worden en welke klanten een hoge waarde voor het bedrijf hebben. Deze oplossing
kan geïntegreerd worden met SAP CRM of oplossingen van derden.
SAP Predictive Analytics biedt volgende mogelijkheden aan:
• Automatiseren van data preparation, voorspellende modellen en de implementatie hiervan;
• Gebruiken van in-database voorspellende scoorsysteem voor een brede verscheidenheid aan
doelstellingen.
• Gebruiken van geavanceerde visualisatiemogelijkheden om snel inzichten te openbaren;
• Integreren met ‘R’ om een groot aantal algoritmes en aangepast R-scripts in te schakelen, waardoor
het mogelijk is om churn prediction toe te passen;
• Gebruik de SAP Predictive Analytics als een alleenstaande oplossing of implementeer dit met één
van de SAP platformen.
8.3Evaluatiecriteria
Om de gevonden social CRM tools uit deelonderzoeksvraag 1 te beoordelen, worden deze tools geëvalueerd
op basis van het raamwerk van Küpper et al. (2014). Gezien deze achttien functionaliteiten de basis vormen
voor de evaluatie van de verschillende SCRM tools, is het noodzakelijk om bij elk kenmerk een definitie te
formuleren.
74
1. Real time data monitoring
Beschrijft de zoektocht naar verschillende soorten content (berichten, comments, …) gepost op social media
(met behulp van complexe zoekwoordcombinaties en/of een aangepast algoritme). Gegevens worden in real
time verwerkt (bijvoorbeeld met in-memory technologieën), zodat er geen gegevensopslag nodig is.
2. Vastleggen van geaggregeerde data
Beschrijft de verzameling van informatie over het bedrijf, producten, klanten, enzovoort vooral op één enkel
social media account. De doorzochte gegevens hebben betrekking op een langere periode (bijvoorbeeld op
alle berichten en opmerkingen op Facebook van de laatste 6 maanden), deze zijn ongestructureerd
en worden opgeslagen in een database.
3. Vastleggen van individuele data
Beschrijft de verzameling informatie over één enkel persoon (en zijn/haar interacties), één enkele
gebeurtenis, een product, enzovoort. Vooral op meerdere social media accounts van meerdere bedrijven.
De doorzochte gegevens verwijzen naar een langere periode (bijvoorbeeld alle posten van gebruikers), is
ongestructureerd en opgeslagen in een database. 4. Inhoudsanalyse (real time)
Informatie moet in real time worden geanalyseerd en met betrekking tot gedeelde inhoud op sociale media
(bijvoorbeeld een alarmsysteem wanneer een klant een probleem ervaart).
5. Analyse van geaggregeerde data
De ongestructureerde, vastgelegde data moeten worden geanalyseerd op basis van verschillende criteria.
De klanten van een onderneming worden gesegmenteerd op basis van hun gebruik van sociale media en
hun interactie met de onderneming met verloop van tijd. Zo is het voor een onderneming mogelijk om trends
te identificeren, nieuwe productinnovaties door te voeren en betrouwbare en winstgevende klanten te
behouden.
6. Analyse van individuele data
De ongestructureerde, vastgelegde data moeten over één enkel artefact geanalyseerd worden. Door het
aannemen en begrijpen van de houdingen en het gedrag van individuen in hun sociale omgeving, is het
mogelijk om een dieper inzicht te krijgen in hun voorkeuren en afkeuren, hun denken, motivaties en voor hun
passies.
7. Opmaken van voorspellende modellen
Voorspellen van de klant zijn toekomstig gedrag en de ontwikkelingen in toekomstige trends. Op basis van
voorspellende modellen kunnen ontwikkelingen voorspelt worden. Gegevens van sociale media geven
bedrijven meer inzicht om op bepaalde ontwikkelingen te reageren, gebaseerd op de resultaten van deze
analyse.
75
8. In kaart brengen van de relatie met consumenten
Maakt een netwerkkaart van klanten en de relaties tussen hen op basis van de resultaten. Dit identificeert
communicatiestromen en interconnecties tussen sociale webgebruikers, gebaseerd op bijvoorbeeld
vergelijkbare interesses.
9. Verkoopactiviteiten
Het gebruik van kennis, gebaseerd op de analyse van de resultaten, ondersteunt de vraag naar producten
of services, verhoogt de verkoop en verbetert cross- en upselling (bijvoorbeeld sociale reclamecampagnes).
