••••••••••••••••••••••••••••••••••••••••••.... lVI' \I""L- • II',""",

keting. Ais gevolg van de scannertechnologie(barcodes) kunnen op knooppunten in het dis-tributiekanaal in principe aile transacties wor-den vastgelegd. Een voorbeeld zijn de kassa'svan supermarkten. Voor de Verenigde Staten isberekend dat een supermarkt met 50.000transacties per dag en 25.000 tot 30.000 SKU's(stock-keeping units) een retailmarketing data-base per winkel oplevert van 12 tot 16 gigaby-tes (Ing en Mitchell 1994). Deze ontwikkelingwordt met recht de "marketing informationrevolution" genoemd.

• marketingprocessen worden steeds meercomputergestuurd, waardoor belangrijke effi-ciencyvoordelen zijn te behalen. In de busi-ness-to-business en de dienstensector wordtin toenemende mate gebruik gemaakt van da-tabasemarketing en on-line (Internet) marke-ting. Ook hier kunnen in principe aile indivi-duele transacties worden vastgelegd voorlatere analyse en beslissingsondersteuning.

• de enorme toename in de computercapaciteit(geheugen, opslag en snelheid), de mogelijk-heden om via netwerken deze computers metelkaar te laten communiceren waardoor infor-matie bijna in realtime beschikbaar is en hetontstaan van steeds gebruikersvriendelijkersoftware waardoor marketing managers zelf di-rect met systemen kunnen werken ("end-usercomputing"). Ook is het, als gevolg van ont-wikkelingen op het gebied van kennissystemenen AI, steeds beter mogelijk om intelligentie inte bouwen in·marketingmanagement support-systemen.

• de toegenomen concurrentie binnen vrijwelaile markten. Voorheen nationale markten wor-den onderdeel van Europese markten, en doorde liberalisering van het wereldhandelsverkeerneemt daarnaast de globale concurrentie toe.Deregulering en privatisering veroorzaken felleconcurrentie tussen aanbieders in bedrijfstak-

IDEEEN EN INZICHTEN

Marketingmanagementsupportsystemen als strategische

wapens in de concurrentiestrijdet bedrijfsproces marketing maaktop dit moment een snel proces van

informatisering door en bedrijven investe-ren grote bedragen in zogenaamde marke-tingmanagement supportsystemen. Er ko-men steeds meer data beschikbaar overmarkten, klanten en concurrenten en het isvan strategisch belang om hieruit de voorhet marketing management relevante ken-nis te extraheren. Marketingmanagementsupportsystemen moeten op zorgvuldigewijze worden ontworpen, zodat die func-tionaliteit wordt gekozen welke aansluit bijhet soort beslissingen en de beslissings-omgeving waarvoor de systemen zijn be-stemd. In dit artikel wordt een beknoptebespreking gegeven van de belangrijkstetypen marketingmanagement supportsys-temen en het soort toepassingen waar-voor deze worden gebruikt. Daarnaastwordt ingegaan op factoren die kritisch zijnvoor succesvolle marketing managementsupportsystemen in bedrijven en de te ver-wachten ontwikkelingen op dit gebied.

Tnenemend belanq van IT vnnr marketing

Toen de eerste computers in het begin van dejaren zestig de bedrijven binnenkwamen, werdenze vooral ingezet voor die bedrijfsprocessen diehet gemakkelijkst te automatiseren waren, zoa Issalarisadministratie, boekhouding, productie enlogistiek. Dit waren relatief goed gestructureerdeprocessen, waarbij beslissingen geheel of vooreen groot gedeelte door de computer kondenworden overgenomen. Inmiddels is de compu-terisering van deze terreinen in belangrijke matevoltooid. Het bedrijfsproces marketing is tot nutoe relatief achtergebleven als het gaat om in-formatisering. De "backoffice"-processen van deonderneming zijn eerder gecomputeriseerd dandie van de "frontoffice". Op dit moment zien weechter dat bedrijven veel IT-investeringen doenop het terrein van marketing en verkoop. In eenonderzoek in het Verenigd Koninkrijk werd ge-vonden dat de IT-uitgaven voor marketing enverkoop inmiddels al 15% van aile IT-investerin-gen van bedrijven uitmaken (Shaw 1994). Het valtte verwachten dat deze uitgaven verder zullenstijgen. De belangrijkste oorzaken zijn:• de snel toenemende hoeveelheid data in mar-

CEO's Verandering

Veranderen betekent tisico's durven nemenen flexibel zijn. Maar soms betekent het nietmeer dan een oude filter door een nieuwevervangen.

Tony Grider

..................................................... ~J7 .

............................................ MARKETING .IDEEEN EN INZICHTEN

ken waar vroeger de rust van de overheidheerste, zoa!s in telecommunicatie, publiekvervoer en energie. Ook technologische ont-wikkelingen zelf zorgen voor verhoogde con-currentie, bijvoorbeeld in de financiele sectorwaar creditcardmaatschappijen en softwarebe-drijven de positie van de gevestigde bankenbedreigen.

