Hoe Hema een data driven retailer wordt

HEMA
0
0
5146

Traditionele retailer Hema heeft tijdig het belang van data en kunstmatige intelligentie ingezien. Het bijna 95-jaar oude merk is zich aan het omvormen naar een data gedreven retailer. Wat blijkt: als je weersvoorspellingen aan klantdata koppelt kun je meer geld verdienen.

Hema telt in Nederland 541 winkels, maar heeft inmiddels zijn vleugels uitgeslagen in andere Europese landen. In totaal heeft de keten 757 winkels in Europa. In en om Parijs zitten er al vijftig. Die winkels trekken 6 miljoen klanten per week.


Hippe doelgroep
Buiten Nederland heeft de 94 jaar oude Hollandsche Eenheidsprijzen Maatschappij Amsterdam een compleet ander imago. ,,In het buitenland verkopen we geen rookworsten en minder kleding. Daar is Hema een hele hippe winkel met een andere doelgroep. Een hippe, jonge stadsdoelgroep. In plaats van in Nederland, waar Hema altijd naast de kerk in het dorp zit," vertelde Bas Karsemeijer, Head of Data bij Hema, tijdens de Webwinkel Vakdagen in Utrecht.

Opmerkelijk is ook de transformatie van retailer naar merk. Hema-producten zijn sinds vorig jaar te koop bij Wehkamp, bij Walmart in Canada, bij de Franprix supermarkten in Frankrijk en binnenkort ook bij de Jumbo.


Databerg
Ook Hema merkt echter de concurrentie van webshops. Elk jaar komen er 2 procent minder mensen in de winkelstraat, waar ook de Hema-filialen zitten. Over 10 jaar is dat 20 procent. Dus moeten retailers wat doen. Het doel van Hema is om de omzet in de winkels gelijk te houden en te groeien op andere kanalen. Om dat doel te bereiken wil de keten zijn data van klanten beter gaan benutten.

Hema zit al jaren op een enorme berg klantendata, maar gebruikte die nauwelijks. Zo startte de keten drie jaar geleden een loyaltyprogramma, waarvoor binnen twee weken een miljoen Nederlanders zich aanmeldden. Inmiddels telt het programma vier miljoen leden die vrijwillig hun data met Hema delen. Ook kan de retailer honderdduizenden klanten identificeren via zijn webshop en beschikt het bedrijf over alle transactiedate uit de winkels.


Databronnen koppelen
,,Ik ben hier bijna twee jaar geleden begonnen op een plek met onwijs veel data waar niet zo heel veel mee gedaan werd,'' zegt Karsemeijer. Tot voor kort zag hij hoe elke afdeling zijn eigen data verzamelde. Zo weet 'e-mailmarketing' precies hoe vaak klanten klikken en hoe hoog de open- en conversierates zijn. Maar ze weten niet hoe de thuissituatie van die klant eruit ziet of wanneer hij of zij jarig is. Dat kun je leren door de data uit het loyaltyprogramma en andere databronnen aan elkaar te koppelen.

,,Dat is exact wat wij doen. Wij proberen alle data bij elkaar te krijgen. Alle databronnen samen vormen de waarheid. Als je weet wie de klant is, weet je ook wat hij gaat kopen. Dan weet je welke spullen je in je assortiment moet hebben en welke weg kunnen. Als je weet wanneer hij gaat kopen weet je ook wanneer je spullen in de winkel moeten zijn. Als je weet in welke winkel hij gaat kopen weet je ook waar je de spullen naartoe moet brengen," legt Karsemeijer uit.


Dogma gemiddelde klant
In de oude database van Hema zat vooral ruwe data van klanten. Dan stond er bijvoorbeeld wel een geboortedatum, maar geen leeftijd of verjaardag. Door die data bij elkaar te voegen kon Hema het voor die klanten veel persoonlijker maken, bijvoorbeeld door iemand een gratis tompoes aan te bieden op diens verjaardag of de website te personaliseren. Het eerste wat het team van Karsemeijer deed was een dashboard maken waarin alle bronnen samengevoegd werden.

Het idee van Hema was altijd dat de gemiddelde klant een vrouw van 45 jaar met een gezin was. Maar die gemiddelde klant bestaat niet. ,,In plaats van te kijken naar het gemiddelde is het heel interessant om te gaan kijken naar wat je aan welke klant nu eigenlijk hebt. Wij weten nu van elke klant wie het is, hoeveel omzet hij doet en hoeveel dagen er tussen de eerstvolgende transactie zit. Zo zijn de dogma's van de gemiddelde klant langzaam aan het verdwijnen," aldus Karsemeijer.