10. Rapportering
Het opstellen van samenvattende verklaringen en rapporten over verkoop, gebruikersactiviteiten, hun
loyaliteit, veranderingen in gedrag en voorkeuren op basis van de analyse van de resultaten.
11. CRM Interface
De sociale media gegevens zijn geïntegreerd in een bestaand CRM systeem om de sociale
innovatiecapaciteit van een onderneming te verbeteren.
12. Informatiesysteem Interface
De interface voor het integreren van een social CRM tool in operationele platforms, andere
informatiesystemen, verkoopprocessen, bestaande technologieën en met andere tools in de
projectlevenscyclus.
13. Communicatie met een individuele klant
Het is mogelijk om persoonlijk te communiceren met een consument (één-op-één communicatie). Een bedrijf
kan met de juiste mensen, met het juiste bericht, op het juiste tijdstip via de juiste media communiceren om
de juiste uitkomst te verkrijgen.
14. Communicatie met een groep klanten
Het delen van informatie tussen een firma en haar klanten, evenals het verzenden van aanbiedingen en
reclamecampagnes aan relevante klanten. Het bedrijf kan communiceren met een hele gemeenschap van
klanten.
15. Communicatie met werknemers
Stelt werknemers in staat om interactief met elkaar te communiceren binnen de organisatie. Teamleden en
managers kunnen op informele wijze informatie krijgen over de status van het project.
16. Beheer van de gemeenschappen
Beheert de social media accounts van de onderneming, gemeenschappen en/of forums.
17. Beheer van de gebruikersmachtigingen
Maakt de toewijzing van rechten mogelijk en vergemakkelijkt de toegang tot geactualiseerde en
geïntegreerde klanteninformatie voor relevante werknemers.
76
18. Beheer van de betrokkenheid
De dimensie "Engagement Management" beschrijft het gebruik van verschillende betrokken functies
(bijvoorbeeld gamificatie, ondersteuning van de creatie van Facebook-apps, enzovoort).
In onderstaande tabel worden alle social CRM tools onderworpen aan een evaluatie volgens het raamwerk
van Küpper et al. (2014). Uit deze evaluatie blijkt dat iedere tool zo goed als een evenwaardige evaluatie
krijgt. Enkel bpm’online is een minder uitgebreide oplossing voor social CRM vergeleken met de andere
oplossingen.
Tabel 10. Beoordeling SCRM tools aan de hand van het prestatiemeetmodel van Küpper et al. (2014)
Functionaliteiten
bpm
’onl
ine
Hub
Spo
t
Mic
roso
ft D
ynam
ics
365
Ora
cle
Soc
ial C
loud
Sal
esfo
rce
Soc
ial
Clo
ud
SA
P C
RM
1. Real time data monitoring
2. Vastleggen van geaggregeerde data
3. Vastleggen individuele data
4. Inhoudsanalyse
5. Analyse van geaggregeerde data
6. Analyse van individuele data
7. Opmaken voorspellende modellen
8. In kaart brengen van de relatie met consumenten
9. Verkoopactiviteiten
10. Rapportering
11. CRM interface
12. Informatiesysteem interface
13. Communicatie met individuele klant
14. Communicatie met groep klanten
15. Communicatie met werknemers
16. Beheer van de gemeenschappen
17. Beheer van gebruikersmachtigingen
18. Beheer van de betrokkenheid
77
8.4Conclusiedeelonderzoeksvraag2
Het tweede deel van de studie bespreekt en evalueert de mate waarin de geselecteerde social CRM tools
voldoen aan de vooropgestelde functionaliteiten uit het raamwerk van Küpper et al. (2014). Na het
onderzoeken van de geselecteerde SCRM tools blijkt dat de tools het minimumcriteria voor heel wat
vooropgestelde functionaliteiten behalen. De onderzochte tools vertonen dan ook heel wat gelijkenissen,
maar tegelijk ook grote verschillen ten opzichte van elkaar. Binnen CRM moet churn management de meeste
aandacht verkrijgen omdat het interessanter en rendabeler is om vast te houden aan bestaande klanten dan
nieuwe klanten aan te trekken. Hierdoor is de mogelijkheid om churn te voorspellen de belangrijkste
functionaliteit waaraan iedere tool moet voldoen. Naast het vergelijken van de sociale aspecten van de
geselecteerde tools, werd ook bekeken hoe de churn functionaliteit werkt. Zo werden nog vijf relevante churn
prediction tools besproken en ingedeeld bij de meest passende social CRM oplossing.