Meer kennis over markten en klanten is dus nietalleen mogelijk geworden door de toename vande hoeveelheid data en van de ontwikkelingen inIT, maar ook als gevolg van de concurrentiedrukwordt het ook steeds meer noodzaak om dezemogelijkheden optimaal te benutten. Ais uw be-drijf deze kennis over de markt niet verzamelt,doet uw concurrent het wel en creeert het daar-mee een strategisch voordeel. Immers, inzichtenin het gedrag van klanten, in verschillen tussenklanten, hun reacties op marketingprikkels, deacceptatie van productvernieuwing, de factorendie hun (dis-)Ioyaliteit bepalen, bieden evenzo-veel mogelijkheden om door middel van hetaanbod de positie van het eigen bedrijf in demarkt te verstevigen. Effectieve marketingma-nagement supportsystemen worden daarom intoenemende mate een strategisch wapen in deconcurrentiestrijd.

Met de aanschaf van marketingmanagementsupportsystemen zijn doorgaans grote bedragengemoeid. Was het vroeger nog zo dat sommigemarketers of marktonderzoekers bij wijze van lief-hebberij zelf hun prive-systeernpjes bouwden,tegenwoordig dienen deze systemen zorqvuldiqte worden ontworpen en geselecteerd op hungewenste functionaliteit. In dit artikel geven weeen (beknopte) bespreking van de verschillendetypen marketingmanagement supportsystemendie op dit moment beschikbaar zijn en het soorttoepassingen waarvoor deze kunnen worden ge-bruikt. We zullen ook iets zeggen over het succesvan marketingmanagement supportsystemen ende factoren die van invloed zijn op dit succes. Wehopen dat deze informatie nuttig is voor hen dieop dit moment voor het eerst belangrijke inves-teringen in IT>voor marketing overwegen of zichberaden over gewenste aanpassingen van hunsystemen.

Datagedrevenmarketing management supportsystemen

We onderscheiden twee hoofdcategorieen vanmarketingmanagement supportsystemen (Wie-

renga en Van Bruggen 1999): data-gedreven enkennis-gedreven marketingmanagement sup-portsystemen. We beginnen met de eerstge-noemde categorie die, in de tijd gezien, het eersttot ontwikkeling kwam. Vanuit de naamgeving isduidelijk dat datagedreven marketingmanage-ment supportsystemen (MMSS) hun vertrekpuntvinden bij de gegevens, zoals ze binnenkomenuit interne en externe bronnen. Het gaat eromgegevens te verzamelen, te selecteren, te bewer-ken en te interpreteren om uiteindelijk hieraankennis te ontlenen die nuttig is voor het nemenvan marketingbeslissingen. Dit proces van ruwedata tot implementeerbare kennis zou de kennis-waardeketen kunnen worden genoemd. In deverschillende fasen wordt aan de data waardetoegevoegd die uiteindelijk tot bruikbare kennisleidt.Het soort kennis dat we uit de data willen ge-nereren kan betrekking hebben op een viertalniveaus van vragen:

(i) wat (what happened)?(ii) waarom (why did it happen)?(iii) wat gebeurt er indien (what-if)?(iv) wat dient er te gebeuren (what-should)?

De datagedreven MMSS die wij hier zullen be-spreken kunnen worden gerelateerd aan boven-genoemde niveaus van vragen.

Marketinginformatiesystemen (MKIS)

Marketinginformatiesystemen bestaan uit eencombinatie van een database met marketing-data en een aantal statistische proceduresom deze data te analyseren en tot informatiete transformeren. Marketinginformatiesystemendienen vooral om de vragen (i) en (ii) te beant-woorden. Bij "wat-vragen" gaat het om infer-matie over wat er is gebeurd. Dit betreft hetsoort vragen zoals: hoeveel hebben we ver-kocht, aan wie, hoe groot is ons marktaandeel,hoe groot was de winstmarge, hoeveel heb-ben we uitgegeven aan reclame, wat zijn dereclamebestedingen van de concurrent, hoehoog is onze prijs ten opzichte van de concur-rent, etc. Dit soort "status-reporting" vormt debasis van aile kennis over de markt. De princi-pes van de architectuur van marketinginforma-tiesystemen werden in feite al in het middenvan de jaren zestig gedefinieerd (Kotler 1966).Maar met de toegenomen IT-mogelijkhedenzijn bedrijven pas in de jaren negentig opgrote schaal ertoe overgegaan MKIS te instal-

.....•••••......................................•.••• ~~ ................................••••................•

............................................ MARKETING .

