Markten modelleren

In Boston staat al meer dan 50 jaar het Marketing Science Institute. Het instituut laat praktijkmensen uit de 70 grootste ondernemingen van de wereld met academici praten over de ontwikkelingen in marketing science. Dat doen ze o.a. door het organiseren van seminars en het beschikbaar stellen van onderzoeksgeld voor nieuwe veelbelovende projecten.

Tekst Peter Leeflang

Elke twee tot drie jaar stellen de praktijkmensen de onderzoeksprioriteiten vast voor de komende jaren. De hoogste prioriteit voor de periode 2016-2018 is de ontwikkeling van ‘Quantitative models to understand causality, levers, and influencein a complex world’. Meer concreet:

  1. Bepalen van de effecten en de waarde van marketingactiviteiten op tal van ‘metrics’. Daarbij gaat het om zowel gedragswetenschappelijke maatstaven (bekendheid, perceptie, overweging, preferentie) als meer economisch getinte maatstaven (verkopen, ROI, waarde van het merk/onderneming).
  2. ‘Attribution, causality and ROI’. Wat zijn de causale relaties tussen het toewijzen van middelen aan mogelijkheden tot klantcontact en ROI?
  3. Ontwikkelen van betere modellen. Die kunnen beoordeeld worden op eigenschappen (eenvoudig, compleet, adaptief, logisch consistent, gestandaardiseerd), verklaringskracht of voorspelkracht.

Recente ontwikkelingen in marketing leiden tot betere modellen waarmee je de meer recent geëxpliciteerde vraagstukken kunt weergeven. Dan kun je denken aan:

• modellen waarmee de individuele vraag kan worden weergegeven (‘individual demand models’).

• ‘database marketing models’ zoals modellen om de Customer Lifetime Value vast te stellen, modellen voor selectie en acquisitie van klanten, customer development, klantbehoud, churn predictie, customer engagement en evaluatie van loyaliteitsprogramma’s.

• modellen waarmee men de effecten van word of mouth in kaart kan brengen en de invloed op aankopen van een merk.

• bepalen van de effecten van online media, zoals review sites, mobile apps, social media, zoekmachines, banners en referral programmes.

• customer journeys, het simuleren van customer engagementprogramma’s.

• selecteren van relevante data uit de verzameling big data.

In twee monografieën hebben mijn collega’s Jaap Wieringa en Tammo Bijmolt (beiden hoogleraar aan de RUG), Koen Pauwels (Northeastern University, Boston) en ikzelf de nieuwe modellen en nieuwe methoden beschreven. In de eerste monografie Modeling Markets beschreven we de stappen in het model-bouwproces. Uit de zojuist verschenen monografie Advanced Methods for Modeling Markets (AMMM) licht ik graag twee onderwerpen uit: de ontwikkeling van individuele vraagmodellen en modellen voor big data. Met het beschikbaar komen van meer geavanceerde modellen en betere, gebruiksvriendelijke software (R, STATA, Eviews) zijn de mogelijkheden om de vraag op individueel niveau te modelleren een stuk vergroot. De modellen geven antwoord op vragen als: welk product wordt gekocht en met welke kans, welk merk wordt gekocht (als een product wordt gekocht), hoeveel wordt er gekocht (eenheden) en in welke periode wordt er gekocht (timing).

Voorbeelden van deze modellen zijn binaire logit en probit modellen en multivariate keuzemodellen. ‘Geneste’ modellen zijn ontwikkeld om de sequentie van verschillende met elkaar samenhangende keuzebeslissingen in kaart te brengen. Wanneer consumenten een zekere ordening in preferentie voor een product hebben, kan men het gedrag modelleren met behulp van ‘ordered’ (logit/probit) modellen. Zo kan men bijvoorbeeld de satisfactiescore voor verschillende alternatieven, gemeten met behulp van een 5-punts Likert scale verklaren uit de verschillende eigenschappen van alternatieve producten om zo te weten te ko-men welke eigenschappen bij welke keuze het meest cruciaal zijn.

Een bijzondere verzameling van individuele vraagmodellen vormen de Hidden Markov Models (HMM). Ze geven de transities weer van een consument die het proces van ‘onbekend met het product/merk’ tot en met de (kans op) aankoop doorloopt. De transities om van een bepaalde situatie (‘bekend met het product’) naar een volgende situatie (‘opname in de evoked set’) te gaan, zijn subjectief én verschillen per consument. HMM’s houden daarmee rekening. Nieuwe gegevens zorgen dat we meer over het gedrag van consumenten weten. In de afgelopen tien jaar was er zelfs een explosie van nieuw beschikbare gegevens. Veel toepassingen van big data hebben betrekking op het identificeren en classificeren van afnemers. Zo kan men bepalen hoe en met welke specifictie van producten men welke afnemers kan benaderen. Het voorspellen tot welk segment afnemers behoren is daarbij cruciaal. Daarbij worden machine learning-modellen toegepast. Met behulp van steeds nieuwe datapunten leert het model waar een afnemer gepositioneerd/geclassificeerd moet worden. Voorbeelden van machine learning-modellen zijn ‘decision trees’, ‘Support Vector Machines’, neurale netwerken en ‘bag-ging and boosting’. Ook op dit terrein is recent goede software ontwikkeld (Matlab, SAS).

We hopen en verwachten dat we met deze twee boeken antwoorden hebben gegeven op de door het Marketing Science Institute geformuleerde vragen en dat deze boeken hun weg naar menig (markt-)onderzoeker mogen vinden1.

Prof.dr. P.S.H. Leeflang is emeritus Frank M. Bass-Hoogleraar Marketing aan de Rijksuniversiteit Groningen, Honorary Hoogleraar Marketing en Marktonderzoek aan Aston Business School en lid van de Koninklijke Nederlandse Academie van Wetenschappen (KNAW).

 

Referenties

De Vries, L., Gensler, S., & Leeflang, P.S.H. (2017), “Effects of Traditional Advertising and Social Messages on Brand-Building Metrics and Customer Acquisition. Journal of Marketing, 81(5), 1-15

[1] Voor meer informatie zie ook de website van het Department of Marketing van de Rijksuniversiteit Groningen: https://www.rug.nl/feb/organization/scientific-departments/marketing

Leeflang, P.S.H., Wieringa ,J.E., Bijmolt, T.H.A.& Pauwels, K.H. (2015). “Modeling Markets: Analyzing Marketing Phenomena and Improving Marketing Decision Making”. (International Series in Quantitative Marketing). New York: Springer.

Leeflang, P.S.H., Wieringa, J.E., Bijmolt, T.H.A., & Pauwels, K.H. (eds.) (2017). “Advanced Methods for Modeling Markets”. (International Series in Quantitative Marketing).New York: Springer.

 

Dit artikel is overgenomen uit Clou magazine© nr 87, april 2018

Aanmelden Cloutoday