Na het onderzoeken van de geselecteerde social CRM tools kwamen enkele belangrijke gelijkenissen naar
boven:
• Uitvoeren van e-mailmarketing;
• Sociale media inzetten voor lead management;
• Content creëren en posten op verschillende sociale media platformen;
• Nagaan welke topics en trends op sociale media aanwezig zijn;
• Luisteren op sociale media naar hun klanten;
• Klantenprofiel vervolledigen door gebruik te maken van sociale media;
• Voorspellen van churn door gebruik van bestaande/geïntegreerde functionaliteiten.
De geselecteerde tools vertonen echter ook enkele verschillen waardoor aanbieders van een social CRM
oplossing zich kunnen onderscheiden van elkaar. Zo heeft MS Dynamics 365 de meest uitgebreide oplossing
voor SCRM. De oplossing bevat een sociale media functionaliteit voor zowel verkoop, marketing als
klantenservice. Terwijl andere aanbieders zoals bpm’online en HubSpot sociale media enkel gebruiken in
het ‘Marketing’ luik van CRM. Deze aanbieders richten zich beide op kleine en middelgrote ondernemingen
waardoor een minder uitgebreide oplossing passend is. Microsoft integreert met andere woorden sociale
media in alle onderdelen van hun CRM oplossing. Salesforce daarentegen onderscheidt zich van de andere
aanbieders door unieke sociale media functionaliteiten aan te bieden, zoals AI-beeldherkenning en listening
engine. Tegelijk zijn Microsoft en Salesforce de enige SCRM aanbieders die gebruik maken van een
community tool. HubSpot blijkt prijs/kwaliteit de beste oplossing voor minder grote ondernemingen. De CRM
oplossing en de basisuitbreidingen zijn volledig gratis, enkel de sociale media uitbreidingen zijn betalend.
Oracle onderscheidt zich door meer dan 140 verschillende social analytics tools aan te bieden. Deze
oplossing is vooral geschikt voor grotere ondernemingen en dit vertaalt zich in een hogere kostprijs. Het
78
grootste voordeel aan de SAP oplossing is de integratie met hun bestaand ERP-pakket. Waardoor gebruikers
slechts één systeem nodig hebben om al hun behoeften te vervullen.
Er kan geconcludeerd worden dat de geselecteerde tools na de evaluatie aan de hand van het raamwerk
van Küpper et al. (2014) als evenwaardige tools beschouwd kunnen worden. Ook de beoordelingssite
Finances online kent iedere tool een hoge prestatiescore toe (vanaf 90%). De verschillen liggen zich
voornamelijk in prijs en het aantal sociale media functionaliteiten. Met andere woorden blijken de gebruikers
van deze tools zo goed als altijd tevreden zijn na het gebruiken van de SCRM oplossing.
79
DEEL 4: CONCLUSIE Deze studie ging op zoek naar een duidelijke vergelijking van huidige SCRM systemen die beschikken over
een churn prediction functionaliteit. Bedrijven erkennen de voordelen dat social CRM te bieden heeft en
hebben de afgelopen jaren een aanzienlijk bedrag geïnvesteerd in sociale CRM technieken (Greenberg,
2010). Trainor et al. (2014) menen dat ondanks de huidige hype rond sociale media applicaties, de efficiëntie
van social CRM systemen amper onderzocht is.
Het eerste onderdeel onderzocht welke social CRM systemen, die zich uiten in minimaal twee gebieden van
CRM en zich hoofdzakelijk onderscheiden door gebruik van sociale media, gebruik maken van een churn
prediction functionaliteit. Klantenbinding is voor een onderneming één van de belangrijkste doelstellingen,
daarom is het van groot belang voor ondernemingen om een goed zicht te hebben op het klantenverloop.
Uit deelonderzoek 1 blijkt dat heel weinig systemen aan deze voorwaarden voldoen. Enkel bpm’online,
HubSpot, MS Dynamics 365, Oracle, Salesforce en SAP CRM voldoen aan vooropgestelde voorwaarden.