dergelijke vragen. Hiervoor beschikken deze sys-temen over simulatiemodellen. Bij marketingde-cision supportsystemen staat de management-relevantie van de gegeven antwoorden centraal.Het gaat er niet om een heel precieze voorspel-ling te doen, bijvoorbeeld het exacte aantal ton-nen omzet van een nieuw product, maar veeleerom de richting en de orde van grootte van effec-ten. Soms wordt aan de managers zelf gevraagdom met behulp van hun expertise een decisionsupportsysteem te kalibreren, bijvoorbeeld methun kennis over de invloed van reclame op deverkopen (in Little's ADBUDG model) 1 of methun inzichten in het effect van meer vertegen-woordigersbezoeken op de omzet (in Lodish'CALLPLAN model). Marketingdecision support-systemen vormen een flexibele tool om beslissin-gen te ondersteunen in minder gestructureerdesituaties. Andere voorbeelden van veel toege-paste marketingdecision supportsystemen zijn:ASSESSOR, ontwikkeld door Silk en Urban voorde voorspelling van de omzet van nieuwe super-marktproducten en SCAN PRO, van Wittink e.a.voor het voorspellen van de effecten van sales-promoties.

IDEEEN EN INZICHTEN

leren. Een moderne beschrijving van een MKIS ishet Inquiry Center van Barabba en Zaltman(1991).Bij de "wat-vraag" gaat het in de eerste plaats omsystemen die opslag en retrieval van marketing-gegevens mogelijk maken. De "waarom-vraag"gaat een stap verder. Ais antwoord op dezevraag wil een marketer weten of een bepaaldemarketinguitkomst, bijvoorbeeld een lagere om-zet of een lager marktaandeel, wellicht samen-hangt met andere variabelen, zoals het weer, eengeringere verkoopinspanning of een agressievepromotiecampagne van een belangrijke concur-rent. Om dit soort vragen te kunnen beantwoor-den is statistische analyse nodig van de samen-hang tussen variabelen. Marketers zijn met namege'fnteresseerd in de respons van verkopen op demarketingactiviteiten (eigen activiteiten en dievan de concurrent) in de markt. Terwijl het beant-woorden van de wat-vraag status-reportingwordt genoemd, wordt daarom het beantwoor-den van de waarom-vraag "response-reporting"genoemd. Voor response-reporting zijn statisti-sche analysetechnieken nodig, waarvan correla-tieanalyse en (multipele) regressie de meest een-voudige en bekende zijn. Andere veelgebruiktetechnieken zijn discriminantanalyse, clusterana-lyse, factoranalyse en structurele vergelijkingen(LiSREL). Het verdient aanbeveling bij het instal-leren van een marketinginformatiesysteem niet tevolstaan met alleen opslag- en retrievalfunctio-naliteit, maar tevens een aantal (statistische) ana-Iyse-functionaliteiten in te bouwen. Aldus kanmen inzicht krijgen in de causaliteit tussen ver-schijnselen: wat beinvloedt wat, m.a.w. de "waar-om"-vraag.Voorbeelden van marketinginformatiesystemenzeals die in de praktijk worden gebruikt zijn hetINF*ACT systeem van AC. Nielsen voor fast mo-ving consumer goods en BaanFrontOffice voorde busi ness-to-businesstoepassingen.

Marb:!tingdE!cision SupportsystE!ms

Marketingdecision supportsysternen (MDSS)richten zich specifiek op de vragen van niveau(iii), de zoqenaarnde what-if vragen. Een marke-ter wil graag weten wat er zou gebeuren bij hetnemen van een bepaalde marketingbeslissing,bijvoorbeeld het opvoeren van het reclamebud-get, het introduceren van een nieuw product, eenbepaalde salespromotie, etc. Wat zou het effectvan deze marketingacties zijn op verkopen, of ophet marktaandeel? Marketingdecision support-systemen proberen antwoorden te geven op

MarkE!tingmodE!lIE!n

Voor het beantwoorden van vragen van hethoogste niveau (iv) zijn marketingmodellen no-dig. Bij de "what-should"-vraag gaat het om deoptimale marketingstrategie: wat moet er ge-beuren, wat is de beste beslissing, gegeven onzedoelstellingen en onze kennis van het marktme-chanisme? Een marketingmodel bestaat uit tweedelen: (a) een wiskundig model dat het marke-tingproces (het marktmechanisme) beschrijft, in-clusief de relatie tussen de beslissingsvariabelen(bijvoorbeeld prijs, reclamebudget, inspannin-gen voor persoonlijke verkoop) en omzet; en (b)een optimaliseringprocedure die de beste waar-den voor de beslissingsvariabelen zoekt, bin-nen de gestelde beperkingen zeals productie-capaciteit en marketingbudget. Om een marke-tingmodel te kunnen gebruiken, moet hetworden geparametriseerd, d.w.z. er moeten nu-merieke waarden worden gevonden voor deparameters. Deze parameterwaarden wordendoorgaans met geavanceerde econometrischetechnieken afgeleid uit beschikbare historischegegevens. Marketingmodellen zijn beter toe tepassen naarmate de te ondersteunen marketing-problemen beter gestruc;:tureerd zijn. Voorbeel-den van relatief goed gestructureerde marke-tingproblemen zijn bijvoorbeeld salesplanning,

..................................................... ~~ ...........................................•.........

