We weten allemaal dat we vele beslissingen nemen op basis van impulsen, vermoedens en intuïtie. Dankzij V-insight is er ook een alternatief: beslissingen laten ondersteunen door de data, de trends en het gebruik. Door wat er daadwerkelijk gebeurt in de werkelijkheid.
Het V-portfolio bestaat uit een reeks producten, waarvan het bibliotheeksysteem V-smart en de frontoffice Iguana de kern vormen. Deze producten kunnen worden uitgebreid met oplossingen voor erfgoed (Iguana DAM, digital asset management), het boeken van een plaats voor een evenement (Iguana Events Booking), nieuwsbrieven (Iguana Newsletters), schoolbibliotheken (V@school), linkgeneratie op basis van het OpenURL-protocol (V-link), collectiebeheer (V-eyeQ) en een app voor iPhone en Android (Iguana Library).
Data die opgeslagen wordt in deze applicaties -of ruimer: in om het even welke applicatie- kan worden geanalyseerd en gevisualiseerd met het snelle, krachtige en flexibele (Open) V-insight. Hoe dit product eruit ziet, ziet u in de video in deze blogpost: De 2-minuten-gids voor data-analyse in V-smart (https://www.axiell.com/nl/blog-post/de-2-minuten-gids-voor-data-analyse-in-v-smart/). Een specifieke toepassing en uitbreiding van V-insight voor collectiebeheer is eveneens beschikbaar. Verwijzingen naar informatie over dat product, V-eyeQ, vindt u onderaan deze pagina.
V-insight biedt allerlei opties die uw leven vergemakkelijken, die tijd en geld besparen en, vooral, u een beter inzicht bieden in uw data, diensten en processen. In deze aflevering van “Inzichten” vindt u drie artikelen:
- Leer je klanten kennen: analytische CRM met V-insight
- Serendipiteit: spoor fouten op met V-insight
- De kracht van data & het verhaal van het boekkarretje
V-insight is ideaal voor de analyse van klantengedrag en stelt u in staat om allerlei soorten gegevens te combineren: gegevens uit het klantenbestand, uit het uitleensysteem, uit de website (Iguana), e.a. Hierdoor geeft V-insight inzicht in het klantenbestand en -gedrag. Bovendien heeft u de mogelijkheid een drilldown tot op recordniveau te realiseren: dit houdt in dat u niet alleen inzicht krijgt in de trends, maar ook in de daarbij betrokken klanten (met inachtname van de AVG/GDPR-regels). Op die manier combineert V-insight (1) snelle en dynamische analyses met (2) rechtstreekse export naar Excel (bijv. voor mailmerge en direct marketing). Het eindresultaat van dit alles is dat u hierdoor allerlei segmentatie- en retentie-analyses kunt uitvoeren.
Voorbeelden van vragen
Zo geeft V-insight een antwoord op vragen als:
- hoeveel / welke klanten lenen DVD’s?
- hoeveel / welke klanten die DVD’s lenen zijn “grootgebruikers”?
- hoeveel / welke klanten lenen op locatie A, maar zijn ingeschreven op locatie B?
- hoeveel / welke klanten lenen materialen uit welke rubrieken?
- etc,
Dit alles kan worden gecombineerd met klantgegevens als bijv. geslacht, leeftijd, woonplaats, wijk, postcode, (leners-)categorie, etc.
Potentiële afhakers
Een zeer zinvolle toepassing van V-insight zijn de analyses die inzicht geven in potentiële “afhakers”: klanten die mogelijk hun lidmaatschap zullen stopzetten. Met slechts enkele muiskliks kunt u dergelijke potentiële afhakers opsporen.
