Vorig jaar schreef ik in CustomerFirst over mijn eigen customer journey bij KLM, dat miljoenen investeert in social media. Zij reageerden heel snel op mijn tweet over een koffer die niet aankwam, maar waren niet in staat mij te vertellen wanneer mijn koffer zou worden nagezonden, simpelweg omdat het social media team niet over die data beschikte. We hebben het in dit geval over machine data. Dat zijn alle data die door systemen, en dus niet door mensen, worden vastgelegd. Bijvoorbeeld de logfiles van telefoniesystemen, logfiles van apps en websites, transactiedata uit allerhande systemen, locatiedata van mobiele telefoons, et cetera. Deze data vertellen vaak een veel completer verhaal dan social media doen. Waarom zou een hoofdkantoor van een winkelketen via Twitter-analyses achterhalen hoe lang de wachtrijen in de winkels zijn als je ook positioneringsdata van mobiele telefoons kunt analyseren? Dit levert een betrouwbaarder beeld op en er is minder mankracht voor nodig.

Data democratiseren
Gebruik van machine data was het thema van het jaarlijkse event van Splunk, specialist in het samenbrengen en geïntegreerd analyseren van machine data. Als er één ding duidelijk werd, dan is het wel dat het gebruiksgemak van de software zo groot is geworden dat je ook zonder kennis van de technologie datasets kunt samenvoegen en complexe analyses kunt maken. Taken waar je voorheen nog verschillende applicaties voor nodig had, worden nu geïntegreerd op één platform. Het ontwikkelen van algoritmen wordt steeds eenvoudiger door toepassing van machine learning, wat ervoor zorgt dat het initiële algoritme vrij eenvoudig kan zijn en door training alsmaar beter - en daarmee vaak complexer - wordt. Splunk is hierin overigens niet uniek, ook andere leveranciers van data-integratie en –analyseplatformen willen het gebruik van data democratiseren: iedere afdeling, iedere medewerker moet zijn eigen analyses kunnen maken.
Wat Splunk daar nog aan toevoegt is de mogelijkheid om je vraag in gewone mensentaal in te voeren, waarna de software het bijbehorende algoritme maakt (voorlopig alleen in het Engels beschikbaar). Aangezien deze software pas dit najaar op de markt komt, zijn er nog geen bedrijven die het al gebruiken, maar wel klanten die erover fantaseren. “Het zou geweldig zijn als ik gewoon tegen de software kan zeggen: hoe druk wordt het het komende uur bij de douane en de security en waar gaan dan het eerst knelpunten ontstaan?”, zegt Chris Howell, Head of Business Systems van luchthaven London Gatwick.

Zeven minuten
Die analyse maken ze op Gatwick ook al, maar daar komt nog enig programmeerwerk aan te pas. De software maakt real-time analyses hoeveel passagiers het komende uur op de luchthaven arriveren met de auto, de trein en vliegtuig. Tevens berekent het systeem hoeveel bagagewagentjes op welke plek staan, hoeveel trays er bij welke securitypunten beschikbaar zijn, hoeveel personeel het komende uur waar is ingepland et cetera. Door die twee uitkomsten te combineren worden planningen real-time bijgesteld zodat de luchthaven weet dat er op ieder moment en op iedere plek voldoende bronnen beschikbaar zijn om passagiers af te handelen.
Dat is noodzakelijk, want Gatwick heeft een record in handen: op één start- en landingsbaan handelen zij maar liefst 40,8 miljoen passagiers per jaar af. Ze bouwen daarom een tweede start- en landingsbaan, en daar moet de afhandeling van passagiers, bagage en vliegtuigen nog efficiënter gebeuren. “We willen straks naar maximaal 7 minuten om door de douane en security te komen”, zegt Howell.

Uit 140 systemen
Dat doel moet worden behaald door nog slimmere toepassing van machine data. En die data zijn er volop: biometrische software, systemen om je boardingpass te scannen, lichaamsscanners, camera’s die mensenmassa’s in de gaten houden, voorspellende data hoeveel trays iemand bij de security nodig heeft (een zakenreiziger gebruikt er gemiddeld drie, een vakantieganger maar twee en een kind één) en ga zo maar door. Howell: “Wij willen al die data aan elkaar koppelen zodat we iedere individuele reiziger kunnen volgen op zijn tocht over de luchthaven en zijn customer journey zo plezierig mogelijk maken.” Het achterliggende doel: meer tijd om te winkelen of iets te consumeren voor passagiers alsmede groei voor de luchthaven mogelijk maken.
Voor dat laatste heeft hij ook de medewerking van vliegmaatschappijen nodig. En die krijgt hij volop sinds hij een zogenaamd aircraft-efficiency-dashboard voor ze introduceerde. Zowel de vliegmaatschappijen als de luchthaven verdienen geld als een vliegtuig sneller weer de lucht in is. Gatwick monitort alle stappen in het proces van landing tot en met opstijgen, maakt inzichtelijk hoe een maatschappij presteert in vergelijking tot anderen en waar verbetermogelijkheden liggen. “Sinds we die dashboards hebben, zien we dat maatschappijen hun processen steeds efficiënter afhandelen. Vanaf onze luchthaven vertrekken veel vluchten binnen Europa. Die vliegtuigen kunnen meestal makkelijk drie keer heen en weer, en soms vier keer als alles superefficiënt gaat. Meer vluchten vier keer per dag kunnen plannen, daar zit voor vliegmaatschappijen de winst”, zegt Howell.
Gatwick ontsluit in Splunk nu data van 140 applicaties, waarvan er 30 kritisch zijn. Howell doet dat met een klein team. “We hebben de proof of concept met twee mensen gebouwd. Toen we de meerwaarde hadden aangetoond hebben we acht IT’ers hiervoor vrijgemaakt. De verdienen zichzelf nu ruimschoots terug”, lacht hij.