............................................ MARKETING .IDEEEN EN INZICHTEN

schapruimte-allocatie in supermarkten en media-planning. Dit zijn dan oak voorbeelden van ter-reinen waar marketingmodellen met succes zijntoegepast.

Kennisgedrevenmarketingmanagement supportsystemen

De zojuist besproken MMSS richten zich vooralop de vraag hoe we uit datamarketing kenniskunnen destilleren. Bij kennisgedreven marke-tingmanagement supportsystemen gaat heterom hoe we kennis in systemen kunnen repre-senteren en deze systemen vervolgens inzettenvoor het ondersteunen van marketingbeslissin-gen. Dit betreft kennis over marketingverschijn-selen in de ruimste zin. Deze kan verkregen zijnuit analyse van marketingdata zeals zojuist be-sproken, maar ze kan oak afkomstig zijn uit demarketingtheorie zoals we die aantreffen in leer-boeken of betrekking hebben op kennis zoa!s diezich in het hoofd van beslissers bevindt. (Marke-ting)managementbeslissingen komen vrijwel al-tijd neer op het combineren van binnenkomendeinformatie en de ervaring en expertise die demanager al heeft. Het is belangrijk oak dezelaatstgenoemde kennis in marketingmanage-mentsystemen te kunnen representeren. De mar-ketingkennis waarover we het hier hebben isveelal kwalitatief. Ze kan betrekking hebben oprelaties tussen variabelen (bijvoorbeeld: door re-clame gaat de merkbekendheid omhoog). oppatronen van verschijnselen (bijvoorbeeld hetgeheel van omstandigheden die gunstig zijn voorde introductie van een nieuw product) of opaangeleerde normatieve inzichten (bijvoorbeeld:met een A-merk moet je niet met de prijs stun-ten). Door de voortgeschreden inzichten in decognitieve wetenschappen (met name artificieleintelligentie) is het in toenemende mate mogelijkgeworden kennis te representeren in computersen vervolgens daarmee te redeneren bij het op-lassen van (marketing) problemen. Dit heeft ge-leid tot de volgende marketingmanagement sup-portsystemen.

Marketing exp ertsystemen

Bij marketingexpertsystemen wordt kennis vandeskundigen vastgelegd in computerprogram-rna's in de vorm van regels ("rule-based" kennis-representatie). Voorbeelden van zulke regels (ineen expertsysteem voor reclame) zijn:

1. a/s het een nieuw product betreft, dat aanhet begin van de product lifecycle staat,dan is het gewenst am de prima ire vraag(d.w.z. de vraag naar de productklasse) te sti-muleren;

2. a/s het product onvoldoende wordt gebruikt,dan moeten consumenten worden gestimu-leerd het product te proberen.

Een expertsysteem wordt gevoed met gege-vens over een bepaalde situatie. Het expertsys-teem laat hierop vervolgens als-dan regels los,zeals daarnet besproken, hetgeen via een aan-tal redeneerstappen resulteert in conclusies dievoor het marketing management relevant zijn.Zo kan een marketingexpertsysteem op het ter-rein van reclame aanbevelingen doen over demeest geschikte reclamecampagne voor eenbepaald merk. Een expertsysteem voor nieuweproducten kan helpen am ideeen voor nieuweproducten te screenen en een expertsysteemvoor marktmonitoring kan aan het werk wor-den gezet am voor binnenkomende marktge-gevens te scannen op alarmerende omstan-digheden, bijvoorbeeld een plotselinge dalingvan het marktaandeel of het verliezen van be-langrijke klanten. Door de grate hoeveelhe-den gegevens is dat handmatig niet meer uit tevoeren.Een expertsysteem bevat twee soorten kennis: (a)de kennis over het vakgebied waarop het expert-systeem betrekking heeft (de zgn. domeinkennis,in ons geval bijvoorbeeld kennis over reclame ofkennis over nieuwe producten) en (b) de kennisover het redeneren. Dit leidt tot de twee belang-rijkste componenten van een expertsysteem, teweten de kennisbase (knowledge base) en deredeneermachine (inference engine). Het princi-pe van het expertsysteem werd in de jaren zeven-tig ontwikkeld aan de Stanford Universiteit.Sindsdien hebben expertsystemen een gratevlucht gemaakt in een grate diversiteit aan toe-passingsgebieden en is een ruim aanbod vanondersteunende software voorhanden. In marke-ting werden de eerste expertsystemen ontwik-keld in de tweede helft van de jaren tachtig.Sindsdien is e.r een groat aantal marketingex-pertsystemen verschenen, o.a. op domeinenzoals salespromotie, het monitoren van binnen-komende scanningdata, nieuwe producten enreclame (Wierenga en Van Bruggen, 1999). Ex-pertsysteemtechnologie kan worden gebruiktam intelligentie toe te voegen aan marketingma-nagement supportsystemen. Een expertsysteemzal vaak functioneren onder het niveau van eenervaren menselijke expert. In situaties waar laatst-genoemde expertise echter schaars is en activi-

..................................................... ~() .