V-insight stelt u in staat het gedrag van klanten en het gebruik van de diensten van de bibliotheek te analyseren. Hierdoor krijgt u inzicht in het gebruik van uw collectie en uw website, waardoor u uw diensten kunt monitoren en indien nodig kunt aanpassen. Klanten gebruiken V-insight voor monitoring van diverse onderdelen van het systeem, o.a. klantgegevens, uitleengegevens, website-gebruik, etc. De introductie van een nieuwe abonnementenstructuur kan nu -mee- worden vastgelegd op basis van gebruiksgegevens die geanalyseerd werden met V-insight, en het succes van de nieuwe structuur kan aldaar voortdurend worden gemonitord (analyse van de resultaten van de campagne).
In grote lijnen kunt u met V-insight inzicht verkrijgen in gegevens over klanten, leengedrag (het gedrag van klanten in de uitleen), uitleningen en verlengingen, website-gebruik (Iguana), e.a. – en combinaties van deze gegevens. We geven hierna enkele voorbeelden van het soort gegevens dat u met V-insight kunt analyseren, maar naast de vermelde voorbeelden zijn er een vrijwel oneindig aantal soorten analyses die kunnen worden uitgevoerd. (Wij hebben voor de hand liggende segmentatie van het klantenbestand via analyses als bijv. “hoeveel klanten hebben we die in 2020 meer dan 100 materialen hebben geleend?”, “hoeveel mannelijke klanten hebben we die niet in Breda wonen?”, “welke klanten lenen DVD’s?”, e.d. niet opgenomen in het hierna volgende rijtje voorbeelden.)
Terig naar de potentiële afhakers. Hoe zou een dergelijke analyse eruit kunnen zien?
U zou (voor bijvoorbeeld de 14-, 15-, 16-, 17- en 18-jarigen) leeftijd combineren met de laatste maand waarin zij iets hebben geleend. Deze grafiek zou dan de “actieve” klanten tonen (degenen die de laatste maanden nog hebben geleend), maar ook klanten die potentiële afhakers zijn (degenen van wie de laatste uitleendatum ouder is dan bijv. vier maanden). Op basis van deze gegevens kan de bibliotheek specifieke marketingactiviteiten richting deze potentiële afhakers uitvoeren. Dit is mogelijk omdat u een “drilldown” kunt uitvoeren waarbij u de desbetreffende klanten in een lijst kunt plaatsen: u heeft dus niet alleen toegang tot de aantallen, maar ook tot de daarbij betrokken klanten.
Grootgebruikers
Een traditionele analyse van uitleentransacties is: hoeveel uitleningen gebeuren er per materiaalsoort en per lenerscategorie (bijv. hoeveel DVD’s worden er uitgeleend aan volwassenen)? Een dergelijke statistiek toont dat (bijvoorbeeld) dat er 7.000 DVD’s zijn uitgeleend aan volwassenen. Voor verdere analyse kan het echter handig zijn te weten hoeveel klanten hierbij betrokken waren (in theorie kan het hierbij gaan om 1 klant die 7.000 DVD’s heeft uitgeleend, of 7.000 klanten die ieder 1 DVD hebben uitgeleend). V-insight biedt als kubus ook “Leengedrag” aan, waarmee u inzicht kunt krijgen in precies dit soort gegevens.
Deze analyses tonen hoeveel klanten er 1 CD hebben geleend, hoeveel er 2 CD’s hebben geleend, hoeveel 3, enz. U kunt zo ook zien dat er (bijvoorbeeld) 97 klanten zijn die tussen 11 en 15 CD’s hebben geleend en dat er 1 klant is die tussen 201 en 300 CD’s heeft geleend, etc. Op die manier kunt u dus heel precieze analyses maken die u geheel nieuwe inzichten kunnen bieden over uw klanten. (Ten overvloede: ook hier kunt u weer een drilldown uitvoeren die u toont om welke klanten het gaat.)
Vergelijkbare analyses zijn bijv. hoeveel klanten die lid zijn bij vestiging A lenen ook op andere vestigingen en hoeveel lenen ze daar?
Samenvattend: Doordat er zeer specifieke analyses kunnen worden uitgevoerd, kunt u uit de systemen een heleboel informatie krijgen om diensten op maat te ontwikkelen (bijv. nieuwe abonnementstypes) en kunt u het succes van deze diensten na hun introductie monitoren.
