Een concurrentievoordeel opbouwen door middel van Analytics
Smart Growth blog serie
Winnen op het gekozen speelveld door gebruik te maken van data en analytics
Winnen betekent "succesvol zijn in het bereiken of krijgen van iets dat anderen ook wilden" (Cambridge Dictionary). Het verlangen om te winnen zit ingebakken in de menselijke natuur en is een belangrijke drijfveer geweest in de menselijke evolutie. Voor bedrijven is winnen cruciaal om te overleven en relevant te blijven in een concurrerende omgeving. Bedrijven zijn in staat om te winnen op de markt als ze "een betere consumenten- en klantwaardevergelijking bieden dan concurrenten en dit op een duurzame basis kunnen doen" (Playing To Win, Roger Martin). Als bedrijven geen bewuste keuzes maken om zichzelf in staat te stellen te winnen, is het onwaarschijnlijk dat ze een duurzaam concurrentievoordeel verwerven. Zonder een duurzaam concurrentievoordeel zijn ze overgeleverd aan de genade van de marktkrachten - wat in het beste geval leidt tot middelmatige prestaties en in het slechtste geval tot een faillissement.
In de vorige blog bespraken we het concept van strategische precisie: het definiëren van zeer granulaire 'micropockets', op meerdere strategische dimensies, waar concurrentievoordeel en winst kunnen worden gemaximaliseerd. Deze strategische precisie moet gepaard gaan met een duidelijke 'smart engagement'-keuze om het beoogde concurrentievoordeel te activeren om de winst te maximaliseren. Het toepassen van geavanceerde analytics-algoritmen op uitgebreide datasets van klanten, concurrenten, producten en de waardeketen kan de vereiste inzichten opleveren om een concurrentievoordeel te behalen door differentiatie of kostenleiderschap. Een bekend voorbeeld is Walmart dat uitgebreide datamogelijkheden gebruikt om zijn strategie voor everyday-low-price (EDLP) te versterken. Door verkoopgegevens te combineren met externe gegevens en geavanceerde algoritmen te gebruiken, is Walmart in staat om de vraag in granulaire micropockets te voorspellen. Walmart maakt gebruik van deze inzichten om zijn voorraad- en klantenserviceniveaus op specifieke momenten aan te passen, waardoor beter wordt ingespeeld op de behoeften van de klant en de kostenbasis wordt verlaagd.
De klantwaardepropositie verbeteren door gebruik te maken van de kracht van data
Strategische theorie identificeert twee manieren om een concurrentievoordeel te behalen: differentiatie of kostenleiderschap. Differentiatiestrategieën zijn gericht op "het aanbieden van producten of diensten die als onderscheidend waardevoller worden beschouwd voor klanten dan concurrerende aanbiedingen, tegen een vergelijkbare kostenstructuur" (Playing To Win, Roger Martin). Door geavanceerde analyses toe te passen op interne (bijv. verkoopgegevens) en externe gegevens (bijv. micro-economische gegevens) kunnen bedrijven een beter inzicht krijgen in de behoeften van de klant en het concurrentieveld. Dit kan onderscheidende factoren in staat stellen een sterkere waardepropositie voor hun klanten te definiëren (door hun merk, diensten, kwaliteit, enz. aan te passen). Kostenleiderschapsstrategieën zijn gericht op het aanbieden van vergelijkbare producten of diensten als concurrenten tegen lagere kostenstructuren. Door analyses toe te passen op gegevens over de waardeketen of de levenscyclus van producten, kunnen bedrijven beter verbetermogelijkheden identificeren op het gebied van sourcing, design, productie en distributie, waardoor kostenleiderschap wordt gestimuleerd.
In de vorige blog noemden we onze GrowthPath-methodologie®, die kan worden gebruikt om groeimogelijkheden te definiëren en klantsegmenten te prioriteren. Ons Strategy Analytics-team gebruikt ook de GrowthPath-methodologie® om slimme betrokkenheid met klanten en ten opzichte van de concurrentie te definiëren door klantgedrag, concurrentiepositie, productaanbod en activatiestrategieën te analyseren.
Data en analytics zijn belangrijke troeven geworden voor bedrijven om een superieure strategische positie te verwerven door middel van differentiatie of kostenleiderschap. Een voorbeeld dat me te binnen schiet is Netflix, de aanbieder van on-demand videocontent die ervoor koos om de markt aan te pakken door middel van differentiatie. De meesten van ons zijn opgegroeid met het vermaken van onszelf door televisie te kijken, regelmatig van kanaal te wisselen op zoek naar iets leuks om naar te kijken. Netflix koos ervoor om dit gebied van video-entertainment te veranderen met behulp van enorme hoeveelheden data en aanbevelingsalgoritmen. Naast het verstoren van de markt door over te stappen op een digitaal medium, past Netflix data en analytics toe om een op maat gemaakt product aan zijn abonnees te leveren. Door middel van patroonherkenning en segmentatie wil Netflix zijn klanten leren kennen en op maat gemaakte inhoud bieden aan specifieke klantsegmenten. Aanvankelijk segmenteerde Netflix zijn klanten op basis van geografie en demografie, maar naarmate de database groeide, schakelde het bedrijf over op meer geavanceerde modellen. Met behulp van miljoenen rijen gegevens worden klanten geclusterd op basis van hun voorkeursinhoud en ontvangen ze aanbevelingen met betrekking tot hun specifieke cluster (of “taste community” zoals het bedrijf het noemt). Door geavanceerde algoritmen toe te passen, bijvoorbeeld K-Means Clustering, kan Netflix voorheen onbekende clusters identificeren en kunnen nieuwe abonnees aan die clusters worden toegevoegd met behulp van de classificatietechnieken zoals K-Nearest Neighbors. Momenteel heeft Netflix meer dan 2000 verschillende taste communities, waardoor het bedrijf een zeer gepersonaliseerde ervaring kan bieden, waarmee het zich onderscheidt van traditionele video-entertainmentbedrijven.
Data en analytics kunnen ook een cruciale rol spelen bij het verlagen van kostenstructuren om een kostenleiderschapsvoordeel op te bouwen. Zo hebben we onlangs analytics toegepast om een proof of concept te creëren voor het optimaliseren van de personeelsplanningscyclus van een klant. Op basis van meerdere jaren aan historische gegevens werd een vraagvoorspellingsmodel ontwikkeld. We hebben de data verrijkt met externe factoren zoals vakanties en een seizoensindex om een voorspellend machine learning-model te creëren. Het model geeft inzicht in hoe de vraag zich in de loop van de tijd ontwikkelt, waarbij verschillende scenario's worden bestreken. De vraagvoorspellingen, voorkeuren van werknemers en bedrijfslogica worden gecombineerd in een model met meerdere beperkingen om het roosterproces te optimaliseren en te automatiseren. Deze analytische oplossing stelt het bedrijf in staat om zijn personeelsplanningscyclus efficiënter en nauwkeuriger te beheren, waardoor zijn kostenleiderspositie wordt verbeterd.
Datagestuurde strategische beslissingen nemen om te winnen in de markt
In deze blog hebben we ons gericht op de waarde van het gebruik van data om een duurzaam concurrentievoordeel te behalen, door het maken van 'smart engagement'-keuzes. Onze belangrijkste bewering is dat datagestuurde strategische besluitvorming bedrijven in staat stelt een winnende waardepropositie te creëren, waardoor een bedrijf een bovengemiddelde groei van een bedrijf stimuleert.
In onze volgende blog bekijken we enkele van de belangrijkste stappen voor het definiëren en uitvoeren van een datagedreven strategisch beslissingsproces.