............................................ Mt\KI\.r.III'I1.7 .

IDEEEN EN INZICHTEN

teiten een sterk routinematig karakter hebben(zoals het genoemde voorbeeld van het monito-ren van binnenkomende scanningdata of het se-lecteren van klanten die in aanmerking komenvoor een creditcard) kunnen expertsystemengoede diensten bewijzen.

Marketing rasebased rBasoningsystBmBn

Casebased reasoningsystemen zijn gebaseerdop de observatie dat menselijke beslissingen endus ook die van marketingbeslissers, vaak niethet gevolg zijn van een grondige analyse vanhet probleem, maar veel meer van de overeen-komst tussen een nieuw prableem en prablemendie men eerder is tegengekomen en de toengekozen oplossingen. Een arts die een patientmet bepaalde symptomen op zijn spreekuurkrijgt, herinnert zich vaak een andere patientmet overeenkomstige symptomen en komt opbasis daarvan tot dezelfde diagnose en behande-ling. Op dezelfde wijze zal ook een marketingbe-slisser een bepaalde constellatie van marketing-symptomen vaak interpreteren vanuit eerdereervaringen en aldus besluiten tot een bepaaldemarketingactie. Deze manier van probleemop-lossen wordt "analogical reasoning" genoemden komt vol gens cognitief psychologen veelvoor. Deze manier van probleemoplossen is snelen efficient en impliceert dat de beslisser in eencontinu leerproces zit. Bij veel beraepen zoalsartsen, advocaten, architecten en management-consultants, bestaat de opleiding zelf voor eengroot deel uit het geconfranteerd worden meteen groot aantal cases als de basis voor de latereberoepspraktijk.Casebased reasoning (CBR) is een nieuw gebiedbinnen het vakgebied artificie!e intelligentie, datgebaseerd is op deze notie van analoog rede-neren. Het hart van een casebased reasoning-systeem is de zogenaamde casebase. Hierinworden eerder cases opgeslagen met zoveelmogelijk relevante informatie. Ais er een nieuwprobleem opduikt, gaat het systeem in de case-base zoeken naar een soortgelijk probleem enneemt de bijbehorende in het verleden gekozenoplossing als het startpunt voor de oplossing vanhet nieuwe probleem. De oplossing wordt nietzonder meer gekopieerd. Er kan een zekere"adaptatie" nodig zijn omdat het nieuwe pro-bleem niet geheel identiek was aan het probleemin de casebase. Bijvoorbeeld: een fabrikant vanslasaus zoekt naar een effectieve salespromotie.In zijn casebase vindt hij een succesvolle "joint"promotie van Mexicaanse saus met potato chips.

Dit brengt hem op het idee van een joint promo-tie van zijn slasaus met verse sla. Omdat sla eenvers product is dat in eenspeciale afdeling vande supermarkt wordt verkocht, zal deze sales-promotie anders moeten worden ge'I'mplemen-teerd dan een joint promotie van twee voor-verpakte producten. Niettemin is het onder-liggend idee hetzelfde. Het opzetten van eencasebased reasoningsysteem vergt het goedoverdenken van aspecten zoals: de wijze vanrepresenteren van cases, het definieren van over-eenkomst (similarity) maten en het kiezen vanefficiente zoekprocedures (vooral belangrijkvoor grate casebases). Inmiddels is er een aan-zienlijk aanbod van CBR-systemen beschikbaar.Casebased reasoningtoepassingen beslaan eengroot aantal gebieden zoals de technologiesec-tor, de bank- en verzekeringsbranche, productieen transport. CBR is vooral geschikt voor toe-passingsgebieden met beperkte kennis (weakknowledge) en waar de problemen niet zeer ge-structureerd zijn. Marketing is een typisch voor-beeld van een dergelijk domein. De eerste toe-passingen van CBR in marketing liggen op hetterrein van salespromotie, maar het toepassings-potentieel van CBR voor het marketingdomeinis veel breder dan dat. De CBR-technologiebiedt niet alleen ondersteuning bij het oplossenvan actuele problemen. De casebase kan de be-langrijke functie krijgen van een "corporate mar-keting memory". Verder kent de benadering eeninherente dynamiek. De casebase groeit voort-durend omdat aile nieuwe ervaringen weer wor-den opgeslagen. Deze dynamiek brengt het ele-ment van leren met zich mee. Aldus kan decasebase ook weer een bran worden van nieuwekennis. Zoals bekend, staan kennismanagementen leren op dit moment hoog op de corporateagenda.