MOSAIC
Tenslotte ondersteunt V-insight MOSAIC. Deze systematiek wordt geleverd door een bedrijf dat Experian heet. In hun woorden: “How does Mosaic work? Mosaic layers comprehensive information about every household on top of your existing data, giving you unprecedented insights into who your customers are, how they operate, and how best to reach them. Next-level segmentation brings your customers to life” (van https://www.experian.com.au/mosaic). Een simpel voorbeeld: MOSAIC deelt alle huishoudens in in categorieën die iets zeggen over opleiding, inkomen, e.d. en koppelt deze aan geografische gegevens (voorbeeld: “in wijk Noord wonen veel studenten en huishoudens met een relatief laag inkomen”). Stel nu dat u het nieuwste type Ferrari wil marketen; dan heeft het natuurlijk geen zin een brochure te sturen (willekeurig voorbeeld) naar mensen die zo’n dure auto toch niet kunnen betalen. MOSAIC biedt dan inzicht waar er relatief veel potentiële kopers wonen (in ons voorbeeld: we hoeven de brochure niet naar wijk Noord te sturen en besparen dus flink op de kosten).
Hierna nemen we enkele voorbeelden op van klanten die ingedeeld zijn volgens de MOSAIC-systematiek.
Klanten per Mosaic-code als taartdiagram.
De segmenten (zoals E16) verwijzen naar MOSAIC “groups and types”. “E”, bijvoorbeeld, staat voor een MOSAIC-code met als naam “Family Fringes”, wat omschreven wordt als “Middle-aged traditional families living on large outersuburban plots, with comfortable incomes and long commutes.” “E16”, bijvoorbeeld, is een subcategorie daarvan genaamd “Hardware & Acreage”, wat omschreven wordt als “Working in trades, middle-aged families owning acreages of land with large properties just outside the metro fringe”.
Klanten per Mosaic-code als staafdiagram.
Eén van de weinig genoemde, maar veel gebruikte functies van V-insight is het vermogen op een eenvoudige manier fouten in de database te reveleren. De applicatie is daar uiteraard niet voor gemaakt (maar wel voor data-analyse en -visualisering) en er is dan ook sprake van serendipiteit. Datakwaliteit wordt op vrijwel speelse manier inzichtelijk.
Wat is “serendipiteit”?
Kort gezegd: een niet nagestreefd positie effect. Je ontdekt bijv. iets terwijl je naar iets anders speurt. Er zijn vele bekende voorbeelden van. Penicilline is mogelijk de bekendste daarvan. Kijk (bijvoorbeeld) hier voor vele andere voorbeelden.
Serendipiteit in V-insight
De werkwijze is eenvoudig – een voorbeeld.
- U voert in V-insight een analyse uit, bijv. geef mij de klanten verdeeld per woonplaats. De applicatie toont u deze, vrijwel altijd na enkele seconden. De lijst toont alle woonplaatsen die in de database voorkomen, ook de “fouten”. Dus niet alleen “Amsterdam”, maar ook “amsterdam”, “Amsterda”, “Amsterdam-NL”, enz. Per woonplaats worden het aantal klanten getoond.
- U kunt nu de fouten (de klanten met de “verkeerde” woonplaatsen) op eenvoudige wijze in een savelist (bewaarlijst) zetten die beschikbaar is in V-smart.
- In V-smart kunt u via die savelists de records corrigeren, bijv. manueel (of bij grote aantallen via Globaal Wijzigen).
Uiteraard is dit erg tijdbesparend en voorkomen is beter dan genezen. V-smart biedt dan ook diverse opties om fouten te voorkomen. Desalniettemin, de optie de “foute” records op te slaan in een bewaarlijst en van daaruit de fouten op globale manier te corrigeren maakt het leven eenvoudiger.
