Wat data je kan vertellen over de stem van de klant

“In de vragen en feedback die we van onze klanten krijgen, zit zoveel waardevolle informatie. Via surveys, Net Promotor Scores (NPS), onze chatbot Billie en case-notities van service experts komt dat bij ons terecht. Het gaat over allerlei onderwerpen: van producten tot service, bezorging en partners. Uit die feedback willen we zoveel mogelijk waarde halen. ”

“Maar aan lappen tekst alleen heb je nog niets. Je moet het beschouwen als grote brokken ongestructureerde data. In het Data Lab structureren we de tekstuele data, bijvoorbeeld op basis van trefwoorden en classificaties van servicemedewerkers. Daarna zoeken we in die gestructureerde data naar patronen om zo inzichten te verkrijgen. Een paar honderd geschreven beoordelingen zeggen veel meer dan duizenden sterren-reviews. Het is een goudmijn aan kwalitatieve informatie, maar je moet wel weten hoe je bij het goud moet komen.”

“Om de juiste informatie boven water te krijgen, werk ik in het Data Lab samen met 3 data-analisten, een data scientist, een machine learning engineer, een data engineer, een informatie-analist en een product owner. Als onderdeel van Customer Happiness is het aan ons om wat de klant met ons deelt, inzichtelijk te maken voor de hele organisatie.”

“Ik vind het leuk om de klanten een stem te geven binnen bol.com. Hoe goed je naar je klanten luistert, zegt veel over een bedrijf. Hiervoor werkte ik zo’n 3 jaar als analist voor promoties en prijzen, een hele andere tak binnen bol.com. Maar ook daar vroeg ik me regelmatig af: wat vinden klanten eigenlijk van deze promoties? Dat gaat verder dan een aantal clicks en sales.”

“Ons Data Lab krijgt regelmatig verzoeken vanuit de organisatie, bijvoorbeeld van onze logistiek-collega’s. Stel: zij willen weten over de kwaliteit van de bezorging in de avonduren. Niet of een pakje wel of niet aankomt, dat kunnen ze ook uit de statistieken halen. Maar bijvoorbeeld ervaringen met de bezorgers of meningen over bezorging bij de buren. Dan gaan wij op onderzoek uit.”

“Als er bestaande classificaties zijn waarop we de informatie kunnen ordenen, dan beginnen we direct met de analyse. Zijn er nog geen juiste classificaties voor dit onderwerp, dan moeten we een nieuw data science model maken. Een soort van slim woordenboek dat leert om de juiste teksten over het onderwerp te filteren. Welke woorden gebruiken mensen als over de bezorging schrijven?”

“Vervolgens destilleren we de grote lijnen uit de feedback. Zijn er bepaalde thema’s die terugkomen waar klanten tevreden over zijn, of juist niet? Hoe kunnen we gegevens met elkaar combineren, relevante doorsnijdingen maken? Dit visualiseren we dan in een dashboard, delen onze inzichten en vertalen het door naar actiegerichte adviezen voor Logistiek. Bijvoorbeeld hoe ze in samenwerking met de transporteurs en bepaalde delen van Nederland de avondbezorging kunnen verbeteren.”

“Als Lead van mijn Data Lab wil ik ervoor zorgen dat bol.com nog meer data-gedreven denkt. Niet iedereen hoeft een data-expert te zijn om te snappen hoe je het kan gebruiken. We lopen nu voorop in Nederland, maar kennis delen over de mogelijkheden is belangrijk om marktleider te blijven.”

“Het interessante is dat data science steeds toegankelijker en tegelijkertijd complexer wordt. Toegankelijker, omdat de tools steeds slimmer worden. Complexer, omdat de grenzen van wat kan steeds worden verlegd. De wetenschap rond data gaat razendsnel.”

“Toen ik hier vijf jaar geleden begon, was iets al ‘Big Data’ als het groter was dan een excelsheet. En het aantal data scientists in dienst  was op één hand te tellen. Nu hebben we ruim 60 data scientists rondlopen, en nog honderden andere data-experts, van analisten tot engineers. En daar komen wekelijks mensen bij.”

“Wat we allemaal gemeen hebben, is de drang naar vernieuwing en de wil om mee te denken. Dat is de kracht van bol.com: iedereen ziet altijd meteen aanknopingspunten. We zijn behoorlijk gegroeid sinds mijn eerste dag, maar nog steeds kun je proefballonnetjes oplaten en samen experimenteren.”