Naurale netwerken

Terwijl bij expertsystemen en casebased reaso-ning, kennis expliciet wordt gemaakt, blijft dezebij neurale netwerken impliciet. De kennis is na-melijk als zodanig niet "grijpbaar", maar is vervatin een netwerk dat wordt gebruikt om te classifi-ceren en te voorspellen. Een netwerk wordt ge-traind op bestaande voorbeelden of cases dieaan het netwerk worden aangeboden. Hieruit"Ieert" het netwerk om bepaalde patranen teherkennen en deze geleerde associaties (dit isde gegenereerde kennis) kunnen vervolgensworden toegepast voor het maken van voorspel-lingen in nieuwe situaties. Neurale netwerken

••••••••.•........................................... ~~ .

............................................ MARKETING .IDEEEN EN INZICHTEN

worden zo genoemd omdat hun architectuur isontleend aan het menselijk brein, waarin binnen-komende prikkels via netwerken van onderlingverbonden zenuwcellen worden omgezet tot as-sociaties met bepaalde concepten. Bij (kunstma-tige) neurale netwerken wordt deze architectuur,in sterk vereenvoudigde vorm, nagebouwd ineen computer.Een (kunstmatig) netwerk. kan bijvoorbeeld alsvoigt worden getraind voor het herkennen vaninteressante prospects voor een nieuw product.

'Stel dat we over een database beschikken vanklanten die benaderd zijn voor het nieuwe pro-duct en waarvan we weten of ze het product welof niet hebben gekocht. Aan het netwerk wordtuit deze database dan steeds een combinatieaangeboden van kenmerken van de klant (groot-

, te, bedrijfstak, koopgedrag in het veri eden, etc.)en het gegeven of die klant het nieuwe productwel of niet heeft gekocht. Ais het netwerk eengroot aantal van deze klanten heeft "qezien",heeft hij geleerd het patroon van kenmerkendat hoort bij de kopers te onderscheiden vanhet patroon van kenmerken van niet-kopers.Een aldus getraind netwerk kan vervolgens wor-den gebruikt om voor nieuwe klanten, die nogniet waren benaderd, te voorspellen of zij wel ofniet tot aankoop van het nieuwe product overzullen gaan. Dit maakt een gerichte selectie vante benaderen prospects mogelijk en het is duide-lijk dat een dergelijke werkwijze tot een veelefficientere aanpak leidt dan het at random be-naderen van klanten.Neurale netwerken hebben een grote vlucht ge-nomen en worden toegepast in vrijwel aile ter-reinen van management. Ze zijn vooral geschiktvoor vakgebieden met veel data. De specifiekekracht van neurale netwerken is hun vermogenom zonder a-priorihypothesen verbanden en pa-tronen in grote datasets te ontdekken. Het isdaarom duidelijk dat neurale netwerken ook voormarketing een belangrijke nieuwe technologievertegenwoordigen. Ook voor neurale netwer-ken zijn inmiddels talrijke tools voorhanden. Neu-rale netwerken worden zowel toegepast voormarketingtijdreeksdata als voor zogenaamdecross-sectiedata. Van het laatste is de besprokentoepassing voor de selectie van prospects eenvoorbeeld.

llatewarehnusinq en datamining

Zoals eerder besproken, beschikken onderne-mingen in toenernende mate over grote hoeveel-heden data, afkomstig van transacties met klan-

ten, distributeurs, toeleveraars, etc. Voordat eenonderneming effectief met marketingmanage-ment supportsystemen aan de slag kan, moetendeze gegevens zodanig worden georganiseerddat ze toegankelijk zijn voor deze methoden.Tegenwoordig wordt hierbij veelal het begripdatawarehouse gebruikt (O'Connor & Galvin,1997). Men ging zich realiseren dat er ten princi-pale twee manieren van datagebruik zijn in eenonderneming: (a) voor operationele, transactio-nele processen en (b) voor het ondersteunen vanbeslissingen van het management. Voor hettweede type datagebruik ging men zogenaam-de datawarehouses inrichten, waarin data zijnopgeslagen die losstaan van het dagelijkseoperationele proces en die geheel gericht zijnop managementondersteuning. Een dataware-house wordt continu gevuld met gegevens van-uit de transactieprocessen. De kwaliteit vanhet datawarehouse, die onder andere afhankelijkis van de soorten data die zijn opgeslagen, dewijze van opslag, de data-integriteit en de toe-gankelijkheid bepaalt in belangrijke mate haarpotentie!e strategische betekenis in de concur-rentiestrijd. De bovengenoemde marketingma-nagement supportsystemen kunnen alleen effec-tief bijdragen bij de aanwezigheid van eenadequaat datawarehouse. Dit is zonder meerduidelijk voor de datadriven MMSS, marketingin-formatiesystemen, marketingdecision support-systemen en marketingmodellen. Maar ook dekennisgedreven MMSS werken vaak in directeinteractie met databases. Een expertsysteemvoor het monitoren van gebeurtenissen zal ditbijvoorbeeld doen aan de hand van gegevensin het datawarehouse en de casebase van eencasebased reasoningsysteem zal veelal onder-deel zijn van het data-warehouse. Ook de datavoor het trainen van een neuraal netwerk staandoorgaans in de databases van het data-warehouse. De hoeveelheden gegevens in eendatabase zijn veel te groot om daarin "met hetblote oog" interessante feiten en verbanden teontdekken. Het zijn de besproken marketing-management supportsystemen die hierbij hulpbieden. Voor het extraheren van informatie enkennis uit datawarehouses is een speciale termin omloop gekomen, namelijk datamining(Adriaans en Zantinge, 1996). Een bijzonderevorm van datamining is het ontdekken van kennisdie als het ware verborgen ligt onder de diepelagen van het datawarehouse. Hiervoor wordtsteeds vaker de term Knowledge Discovery inDatabases (KDD) gebruikt. Neurale netwerkenvormen een veel gebruikte techniek bij het op-sporen van patronen en samenhangen in data-bases.

