De kracht van data science voor G-Star

Fashion brand G-Star werkt aan een 360-graden klantbeeld. Door databronnen bij elkaar te brengen en gegevens aan elkaar te koppelen, leert het bedrijf haar klanten steeds beter kennen. Sigma Data (onderdeel van Wortell) helpt G-Star daarbij. Data science wordt ingezet om een Customer Data Platform op te tuigen. Dat is bijna up and running. Dit platform gaat G-Star heel veel inzicht geven om processen in het businessmodel met elkaar te verbinden én aan te scherpen. Lees in deze blog alles over dit traject. 

Er komt op allerlei manieren data binnen bij G-Star. Klantenorders, websitestatistieken, nieuwsbriefinschrijvingen en alle views, clicks en andere consumentenacties die daarbij horen. Als je daar niets voor regelt, staan er op allerlei plekken en in verschillende tools ‘plukjes’ gegevens. Ik breng op het nieuwe dataplatform al die data bij elkaar, wat het modemerk een dieper inzicht gaat geven in (het gedrag van) de klant. Een mooie, secure klus. 

Nieuw datawarehouse 

Sigma Data (onderdeel van Wortell) zette zo’n vijf jaar geleden al een eerste datawarehouse op voor G-Star. Ik test of de data in het oude systeem overeenkomt met wat er in het nieuwe systeem staat. Daarnaast gebruik ik data voor wat eerste analyses. Zo monitor en analyseer ik bijvoorbeeld hoe het aantal in- en uitschrijvingen van de G-Star e-mailnieuwsbrief zich ontwikkelt. Het Customer Data Platform wordt gecombineerd met een moderne Customer Relations Management-tool (CRM). Uit de database kunnen heel eenvoudig – realtime! – waardevolle gegevens gehaald worden, die in het CRM gebruikt worden om makkelijker en effectiever nieuwe (online) marketingcampagnes in te richten voor klanten. Op basis van data kun je gerichter de gewenste doelgroep bereiken. Een mailing of advertentie bijvoorbeeld alleen laten zien aan een mannelijke klant, tussen 30 en 40 jaar, die een bepaald model jeans al eerder kocht of minstens vier keer bekeek op de website. Het moet uiteindelijk zorgen voor betere campagnes met minder kosten en meer conversie. 

Voorspellen van retouren met machine learning 

Naast het verzamelen, bekijken en analyseren van data, valt ook het maken van voorspelmodellen onder data science. Op basis van klant- én productgegevens uit het verleden, kunnen we voorspellen wat er in de toekomst gaat gebeuren. Ik ben gestart met een eerste model om retouren te voorspellen. In de fashion-industrie is het retourpercentage vrij hoog. Vaak komt, afhankelijk van het merk of de webshop, de helft van alle online bestelde producten weer terug. Bijvoorbeeld omdat mensen één model jeans kopen, in drie verschillende maten. In zo’n geval weet je vrijwel zeker dat er twee van die drie broeken retour komen. Ik doe analyses met verschillende variabelen – zowel klant- als productgegevens – om tot een voorspelling te komen. 

Klantfeedback omzetten in inzichten 

Dit voorspelmodel rondom retouren is een eerste project en voorbeeld om G-Star te laten zien wat er allemaal mogelijk is met data science én de tools die ze in huis hebben. Zo kunnen allerlei afdelingen in de toekomst baat hebben bij deze inzichten. Van de marketingafdeling – om gerichter te adverteren – tot de inkoopafdeling – voor gerichter voorraadbeheer, rekening houdend met producten die nog retour komen – en de afdeling Product Development. Stel: een bepaald model broek komt steeds terug, met de feedback ‘is te kort’. Dan kunnen ontwerpers bekijken of ze zich herkennen in die opmerking. Ze kunnen onderzoeken of er een productiefout is geweest, nieuwe afspraken maken met de fabrikant, de productinformatie op de website aanpassen of zelfs een nieuw ontwerp overwegen. 

Een creatief proces 

Data science is een creatief proces, vindt Sander. “Het ontwerpen en maken van mode is iets magisch; een heel team zet zich in om keer op keer een mooie collectie neer te zetten. Hetzelfde geldt eigenlijk voor dit soort voorspelmodellen. Je neemt de grondstoffen – data in plaats van katoen – en zet die op een slimme en creatieve manier in, om te verkennen wat een merk anders kan doen om haar klanten beter, sneller, efficiënter te helpen. En de eigen kosten te verlagen.