Na het selecteren van de geschikte tools, evalueert dit onderzoek in het tweede deel de beschikbare sociale
functionaliteiten waarover de social CRM systemen beschikken aan de hand van het evaluatieraamwerk van
Küpper et al. (2014). Uit deze evaluatie blijkt dat de geselecteerde tools over praktisch dezelfde
functionaliteiten beschikken. De verschillen tussen de tools uiten zich vaak in prijs en hoe uitgebreid de
sociale functionaliteiten in de oplossing zijn.
Ook moet worden opgemerkt dat SCRM de bestaande CRM inspanningen niet zal vervangen, het voegt
enkel meer waarde toe aan de bestaande traditionele systemen. De oplossing voor sociale media wordt vaak
naast een traditioneel CRM systeem gebruikt. Ook bij de onderzochte tools is dit het geval. Iedere sociale
media oplossing kan geïntegreerd worden in de CRM tool dat wordt aangeboden.
80
DEEL 5: BIBLIOGRAFIE Alt, R., & Puschmann, T. (2004). Successful practices in customer relationship management. Proceedings of the 37th Hawaii International Conference on System Science. Alt, R., & Reinhold, D. W. I. O. (2012). Social-customer-relationship-management (Social-CRM). Wirtschaftsinformatik, 54(5), 281-286. Alteryx (2017). Alteryx Analytics. Geraadpleegd op 10 augustus 2017 op het World Wide Web: https://www.alteryx.com/products/alteryx-analytics-gallery Andzulis, J. M., Panagopoulos, N. G., & Rapp, A. (2012). A review of social media and implications the sales process. Journal of Personal Selling and Sales Management, 32(3), 305-316. Antreas, D. A. (2000). Customer satisfaction cues to support market segmentation and explain switching behavior. Journal of business research, 47(3), 191–207. Armstrong, G., & Kotler, P. (2004). Marketing: An introduction. Upper Saddle River: Prentice Hall. Askool, S., & Nakata, K. (2011). A conceptual model for acceptance of social CRM systems based on a scoping study. Ai & Society, 26(3), 205-220. Backstrom, L., Huttenlocher, D., Kleinberg, J., & Lan, X. (2006). Group formation in large social networks: membership, growth, and evolution. Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 44-54. Baird, C. H., & Parasnis, G. (2010). From social media to social customer relationship management. Strategy & Leadership, 39(5), 30 – 37. Baird, C. H., & Parasnis, G. (2011). From social media to Social CRM: reinventing the customer relationship. Strategy & Leadership, 39(6), 27-34. Beeckestijn Business School (2017). De 8 bouwstenen van social CRM. Berry, M. J. A., & Linoff, G. S. (2003). Data mining techniques: For marketing, sales, and customer support. John Wiley & Sons. Berson, A., Smith, S., & Thearling, K. (2000). Building data mining applications for CRM. New York, NY: McGraw-Hill. Berthon, P. R., Pitt, L. F., Plangger, K., & Shapiro, D. (2012). Marketing meets Web 2.0, social media, and creative consumers: Implications for international marketing strategy. Business Horizons, 55(3), 261-271. Blattberg, R. C., Kim, B.-D., & Neslin, S. A. (2008). Database marketing: Analyzing and managing customers. New York: Springer. Bortiz, J. E., & Kennedy, D. B. (1995). Effectiveness of neural network types for prediction of business failure. Expert Systems with Applications, 9(4), 503–512. Bpm’online (2017). Bpm’online Marketing. Geraadpleegd op 2 augustus 2017 op het World Wide Web: https://www.bpmonline.com/marketing
81