We weten meer niet dan wel
In 2002 vertelde Donald Rumsfeld over het bijzondere onderscheid tussen “Known knowns”, “Known unknowns” en “Unknown unknows”. “Known knowns” zijn dingen die we weten: in 2024 waren er in onze bibliotheek 4.000.872 uitleningen, in de keuken staat de zoutmolen naast de pepermolen en Pieter is 23 jaar oud. “Known unknowns” zijn onbekende zaken, maar we weten wel dat we het niet weten: een voorbeeld zijn zwarte gaten. We weten niet wat er gebeurt in het binnenste daarvan, maar we weten wel dat we dat niet weten. De “Unknown unknows” zijn onverwachte zaken, gebeurtenissen die we niet aan zien komen. Een recent voorbeeld zijn de vliegtuigen die in de Twin Towers vlogen op 9 september 2001. In de filosofie staat dit bekend als “het inductieprobleem”.
Het fenomeen wordt ook wel “het kalkoenprobleem” genoemd. Elke dag om kwart voor negen en om kwart over vier krijgt de kalkoen een volle voederbak. Elke dag is het smullen. Buikje vol. Het leven is geweldig. Maar de kalkoen beseft niet dat de Kerst elke ochtend een dag dichterbij komt. De kalkoen beseft niet wat er gaat gebeuren.
Het inductieprobleem is hier eigenlijk: elke dag gevoerd worden om kwart over negen en om kwart over vier is geen definitief bewijs van het feit dat er dan altijd voer gaat blijven komen. Het is niet omdat ik alleen zwarte raven zie dat ik logisch mag concluderen dat alle raven zwart zijn. Misschien zelfs niet als ik alle raven ter wereld zie.
Zo komen we al snel uit bij vragen als “wat is de werkelijkheid?” en “wat is waarheid?” Wat is de “waarheid” van data en wat is de “waarheid” (waarde) van voorspellingen (“om kwart over vier krijg ik een volle bak”)?
Heel veel data waar wij dagelijks mee omgaan behoort echter tot de “known knowns” en kan makkelijk of met enige moeite worden achterhaald. ’t Is data die we (kunnen) kennen en die we op allerlei manieren kunnen indelen. Veel courante data valt daarbij binnen wat de Gausscurve (ook bekend als ʺde normale verdelingʺ) heet. Je kunt je dat voorstellen als een omgekeerde U. Er zijn daar vele bekende voorbeelden van: het IQ, de levensverwachting, het lichaamsgewicht, de lichaamslengte. ’t Is data waarbij het veruit grootste gedeelte zich rond het midden bevindt en de (kleine) uitersten zich eigenlijk ook relatief kort bij dat midden bevinden (stel je er een U op zijn kop -eigenlijk een klok- bij voor).
Maar er zijn ook voorbeelden van data die volledig aan die Gausscurve ontsnapt. Boekenverkoop is er een goed voorbeeld van. In 2018 werd er van via selfpublishing gepubliceerde boeken gemiddeld 311 exemplaren verkocht. In 2020 werden er in België van papieren boeken gemiddeld 44 exemplaren verkocht. Vergelijk dat even met de extremen (enkele voorbeelden): van Yotam Ottolenghi zijn er in het Nederlands meer dan een miljoen kookboeken verkocht, van “Het diner” van Herman Koch zijn dat er meer dan 350.000 in het Nederlands (en meer dan 3.000.000 als je alle talen telt). Een ander voorbeeld is vermogen. De gemiddelde Amerikaan heeft een vermogen van 225.000 $, maar dat van Bill Gates is 111.000.000.000 $, dat van Jeff Bezos 144.000.000.000, dat van Mark Zuckerberg 105.000.000.000 $ en dat van Elon Musk zelfs 225.000.000.000 $ (die dingen fluctueren voortdurend, natuurlijk, maar dat doet weinig af aan de relevantie hier). Dat laatste is duizend keer het gemiddelde. Als lichaamslengte zo zou werken, zou de grootste mens ter wereld meer dan 2 kilometer lang zijn.