Biefstuk
De truc is volgens hem om de juiste vragen te stellen aan de data-afdeling. Met het opdiepen van funfacts verdien je namelijk geen geld. Data moet functioneel zijn voor de business. Daarom maakte hij een analyse van de zogeheten hub score van het assortiment, zeg maar de cross sale-factor van producten. Daaruit bleek bijvoorbeeld dat de biefstuk bij de Hema als los item nauwelijks verkocht wordt, maar wel een 'hoge hub score' heeft (dat mensen de producten meepakken die in de buurt van de biefstuk liggen, AO).

,,Het is een product waarvoor mensen écht naar de Hema komen. Bovendien zijn dat onze allerbeste klanten. Als ze kopen gaat de hele mand vol. Drie jaar geleden zouden we dit product geschrapt hebben vanwege de slechte omzet, maar nu houden we het. Dit is het moment dat data zo interessant worden dat we er geld mee gaan verdienen," zegt Karsemeijer.


Testen
De data-afdeling probeert zoveel mogelijk verschil te maken in de business. In alle winkels wordt getest. Welke producten lopen het best bij de kassa? Verkoopt kleding beter op een tafel of hangend aan een rek? Ook wordt er geëxperimenteerd met prijzen. Karsemeijer: ,,We willen we op basis van data de ideale winkel met het ideale assortiment voor klanten creëren. Zo komen we van kleine successen naar grote impact."


Weer
Voor die grote impact moet Ilse Lankhorst zorgen. Zij was anderhalf jaar geleden de eerste datascientist bij Hema. Zij moet aan de hand van data antwoord geven op de vraag: wat beïnvloedt de sales? Steevast antwoord van retailers op deze vraag luidt: het weer.

Lankhorst haalde via het KNMI alle data over het lokale weer op en vergeleek dat met de transactiedata van de winkels. ,,Zo kon ik de omzet per winkel, per categorie, per dag accuraat voorspellen," vertelt ze.

Toch kon de salesafdeling daar niet veel mee. Om haar model te verbeteren, te zien waar de gaten zaten en het model steeds te valideren zat ze elke maandag met mensen van finance, marketing en andere afdelingen bij elkaar. Zo kon ze laten zien wat het effect van een regenachtige dag op verschillende doelgroepen was. Na een half jaar kwam ze tot een model waarbij alle factoren op de omzet inzichtelijk gemaakt worden. Niet alleen van het weer, maar ook van vakanties of marketingcampagnes.


Omzet voorspeld
Dat model laat zien dat bij slecht weer minder mensen naar de winkel komen en meer mensen online producten bestellen en thuis laten bezorgen. Nu voorspelt het model automatisch voor alle winkels in Europa wat de omzet wordt, rekening houdend met zaken als het weer en marketingcampagnes. Daarvoor waren daar dertig mensen drie maanden mee bezig.

De volgende stap is om omzet te verhogen met data. Ook daarvoor gebruikt ze weersvoorspellingen. Lankhorst: ,,We kunnen nu al zeggen: als het regenachtig wordt dan gaan waarschijnlijk die en die producten het supergoed doen. Vaak artikelen waar je het niet van verwacht. Maar eigenlijk maakt het niet uit dat dit door het weer komt. We willen winkels een lijst met twintig artikelen kunnen geven die ze op de kop kunnen zetten. Zo proberen we de winkels te verbeteren en te personaliseren."


Leermomentjes
De dataspecialisten van Hema zijn de afgelopen jaren ook vaak op hun bek gegaan. Afdelingen moesten leren wat er wel en niet mogelijk is met data. Soms hadden overwerkte afdelingen helemaal geen tijd om met datamodellen aan de slag te gaan. Ook waren sommige modellen niet toe te passen op verouderde computersystemen.

,,Daarom gaan we voortaan eerst kijken wat er mogelijk is en hoe een afdeling de data wil gebruiken. Zodat we niet iets doen wat supergaaf is, maar waar we niets aan hebben," aldus Lankhorst.
 

 

MEEPRATEN OVER DIT ONDERWERP? REAGEER

Er zijn nog geen reacties gegeven. Wees de eerste die een reactie geeft