Burez, J., & Van den Poel, D. (2009). Handling class imbalance in customer churn prediction. Expert Systems with Applications, 36(3), 4626-4636. Buttle, F. (2009). Customer relationship management. Oxford: Butterworth-Heinemann. Chandavale, A., & Pagare, R. (2014). Churn Prediction in Social Networks. International Journal of Engineering Research & Technology, 3(12), 75-80. Chang, W., Park, J. E., & Chaiy, S. (2010). How does CRM technology transform into organizational performance? A mediating role of marketing capability. Journal of Business Research, 63(3), 849-855. Cooil, B., Keiningham, T. L., Aksoy, L., & Hsu, M. (2007). A longitudinal analysis of customer satisfaction and share of wallet: Investigating the moderating effect of customer characteristics. Journal of Marketing, 71(1), 67–83. Coussement, K., & Van den Poel, D. (2008). Churn prediction in subscription services: An application of support vector machines while comparing two parameter-selection techniques. Expert systems with applications, 34(1), 313-327. Dasgupta, K., Singh, R., Viswanathan, B., Chakraborty, D., Mukherjea, S., Nanavati, A. A., & Joshi, A. (2008). Social ties and their relevance to churn in mobile telecom networks. Proceedings of the 11th international conference on Extending database technology, 668-677. Deloitte. (2011). CRM 2.0 or social CRM for financial industry. Retrieved on 15 September 2012 from http://www.deloitte.com/assets/DcomCroatia/Local%20Assets/Documents/2012/FSINews03.02Social_CRM.pdf Duncan, E., Hazan, E., & Roche, K. (2013). Developing a fine-grained look at how digital consumers behave. Mckinsey & Company. Retrieved January, 26, 2014. Eiben, E. K. (1998). Modelling customer retention with statistical techniques, rough data models, and genetics programming, Berlin: Springer. Faase, R., Helms, R., & Spruit, M. (2011). Web 2.0 in the CRM domain: defining social CRM. International Journal of Electronic Customer Relationship Management, 5(1), 1-22. Ferreira, J. B., Vellasco, M., Pacheco, M. A., & Barbosa, C. H. (2004). Data mining techniques on the evaluation of wireless churn. Proceedings of the European Symposium on Artificial Neural Networks, 483-488.
Finances Online (2017). Finances Online Reviews. Geraadpleegd op 12 augustus 2017 op het World Wide
Fletcher, D., & Goss, E. (1993). Forecasting with neural networks: An application using bankruptcy data. Information and Management, 3, 159–167. Fornell, C., & Wernerfelt, B. (1987). Defensive marketing strategy by customer complaint management: A theoretical anlaysis. Journal of Marketing Research. 24(4), 24(4), 337–346. Forrester (2017). The age of the customer. Geraadpleegd op 8/08/2017 via https://go.forrester.com/age-of-the-customer/ Gensler, S., Völckner, F., Liu-Thompskins, Y., & Wiertz, C. (2013). Managing Brands in the Social Media Environment. Journal of Interactive Marketing, 27, 4, 242-56.
82
Gneiser, M. (2010). Value-based CRM. Business & Information Systems Engineering, 2(2), 95-103. Greenberg, P. (2003). A commonwealth of self-interest, Reality Check column, Destination CRM, Geraadpleegd op 15 maart via: www.destinationcrm.com/Articles/Older-Articles/StraightTalk/A-Commonwealth-of-Self-Interest-44790.aspx Green, A., Starkey, M., & Woodcock, N. (2011). Social CRM as a Business Strategy. Macmillan Publishers Ltd. 1741-2439. Database Marketing & Customer Strategy Management Vol. 18, 1, 50–64. Greenberg, P. (2010). The impact of CRM 2.0 on customer insight. Journal of Business & Industrial Marketing, 25, 6, 410-19. Grönroos, C. (2000). Service management and marketing – A customer relationship management approach. New York: John Wiley & Sons Ltd. Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7–18. Gyan, R., Hui, Z., Zhi-Li, Z., & Jean, B. (2012). Are call detail records biased for sampling human mobility?. ACM SIGMOBILE Mobile Computing and Communications Review, 16, 33-44. Hadden, J., Tiwari, A., Roy, R., & Ruta., D. (2006). Churn prediction using complaints data. International Journal of Intelligent Technology, 13, 158-163.