.....................•............•••...•••••••...... ~~ ........................••••••••••••••...............

•••.•••••••••••••••••••••••••••••••••••••••• IVln"I'L-. I II "1\...1' ••••••••••••••••••..•.••••••••.............. --

IDEE EN EN INZICHTEN

..................................................... ~E5 .

EffE~cti EVEmarketinpmanaqement supportsystEmEn

Niet elk marketingmanagement supportsysteernheeft succes en niet aile investeringen in dezesystemen zijn renderend. Het succes van eenMMSS is niet altijd precies te meten en bevatnaast "harde" elementen, zeals hogere omzeten meer winst, ook "zachte" elementen, zealshet eerder op de markt zijn met een nieuw pro-duct dan de concurrent en het opbouwen vanbetere relaties met klanten. Niettemin vallener uit onderzoek wel een aantal inzichten afte leiden die van belang zijn als het gaat omhet vergroten van de kans op succes van eenMMSS.• MMSS moeten worden ontwikkeld vanuit de

vraagzijde. Hierbij spelen vragen zeals: welksoort beslissingen moet worden ondersteund,door welk type beslissers in welke omgeving?Bijvoorbeeld of het verstandig is wel of nieteen marketing model te ontwikkelen in eenbepaalde situatie hangt af van vragen zoa Is:is er genoeg bekend van het betreffende mar-ketingproces om daarvan een wiskundig mo-del te kunnen bouwen, hebben de beslissershet analytisch niveau om met een mar-ketingmodel te kunnen werken en past debeslissingsstijl binnen de omgeving waarin demanager opereert (d.w.z. van de onderneming)bij zon model? Ais het antwoord negatief is,kan beter een ander type MMSS worden ont-wikkeld.

• Er moet een goede match zijn tussen de func-tionaliteit die de beslissingssituatie vraagt ende functionaliteit die door het MMSS wordtgeleverd. Vanuit de beslissingssituatie kanworden afgeleid wat de dominante marketingproblem-solving mode is (Wierenga en vanBruggen, 1997). Het aangeboden MMSS moetdaarmee in overeenstemming zijn. Bijvoor-beeld in een situatie waar "analogizing" (hetzoeken van overeenkomsten met eerder voor-gekomen problemen) dominant is, is eencasebased reasoningsysteem is een MMSSmet een goede match.

• Designkarakteristieken van het MMSS zijn be-langrijk. Ondanks een goede match als hier-voor beschreven, zal een MMSS niet functio-neren als er belangrijke designgebreken zijn.Hierbij moet worden gedacht aan elementenzoals: toegankelijkheid van het systeem, ge-bruikersvriendelijkheid, flexibiliteit (rigide sys-temen worden snel terzijde gelegd) en de wijzewaarop gegevens en uitkomsten door het sys-teem worden gepresenteerd .

• Er moet veel aandacht worden besteed aande implementatie van het systeem in de on-derneming. Het is gebleken dat de manierwaarop een MMSS wordt ge'fmplementeerdvan cruciale betekenis is voor haar succes.Met name steun van het topmanagement,het betrekken van de gebruikers (de marke-tingbeslissers) bij de implementatie en eengoede samenwerking tussen marketing en deIT-afdeling zijn belangrijke succesfactoren vooreen MMSS.

«

Niet alleen zijn er steeds meer data beschikbaar,maar marketingmanagers zijn vanuit hun oplei-ding en achtergrond ook steeds beter in staat ommet marketingmanagement supportsystemen tewerken en hiermee hun voordeel te doen. Naastde sector fast moving consumer goods, waar totnu toe de meest geavanceerde systemen te vin-den waren, zal in andere sectoren de behoefteaan MMSS snel toenemen. Dit is vooral een ge-volg van het snel toenemend gebruik van data-basemarketing en interactieve marketing. Elec-tronic commerce leidt, ook in de business-to-business-sector, tot goedgevulde datawarehou-ses bedoeld voor de ondersteuning van mana-gementbeslissingen.