Klantgedrag begrijpen
Ook Dunkin’ Donuts kreeg zijn businesscase snel rond, vertelt Matt Kraft, director Application Development & Consumer Technology. Zijn doel: de drie miljoen klanten die dagelijks één van de 11.000 restaurants bezoeken zo snel en goed mogelijk helpen. “We onderscheiden ons met een ‘fast experience’, daar is alles op gericht. Zoals bijvoorbeeld onze loyalty-app met mobile ordering: plaats je bestelling als je vlakbij het restaurant bent en het staat tien seconden later al voor je klaar.”
Snel je bestelling krijgen is mooi, maar het moet ook de juiste bestelling zijn. En dat is best lastig. “We hebben tientallen verschillende donuts. We onderscheiden ons met vers, dus het product is beperkt houdbaar. Hoe beter we weten welk type donut populair is in welke regio’s, bij welk type weer en welke donuts het best scoren in marketingacties, hoe beter we onze voorraadhoogte kunnen bepalen”, zegt Kraft. Ziet hij aan de PoS (point of sales)- en inkoopdata dat gedurende de dag een bepaald restaurant laag zit met zijn voorraad van een bepaald product en een dichtbij gelegen restaurant hoog, dan brengen ze de donuts van de ene naar de andere vestiging. En ziet het er aan het eind van de dag naar uit dat bepaalde donuts moeten worden weggegooid, dan kan hij met één klik een marketingactie opzetten waarbij klanten die in de buurt zijn een coupon krijgen voor een gratis donut bij een kop koffie. Allemaal mogelijk gemaakt door real-time analyse van machine data.
De app speelt een belangrijke rol in de marketing­strategie van Dunkin’ Donuts. Ooit ontwikkeld als loyalty-instrument is die nu het belangrijkste communicatiekanaal geworden en één van de belangrijkste databronnen om klantgedrag te leren begrijpen. “We analyseren iedere klik. Zo kwamen we erachter dat ongeveer tien procent van de mensen die we een coupon sturen wél naar de winkel komt, maar de coupon niet inwisselt. Dat aantal wordt lager of hoger als de actie een donut betreft die dichter bij hun smaak ligt of juist verder weg. Met andere woorden: de coupon herinnert ze aan Dunkin’ Donuts, maar ze betalen liever voor een donut die ze écht lekker vinden dan dat ze een gratis donut krijgen.”

Supplychain voorspellen
Deze resultaten inspireren tot meer. Gevraagd naar zijn droom laat Kraft een demo zien van wat hij noemt supplychain-prediction. In deze demo komen data over klantgedrag in de mobiele app, data van mobiele betalingen, PoS-data, weerdata, voorraaddata en data uit CRM samen. Hij zegt: “Nu doen we nog marketingacties gericht op grote groepen mensen, bijvoorbeeld regionale acties. Straks wil ik onze klanten 1-op-1 benaderen omdat ik weet van wat voor soort koffie ze houden, wat voor donut ze het liefst bij welk soort koffie eten, hoe dat verandert als het bijvoorbeeld kouder of warmer is, enzovoorts. Dan wil ik dus kunnen weten: meneer Jackson drinkt graag ijskoffie als het warmer is dan 25 graden celsius. En daarbij eet hij bij voorkeur een appelkoek. Terwijl hij ’s winters graag warme chocolade drinkt en er een donut met pudding en chocolade bij eet. Daar wil ik dan de actie op afstemmen. En dat wil ik kunnen doen zonder dat daar handwerk aan te pas komt, puur op basis van slimme algoritmen die met machine learning steeds slimmer worden. Want het is de bedoeling dat we leren van iedere conversie en van iedere klant die niet converteert. Ik wil dat we ooit precies kunnen voorspellen hoe hoog onze sales gaat zijn van ieder type product op ieder moment van de week, waarbij we dan ook nog eens rekening houden met de weersvoorspelling.”
Zo ver is het nog niet, maar technisch is het al mogelijk. “We moeten nu als organisatie nog groeien, nog meer ervaring opdoen en leren waar het laaghangende fruit hangt. Als dat lage fruit weg is, zullen we vanzelf wat hoger gaan grijpen. Uiteindelijk denk ik dat de bomen tot in de hemel groeien, en dat wij onze ladder daaraan zullen aanpassen.”