Hoe “heilig” is data? – Data in tijden van desinformatie
Deze voorbeelden illustreren wat duidelijk is: er zijn geheel verschillende soorten data. Met V-insight kunnen beide vermelde types nader worden geanalyseerd. Maar data is niet heilig en evolueert mee met maatschappelijke tendensen. Ons inzicht verandert. En uiteraard hopen we dat data-analyse bijdraagt aan dat veranderde inzicht. 20 jaar geleden vroegen we ons af klimaatverandering bestond, 10 jaar geleden vroegen we ons af of de mens de oorzaak was, nu zijn dat gepasseerde stations en focussen we op de oplossingen.
Maar -al vooruit lopend op de hierna volgende relativering: we zijn minder rationeel dan we denken. Er is onderzoek waaruit blijkt dat mensen die een muntje op het kopieerapparaat vinden, zich nadien gelukkiger voelen. Jury’s geven voor de lunch hogere straffen dan na de lunch: die mensen hebben honger. Als we rechters eerst laten dobbelen, geven zij die zessen gooien nadien een lagere straf. ’t Zijn wat trieste onderzoeken.
Terug naar data en de analyse ervan. In het “slechtste” geval bevestigt die data en die analyse wat je al dacht. Maar idealiter bepaalt data je beleid en controleer je na implementatie dat beleid weer met nieuwe en nieuwe analyses.
Elke analyse staat en valt met de kwaliteit van die data en met de kwaliteit van de personen die de analyses uitvoeren. Dat impliceert kansen en mogelijkheden, maar ook beperkingen en risico’s.
Bijna de helft van de Nederlanders maakt zich veel zorgen over desinformatie en AI (Artificiële Intelligentie) neemt dat gevoel niet weg. Volgens sommigen bestaat AI zelfs niet eens en is het eigenlijk “machine learning”: kennis die gebaseerd is op input van mensen en dus hun vooroordelen, preoccupaties en gedachten weerspiegelt. Hoe snel AI ook is en hoe slim het ook lijkt: het blijft (nu toch nog) informatie gebaseerd op door mensen gecreëerde informatie.
Er was eens…: tijd voor wat relativering
Het is tijd voor relativering. Met drie waargebeurde verhalen, die illustreren dat beleid (gedeeltelijk) ook gestuurd kan worden en dat we blijvend moeten opletten met interpretaties: Het verhaal van de doe-het-zelf-balie, Het verhaal van de kermis en Het verhaal van het kleine boekkarretje.
Het verhaal van de doe-het-zelf-balie. Het personeel van Bibliotheek Noord klaagt. “Er wordt steeds meer uitgeleend.” “Het wordt steeds drukker.” “Er moet personeel bij.” Dan gaat Carine de data met V-insight analyseren en wat blijkt: het aantal uitleningen neemt inderdaad toe. Maar Carine gaat verder. Ze gaat segmenteren en sluit in V-insight de doe-het-zelfbalies uit. Dan blijkt dat het aantal uitleningen aan “bemensde” balies daalt en zou een conclusie kunnen zijn dat er niet meer, maar net minder uitleenpersoneel nodig is.
Dat is segmenteren, één van de belangrijkste functies van V-insight. Meer over segmenteren leest u in deze blogpost: Doe mij maar een groter taartpunt: over segmenteren in bibliotheken (https://www.axiell.com/nl/blog-post/doe-mij-maar-een-groter-taartpunt-over-segmenteren-in-bibliotheken/).
Het verhaal van de kermis. Er was eens, niet eens zo heel lang geleden, een bibliotheek die tijdens een kermisweek in een wijk de mogelijkheid bood gratis lid te worden. De promotiecampagne was een groot succes: 35 mensen werden lid, wat omgerekend op jaarbasis zijn dat meer dan 1.700 nieuwe leden zou betekenen.
