Bouwmaat zet clustering in voor beter zicht op klanttypen en indirecte kosten

Bouwmaat helpt zzp’ers in de bouw en kleine bouwbedrijven al sinds 1986 aan bouwmaterialen. Dankzij de keuze uit ruim 13.500 materialen in 50 vestigingen en een webshop kan vrijwel iedere professionele bouwer er terecht. “We vinden het belangrijk om onze klanten zo goed mogelijk te bedienen”, vertelt Jeroen Linnenkamp, Data Analist bij Bouwmaat. “Daarom proberen we het onze klanten zo makkelijk mogelijk te maken door ze allerlei handige services aan te bieden. Denk aan het bezorgen van artikelen, maar ook aan click & collect waarbij klanten artikelen online bestellen en vervolgens zelf komen ophalen.”
Bij die services komen best wat indirecte kosten kijken. “Zoals logistieke kosten voor het bezorgen en retourneren en personeelskosten voor het picken van orders. We wilden graag weten hoe rendabel onze diensten zijn, zodat we enerzijds onze dienstverlening nóg beter kunnen maken en anderzijds voorkomen dat we geld verliezen.”

Bestaande klantsegmenten toetsen

Om de indirecte kosten helder te krijgen, moest de groothandel een goed beeld vormen van hun typen klanten en de kosten per klanttype. Linnenkamp: “We hadden onze klantsegmenten zelf al duidelijk voor ogen, maar de afgelopen jaren is er best wat veranderd. We verkopen bijvoorbeeld veel meer via onze webshop dan voorheen. Om te toetsen of onze klantsegmenten en de kosten die daarbij komen kijken nog accuraat waren, wilden we onze data laten spreken. We vroegen Riviq ons daarbij te helpen.”

Bouwmaat en Riviq kennen elkaar al geruime tijd. De organisaties werkten eerder al samen aan een upgrade van Bouwmaats rapportage- en analyseomgeving en aan een model dat voorspelt wanneer de groothandel klanten dreigt te verliezen. Linnenkamp: “Sindsdien ondersteunt Riviq ons met advies en de technische realisatie van data oplossingen bij ieder nieuw project rondom data en analytics. We spreken elkaar wekelijks, dus ook voor dit project wist ik ze snel te vinden.”

Algoritme voeden met datafeatures

Riviq analyseerde de data van Bouwmaat met behulp van clustering, een specifieke data science-techniek. “We voedden een algoritme met verschillende datafeatures”, legt Linnenkamp uit. “Denk daarbij aan data over bijvoorbeeld klantgedrag en soort aankopen. In totaal hebben we het algoritme laten rekenen met 31 datafeatures. Het algoritme zoekt dan naar samenhang en kijkt of het clusters kan maken. De kunst is om het te laten zoeken naar welke klanten het meest op elkaar lijken, terwijl de clusters onderling zoveel mogelijk van elkaar moeten verschillen. Zo ontdek je hopelijk nieuwe klantsegmenten.”

Uit het algoritme rolde twaalf samenhangende clusters. “Slechts één daarvan was nieuw voor ons”, vertelt Linnenkamp. “Dat was goed nieuws, omdat het aangaf dat de klantclusters en bijbehorende indirecte kosten klopten met het beeld dat we al hadden. Dat was zeer prettig, omdat het bevestigt dat de informatie waarop we al stuurden correct is.”

Korte doorlooptijd

Over de samenwerking met Riviq tijdens dit project kan Linnenkamp kort zijn. “Die was supergoed. We communiceren prettig en begrijpen elkaar snel. Op de helft van het traject moesten we kort bijsturen, zodat we daadwerkelijk antwoord zouden krijgen op onze hoofdvraag. Op zo’n moment steken we de koppen even bij elkaar en dan is er zo weer helderheid. De doorlooptijd van dit project was kort: binnen zes weken waren we klaar. Het helpt enorm dat ze ons en onze data inmiddels zo goed kennen.”

Nieuwe strategie op basis van inzichten

Aan de hand van de clusters kan Bouwmaat nu de dienstverlening naar klanten optimaliseren en indirecte kosten – waar nodig – beperken. Linnenkamp: “De uitkomsten van dit project liggen nu bij het management.
Zij nemen deze inzichten mee in de formulering van een nieuwe strategie voor de komende jaren. Maar voor ons als datateam is het belangrijkste resultaat echt dat we weten dat onze bestaande inzichten kloppen. Dat geeft veel vertrouwen.”

Andere klantcases