Hüify (2017). Inbound Methodology. Geraadpleegd op 10 augustus 2017 op het World Wide Web:
https://www.huify.com/inbound-marketing
HubSpot (2017). HubSpot Marketing. Geraadpleegd op 4 augustus 2017 op het World Wide Web:
https://www.hubspot.com/products/marketing
Hung, C., & Tsai, C.-F. (2008). Segmentation based on hierarchical self-organizing map for markets of multimedia on demand. Expert Systems with Applications, 34(1), 780–787. Hung, S. Y., Yen, D. C., & Wang, H. Y. (2006). Applying data mining to telecom churn management. Expert Systems with Applications, 31(3), 515-524. Intel (2016). What happens in a internet minute. Geraadpleegd op 8/08/2017 via https://www.cnet.com/news/intel-reveals-what-happens-in-a-single-internet-minute/ Jezzup (2017). Social CRM. Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media” Business horizons, 53(1), 59-68. Kawale, J., Pal, A., & Srivastava, J. (2009). Churn prediction in mmorpgs: A social inuence based approach. Proceedings of the 2009 International Conference on Computational Science and Engineering, 4, 423-428. Kentrias, S. (2001). Customer relationship management: The SAS perspective, geraadpleegd op 25 maart via www.cm2day.com. Kilduff, M. & Krackhardt, D. (2008). Interpersonal Networks in Organizations. New York: Cambridge.
83
Kim, H. S., & Kim, Y. G. (2009). A CRM performance measurement framework: Its development process and application. Industrial marketing management, 38(4), 477-489. Kostojohn, S., Johnson, M., & Paulen, B. (2011). CRM fundamentals. New York: Apress Krebs, V. (2017). Geraadpleegd op 24/04/2017 via http://www.orgnet.com/sna.html Kumar, V., & Reinartz, W. (2012). Customer relationship management: Concept, strategy, and tools. Springer Science & Business Media. Küpper, T. (2014). Measuring the Success of Social CRM - First Approach and Future Research. Proceedings of the 16th International Conference on Enterprise Information Systems. pp. 573–582. Küpper, T., Jung, R., Lehmkuhl, T., Walther, S., Wieneke, A. (2014). Performance Measures for Social CRM: A Literature Review. Proceedings of the 27th Bled eConference. pp. 125– 139. Küpper, T., Eymann, T., Jung, R., Lehmkuhl, T., Walther, S., & Wieneke, A. (2015). Measuring Social CRM Performance: A Preliminary Measurement Model. In Wirtschaftsinformatik (pp. 887-901). Kusuma, P. D., Radosavljevik, D., Takes, F. W., & van der Putten, P. (2013). Combining customer attribute and social network mining for prepaid mobile churn prediction. In Proc. the 23rd Annual Belgian Dutch Conference on Machine Learning, 23, 50-58. Langley, P., & Simon, H. A. (1995). Applications of machine learning and rule induction. Communication of the ACM, 38(11), 55–64. Lariviere, B., Van den Poel, D., & Van den Poel (2004). Investigating the role of product features in preventing customer churn, by using survival analysis and choice modeling: The case of financial services. Expert Systems with Applications, 27(2), 277–285. Lau, H. C. W., Wong, C. W. Y., Hui, I. K., & Pun, K. F. (2003). Design and implementation of an integrated knowledge system. Knowledge-Based Systems, 16(2), 69–76. Lejeune, M. (2001). Measuring the impact of data mining on churn management. Internet Research: Electronic Network Applications and Policy, 11(5), 375–387. Lehmkuhl, T., & Jung, R. (2013). Towards Social CRM-Scoping the concept and guiding research. Levitt, T. (1983). After the sale is over. Harvard Business Review, 63(5), 87-93. LexisNexis (2017). LexisNexis Social Analytics. Geraadpleegd op 8/08/2017 via https://www.lexisnexis.nl/producten-en-diensten/producten/lexisnexis-social-analytics?gclid=Cj0KEQjwwqXMBRCD1afDldbp5qEBEiQAP4BDaKTyud2oBoDnrwq6cQlNHVksI9J0Yw3u8EC54W6dC80aAknw8P8HAQ Llamas-Alonso, M. R., Jimenez-Zarco, A. I., Martinez-Ruiz, M. P., & Dawson, J. (2009). Designing a predictive performance measurement and control system to maximize customer relationship management success. Journal of Marketing Channels, 16(1), 1-41. Malthouse, E. C., Haenlein, M., Skiera, B., Wege, E., & Zhang, M. (2013). Managing Customer Relationships in the Social Media Era: Introducing the Social CRM House. Journal of Interactive Marketing, 27(4), 270–280. Marketingfacts (2017). De sleutel tot succes in the age of the customer. Geraadpleegd op 8/0/2017 via http://www.marketingfacts.nl/berichten/de-sleutel-tot-succes-in-the-age-of-the-customer
84
Marketingtribune (2017). Salesforce Einstein Vision. Geraadpleegd op 11 augustus op het World Wide Web:
Minna, R., & Aino, H. (2005). Customer knowledge management competence: Towards a theoretical framework. Proceedings of the 38th Hawaii International Conference on System Sciences. Neely, A., Gregory, M., & Platts, K. (1995). Performance measurement system design: a literature review and research agenda. International journal of operations & production management, 15(4), 80-116. Newman, F. (2004). The Structure and Dynamics of Networks. Princeton University Press. Nykamp, M. (2001). The customer differential: The complete guide to implementing customer relationship management. New York: Amacom. Oentaryo, R. J., Lim, E. P., Lo, D., Zhu, F. D., & Prasetyo, P. (2012). Collective churn prediction in social networks. In Proceedings of the IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, 210-214.