In het voorgaande hebben we marketingmana-gement supportsystemen besproken met zeerverschillende functionaliteiten. In de toekomstzullen deze functionaliteiten steeds vaker wordengecombineerd in geintegreerde systemen. Wezullen bijvoorbeeld systemen tegenkomen, waar-bij optimaliseringsfaciliteiten (marketingmodel-len) zijn gecombineerd met de intelligentie vanexpertsystemen. Immers voor de manager isniet de supporttechnologie primair van belang,maar wat hij met het systeem kan doen. Wezullen ook nog een ander type integratie zien.Mede als gevolg van databasemarketing enelectronic commerce wordt marketing steedsmeer een herkenbaar proces binnen een on-derneming. Dit marketingproces moet zo goedmogelijk worden gekoppeld aan de andereprocessen van een bedrijf, zoals productie, 10-gistiek, finance en accounting. Dit is ook de filo-sofie achter het concept van enterprise resour-ceplanning (ERP). Om deze reden zullen deinformatiesystemen voor de verschillende be-drijfsprocessen ook steeds vaker worden ge-koppeld. Voor een goede afstemming is hetnodig dat de frontofficesystemen (marketing en

............................................ MARKETING ..............•••...........................IDEEEN EN INZICHTEN

verkoop) worden ge·fntegreerd met de syste-men voor de genoemde backoHiceprocessen.Op deze wijze kunnen marketingmanagementsupportsystemen nog beter worden ingezetvoor het realiseren van een strategisch voordeelvoor de onderneming.

Berend WierengaGerrit van Bruggen

Referenties

- Adriaans, P. and D. Zantinge (1996): Data Mi-ning. Harlow UK: Addison Wesley.

- Barabba, V.P. and G. Zaltman (1991): Hearingthe Voice of the Market: Competitive Advan-tage through Creative Use of Market Informa-tion. Boston MA: Harvard Business SchoolPress.

- lng, David and Andrew A. Mitchell (1994):Point-of Sales Data in Consumer Goods Mar-keting: Transforming the Art of Marketing intothe Science of Marketing, in: Blattberg, RobertC, Rashi Glazer, and John D.C. Little (eds.),The Marketing Information Revolution, BostonMassachusetts: Harvard Business School Press,30-57.

- Kotler, Philip (1966): A Design for the Firm'sMarketing Nerve Center, Business Horizons, 9(Fall), 6374.

- O'Connor, J. and E. Galvin (1997): MarketingInformation Technobgy. London: Pitman Pu-blishing.

- Wierenga, B. and G.H. van Bruggen (1997):The Integration of Marketing Problem-SolvingModes and Marketing Management SupportSystems, Journal of Marketing, Vol 61, (July),21-37.

- Wierenga, B. and G.H. van Bruggen (1999):Marketing Management Support Systems:Principles, Tools and Effectiveness. Boston:Kluwer Academic Publishers, in druk.

Voetnoot

1 In dit artikel zijn de literatuurverwijzingen be-perkt gehouden. Voor uitvoeriger documentatiewordt de lezer verwezen naar Wierenga en vanBruggen (1999).

Prof. dr. ir. BerendWierenga F1945) ishoog/eraar marketingaan de Facu/teit Be-drijfskunde / RotterdamSchool of Manage-ment van de ErasmusUniversiteit Rotterdam.Hij studeerde Econo-mie aan de Universiteit

Wageningen en bekleedde visiting positionsaan de Stanford University (USA), The WhartonSchool (University of Pennsylvania, USA) enINSEAD (Fr). Het onderzoek van de heer Wie-renga is vooral gericht op de Interface vanmarketing en informatietechnologie. Publica-ties op dit gebied verschenen o.a. in Journalof Marketing, International Journal of Researchin Marketing, Management Science, Communi-cations of the ACM en Management Informa-tion Systems Quarterly. Samen met de andereauteur van dit artikel, dr. G.H. van Bruggenschreef hij het boek Marketing ManagementSupport Systems: Principles, Tools and Effecti-veness (Boston: Kluwer Academic Publishers·1999; te verschijnen). '

Dr. ir. Gerrit H. vanBruggen is universi-tair hoofddocent mar-keting aan de Facul-teit der Bedrijfskunde,Erasmus UniversiteitRotterdam. Zijn onder-zoeks- en onderwijsac-tiviteiten hebben be-trekking op de relatie

tussen marketing en informatietechnologie.Voorbeelden van onderzoeksonderwerpen zijnmarketingmanagement supportsystemen, hetdelen van informatie met kanaalpartners enElectronic Commerce. Publica ties over dezeonderwerpen verschenen o.a. in Journal ofMarketing, Management Science, InternationalJournal of Research in Marketing en Manage-ment Information Systems Quarterly.

.....................................................96 ...•......•••••......................................