Data voor noppes: leer uw klant kennen door de postcode

Niet veel mensen realiseren zich ten volle dat er een schat aan vrij verkrijgbare data op straat ligt. Ik heb het hier over zogenaamde ‘postcode-gerelateerde’ data. Informatie over bijvoorbeeld postcode ‘1111 AB’. Dat betekent niet meteen een inbreuk op privacy of andere onrust. Op deze postcode wonen misschien wel honderden mensen dus het is niet mogelijk om gegevens te herleiden naar een specifiek persoon of naar individuele huishoudens. 

Sterker nog, de overheid deelt via het Centraal Bureau voor de Statistiek (CBS) openlijk dit soort postcode-gerelateerde data en u kunt zelf op bijvoorbeeld ‘cbsinuwbuurt.nl’ (een tool van het CBS) op basis van postcode interessante informatie ophalen. Denk aan het aantal mannen/vrouwen in dit postcodegebied, percentage gezinnen/alleenstaanden, inkomen, welstandsklasse maar ook bijvoorbeeld WOZ-waarde, het aantal inbraken of het gemiddelde energielabel. Ga een keer op een regenachtige zaterdag door de data van het CBS om uw eigen postcode eens verder te analyseren. U komt zeker tot verrassende inzichten!

Als u de postcode van uw klant weet, kunt u dus prima de gevonden informatie gebruiken om uw klant beter te leren kennen. Mijn boodschap is dat datagedreven marketing geen vermogen hoeft te kosten. De hamvraag is natuurlijk wel wat u er dan precies mee kunt en hoe het uw business verder kan laten groeien. Laat ik concreter maken hoe u met weinig moeite al veel met dit soort gratis data kunt doen. 

Ik gebruik een fictief voorbeeld. Vertrekpunt is altijd uw eigen klantenbestand. Dat zijn immers de consumenten die voor uw product of dienst hebben gekozen - de ‘slagader’ van uw bedrijf. Vaak heeft u van deze personen een postcode beschikbaar. U kijkt eens in het klantenbestand en wat blijkt: 80 procent van uw loyale klanten woont op postcode “1111 AB”. Laten we die postcode eens als vertrekpunt nemen. Wat weten we allemaal over mensen die op postcode 1111 AB wonen? Ik heb de openbare databronnen erbij gepakt en ik kom het volgende tegen:

• Regio Amsterdam, Diemen
• Meer dan de helft is een eenpersoonshuishouden. Dus weinig gezinnen
• Er wonen relatief meer vrouwen dan mannen
• Veel appartementen, huurLaag percentage autobezit

Stel u heeft een tuincentrum en uw klanten wonen voornamelijk rondom 1111 AB. Dan kunt u op de volgende manier profijt hebben aan deze data: 

1. Doe geen aanbieding voor een schutting in uw folder, want grote kans dat uw klant geen tuin heeft.
2. Beter niet te prominent die nieuwe trampoline in uitingen terug laten komen, want er wonen weinig gezinnen.
3. En oh ja, die discussie laatst over het beperkt aantal parkeerplekken voor de winkel? U heeft nu een goed argument om geen extra parkeerplekken te creëren: weinig klanten hebben een auto. U doet er dus uw trouwe klanten geen plezier mee. 

Of stel, u heeft een drogisterij. Dan is het op basis van deze data-inzichten aan te bevelen om meer producten voor vrouwen dan voor mannen op de website te laten zien, want er wonen meer dan gemiddeld vrouwen. Bulkaanbiedingen (5 halen 2 betalen) zijn ook minder interessant, want er wonen weinig gezinnen en de woningen zijn kleiner dan gemiddeld; lastig om die grote verpakkingen op te bergen.  Dit is slechts een simpel voorbeeld van hoe je datagedreven kunt werken. U kunt zich voorstellen dat als u dit op grote schaal gaat doen u nog veel meer inzichten zult vinden. Zo kunt u talloze eenvoudige observaties doen die helpen bij een slimmere marketinginzet. En om betere beslissingen te nemen - met data voor noppes!