Optimove (2017). Customer Marketing Cloud. Geraadpleegd op 10 augustus 2017 op het World Wide Web:
http://www.optimove.com/product
Oracle (2017). Oracle Social Cloud. Geraadpleegd op 5 augustus 2017 op het World Wide Web:
https://cloud.oracle.com/social-cloud
Paul, A., & Nilsson, J. (2011). Social CRM. Chichester: John Wiley & Sons Ltd. Payne, A., & Pennie, F. (2005). A Strategic Framework for Customer Relationship Management. Journal of Marketing, 69, 4, 167-76. Peppers, D., & Rogers, M. (2011). Managing customer relationships: A strategic framework. New Jersey: John Wiley & Sons Ltd. Peppers, D., & Rogers, M. (2004). Managing customer relationships: A strategic framework. New Jersey: John Wiley & Sons Ltd. Peppers, D., Rogers, M., & Dorf, B. (1999). Is your company ready for one-to-one marketing. Harvard Business Review, 77(1), 151-160.
85
Perreault, W. D., & Leigh, L. E. (1989). Reliability of nominal data based on qualitative judgments. Journal of marketing research, 26(2), 135. Phadke, C., Uzunalioglu, H., Mendiratta, V. B., Kushnir, D., & Doran, D. (2013). Prediction of subscriber churn using social network analysis. Bell Labs Technical Journal, 17(4), 63-75. Prasad, U. D., & Madhavi, S. (2012). Prediction of churn behavior of bank customers using data mining tools. Business Intelligence Journal, 5, 96-101. Radosavljevik, D., van der Putten, P., & Larsen, K. (2010). The impact of experimental setup in pre-paid churn prediction for mobile telecommunications: What to predict, for whom and does the customer experience matter? Transactions on Machine Learning and Data Mining, 3, 80-99. Reichheld, F. F. (1996). The loyalty effect: The hidden force behind growth, profits and lasting value. Harvard Business School Press, 80(7), 86–94. Reinartz, W., & Kumar, V. (2002). The mismanagement of customer loyalty. Harvard Business Review, 80(7), 86–94. Roscoe, D. (2001). The customer knowledge journey. Journal of Database Marketing, 5(4), 314 - 318. Salesforce (2017). Social CRM. Geraadpleegd op 10/04/2017 via https://www.salesforce.com/nl/crm/social-crm/
Salesforce (2017). Salesforce Social Studio. Geraadpleegd op 1 augustus 2017 op het World Wide Web:
SAS Institute, (2000). Best Price in Churn Prediction, SAS Institute White Paper. Sarner, A., & Sussin, J. (2012). Predicts 2013: Social CRM. Gartner Research. Sarner, A., Thompson, E., Sengar, P., & Sussin, J. (2011). Predicts 2012: Social CRM Remains an Immature Area. Gartner Research Inc, 1-7. Schultz, D., Malthouse, E., & Pick, D. (2005), From CM to CRM to CN2: A Research Agenda for the Marketing Communications Transistion. Advances in Advertising Research, (3).421-32 Seshadri, M., Machiraju, S., Sridharan, A., Bolot, J., Faloutsos, C., & Leskovec, J. (2008). Mobile call graphs: beyond power-law and lognormal distributions. In Proceedings of the 14th ACM SIGKDD, 596-604. Shani, D., & Chalasani, S. (1992). Exploiting niches using relationship marketing. The Journal of Consumer Marketing, 9(3), 33-42.