Maar… toen vergeleek iemand met het jaar voordien. Er waren toen, zonder promotieactie, 25 nieuwe leden, wat dus betekent dat de campagne 10 nieuwe leden extra had opgeleverd. Echter, de kermispromotie kostte 20.000 euro, wat betekende dat elk extra nieuw lid 2.000 euro had gekost.
Het verhaal van het boekkarretje. Susanne is aan het afschrijven. Daarbij legt zij de afgeschreven boeken in een klein karretje. Als ze klaar is loopt Suzanne met het boekkarretje naar het gelijkvloers. Ze loopt voorbij de uitleenbalie en daar roept een collega “Susanne, de koffie is klaar”. De lokroep is te groot, Suzanne laat het karretje staan en gaat koffie drinken.
Maar als Susanne terugkeert, is het karretje leeg. De klanten namen aan dat boeken op een karretje vlak bij de uitleenbalie bijna per definitie populair moesten zijn.
Deze verhalen illustreren wat we al wisten: met data kun je misschien niet alles, maar wel veel bewijzen. We moeten dan ook oppassen voor “excuusdata”, want we kunnen veel “bewijzen” en veel “sturen”, ook met data.
Maar tegelijk illustreren ze ook het belang van blijven nadenken, van goede analyse, van ware kennis, van segmenteren. Want ook data kan meer kapot maken dan je lief is.
‘t Zijn verhalen die relativeren en tegelijk ondersteunen ze de stelling “gebruik data waar mogelijk om te ‘ontsnappen’ aan willekeur en subjectiviteit”.
Meer over V-insight
Meer over V-insight leest u op deze pagina (https://www.axiell.com/nl/oplossingen/product/v-insight/), waar u ook een product sheet als PDF kunt downloaden; ook vindt u daar een overzicht van redenen om voor V-insight te kiezen. Ook deze blogposts zijn mogelijk belangwekkend voor u:
Doe mij maar een groter taartpunt: over segmenteren in bibliotheken (https://www.axiell.com/nl/blog-post/doe-mij-maar-een-groter-taartpunt-over-segmenteren-in-bibliotheken/)
Wat komt er aan in het V-portfolio? (https://www.axiell.com/nl/blog-post/wat-komt-er-aan-in-het-v-portfolio/)
V-smart Inzichten februari 2025 – Nieuw in versies 6 en 6.5 (https://www.axiell.com/nl/blog-post/v-smart-inzichten-februari-2025-nieuw-in-versies-6-en-6-5/)
Meer over V-eyeQ
V-eyeQ is een aan V-insight gerelateerd product voor collectiebeheer, met uitgebreide mogelijkheden voor het bouwen van collectieplannen en met integratie met V-smart. Een ander essentieel onderdeel van V-eyeQ is een zeer gedetailleerde performance-analyse: de performance van elk onderdeel van de collectie (elke auteur, elk onderwerp, elke titel, …) kan nauwgezet worden geanalyseerd.
Meer informatie over V-eyeQ vindt u op deze pagina: https://www.axiell.com/nl/oplossingen/product/v-eyeq/. Daar kunt u ook een product sheet (als PDF) downloaden.
Ook deze blogposts zijn mogelijk belangwekkend voor u:
Plan beter en bespaar met V-eyeQ (https://www.axiell.com/nl/blog-post/plan-beter-en-bespaar-met-v-eyeq/)
Krijg inzicht in de performance van uw collectie met V-eyeQ (https://www.axiell.com/nl/blog-post/krijg-inzicht-in-de-performance-van-uw-collectie-met-v-eyeq/)
Hoe rationeel is uw collectiebeheer? (V-eyeQ): krijg inzicht en bespaar tegelijk (https://www.axiell.com/nl/blog-post/hoe-rationeel-is-uw-collectiebeheer-v-eyeq-krijg-inzicht-en-bespaar-tegelijk/)
Beheer uw bibliotheekcollectie en neem datagestuurde beslissingen met V-eyeQ (https://www.axiell.com/nl/blog-post/beheer-uw-bibliotheekcollectie-en-neem-datagestuurde-beslissingen-met-v-eyeq/)