86
Su, C. T., Hsu, H. H., & Tsai, C. H. (2002). Knowledge mining from trained neural networks. Journal of Computer Information Systems, 42(4), 61–70. Siber, R. (1997). Combating the churn phenomenon. Telecommunications, 31(10), 77–81 Smith, N., & Wollan, R. (2011).What is Social Media? In N. Smith, & R. Wollan, Social Media Management Handbook (p. 352). John Wiley and Sons Ltd. TechTarget (2017). Social media monitoring. Geraadpleegd op 8/08/2017 via http://searchcrm.techtarget.com/definition/Social-media-monitoring ToughGraph (2017). TouchGraph Navigator 2. Geraadpleegd op 8/08/2017 via http://www.touchgraph.com/navigator Thearling, K. (1999). An introduction of data mining. Direct Marketing Magazine. Trainor, K., Andzulis, J., Rapp, A., & Agnihotri, R. (2014). Social media technology usage and customer relationship performance: A capabilities-based examination of social CRM. Journal of Business Research, 67, 1201-1208. Trainor, K. J. (2012). Relating social media technologies to performance: A capabilities-based perspective. Journal of Personal Selling & Sales Management, 32(3), 317-331. Tsiptsis K., & Chorianopoulos, A. (2009). Data mining techniques in CRM inside customer segmentation. Chichester: John Wiley & Sons Ltd. Van den Poel, D., & Larivie‘re, B. (2004). Customer attrition analysis for financial services using proportional hazard models. European Journal of Operational Research, 157, 196–217. Verbeke, W., Martens, D., & Baesens, B. (2014). Social network analysis for customer churn prediction. Applied Soft Computing, 14, 431–446 Verbeke, W., Dejaeger, K., Martens, D., Hur, J., & Baesens, B. (2012).New insights into churn prediction in the telecommunication sector: A profit driven data mining approach. European Journal of Operational Research, 218(1), 211-229. Verhoef, P., Venkatesan, R., McAllister, L., Malthouse, E., Kraft, M., & Ganesan, S. (2010). CRM in Data Rich Multi-channel Retailing Environments: A Review and Future Research Directions. Journal of Interactive Marketing, 24, 2, 124-37. Wang, W., Sedera, D., & Tan, F. (2009). Measuring CRM and SCM Benefits: A Preliminary Measurement Model. Proceedings of the 13th Pacific Asia Conference on Information Systems. pp. 1–12. Wei, C. (2002). Turning telecommunications call details to churn prediction: a data mining approach. Expert systems with applications, 103-112. Wilde, S. (2011). Improving customer relationship through knowledge application. Berlin Heidenberg: Springer-Verlag. Woodcock, N., Green, A., & Starkey, M. (2011). Social CRM as a business strategy. Database Marketing & Customer Strategy Management, 18, 1, 50-64. Xie, Y. Y., Li, X., Ngai, E. W. T., & Ying, W. Y. (2009). Customer churn prediction using improved balanced random forests. Expert Systems with Applications, 36(3), 5445–5449.
87
Xu, Y., Yen, D., Lin, B., & Chou, D. (2002). Adopting customer relationship management technology. Industrial Management & Data Systems, 102(8), 442-452. Yim, F., Anderson, R., & Swaminathan, S. (2005). Customer relationship management: its dimensions and effect on customer outcomes. Journal of Personal Selling & Sales Management , 265-280. Zhang, G., Hu, M. Y., Patuwo, B. E., & Indro, D. C. (1999). Artificial neural networks in bankruptcy prediction: General framework and crossvalidation analysis. European Journal of Operational Research, 116, 16–32. Zhu, Y., Zhong, E., Pan, S. J., Wang, X., Zhou, M., & Yang, Q. (2012). Predictiong User Activity Level in Social Networks. Proceedings of the 22nd ACM international conference on Information & Knowledge Management, 159-168. Ziegler, C. N., & Lausen, G. (2004). Spreading activation models for trust propagation. In Proceedings of the IEEE International Conference on e-Technology. e-Commerce and e-Service, 83-97. Zuora (2017). Zuora Analytics. Geraadpleegd op 10 augustus 2017 op het World Wide Web: https://www.zuora.com/product/analytics/