Case Defensie

Een gezondere levensstijl bij Defensie door een combinatie van onderzoeksmethodes

Een gezonde levensstijl is essentieel voor militairen. Zij kunnen namelijk elk moment worden ingezet. Maar ook voor de lange termijn is het belangrijk. Defensie wil dat militairen gezond zijn als ze na hun militaire carrière terugkeren in de maatschappij. Bij duurzame inzetbaarheid geldt voeding als een van de belangrijkste factoren. De organisatie vindt dat hun manschappen een te ongezond voedingspatroon erop nahouden. De vraag aan SAMR: waarom kiezen onze militairen in kantines doorgaans niet voor gezonde voeding? En hoe kunnen wij hen motiveren dit wel te doen?


De eerste stap is dat SAMR het voedingsgedrag van de militairen in kaart brengt. Klopt de aanname van Defensie en hoe kijken de militairen zelf naar hun voedingspatroon? Door verschillende onderzoeksmethoden te combineren, schetsen we een compleet beeld. Op basis van de onderzoeksresultaten hebben we interventies ontwikkeld om het voedingsgedrag te verbeteren.

Het combineren van interviews, enquêtes, observaties en analyses

SAMR heeft een aantal innovatieve onderzoeksmethoden gecombineerd om het voedingsgedrag van de militairen en de beleving daarvan in kaart te brengen. Enquêtes en interviews, face to face en via WhatsApp afgenomen, gaven een duidelijk beeld van de perceptie van de militairen op hun eigen voedingsgedrag. Daarnaast werden observaties in kantines uitgevoerd, 213 gefotografeerde dienbladen geanalyseerd en de verkoopgegevens van de kantines bestudeerd.

Omdenken om tot oplossingen te komen

Hoewel 85% van de militairen zelf vindt dat ze gezond eten, laten de observaties en analyses in de bedrijfskantines een ander beeld zien. Dit inzicht en de overige resultaten van de verschillende onderzoeken leerden ons anders te kijken naar de initiële vraag van Defensie. De vraag waarom militairen niet kiezen voor gezonde voeding, bleek niet de juiste. De vraag die er feitelijk toe deed: waarom kiezen militairen voor ongezonde voeding?

Er wordt door militairen verschillend gedacht over wat ‘gezond eten’ is. Soms denken militairen dat ze een gezonde keuze maken, maar doen ze dat in feite niet. Daarnaast kiezen ze vaak bewust voor ongezond eten als bron van veel energie, bijvoorbeeld om na een intensieve oefening ‘bij te eten’. Niet onbelangrijk: het aanbod aan ongezond eten in kantines is groot en bij de kassa’s liggen veel ongezonde verleidingen die gretig aftrek vinden.

Advies over gedragsverandering

Ongezond eten uit de kantine halen of harde regels opstellen rondom gezond eten zijn een absolute no-go. Dit wekt weerstand op. Het is slimmer om gezondere energierijke alternatieven te bieden in de kantine en daarover duidelijk te communiceren. Kwark, noten, pasta en vis zijn bijvoorbeeld voedingsstoffen die niet alleen gezonder, maar ook rijk aan energie zijn. Verder zorgt extra aandacht voor goede voeding in de opleiding ervoor dat het eigen beeld over gezonde voeding beter overeenkomt met de werkelijkheid. Die kennis helpt militairen gezondere keuzes te maken.

Wandelnet

Spot-on communiceren met je doelgroep

Stichting Wandelnet kan niet zonder steun van haar donateurs. Ze zoekt manieren om de specifieke wandelaar beter te bereiken en daarnaast overheden en vakorganisaties gerichter te adviseren. BSR™ biedt uitkomst. Een verhaal in vier stappen, zes typen wandelaars en één grote eindbenefit: optimaal communiceren met je doelgroep.


Wandelen is leuk en gezond en draagt bij aan de economische ontwikkeling en een duurzame, vitale samenleving is de visie van Wandelnet. Met ruim negenhonderd vrijwilligers maken zij zich hard voor de ruim tien miljoen (!) wandelaars in Nederland.

BSR leefstijlsegmentatie

Om wandelaars te bereiken en het aanbod van Wandelnet nog beter te laten aansluiten op de verschillende typen wandelaars, is het belangrijk dat je communicatie past bij hun leefstijl. De BSR leefstijlen lenen zich hier uitermate goed voor. Wandelnet verzamelt en deelt al veel kennis over de doelgroep wandelaars en is bekend met de Leefstijlvinder Vakantie & Vrije tijd, maar om hun diensten en communicatie beter aan te sluiten zijn ze op zoek naar een wandelspecifieke BSR segmentatie.

Stap 1: data gekoppeld

Voor ons is het pad duidelijk: we hebben duizenden wandelaars, o.a. donateurs en relaties van Wandelnet en bezoekers van hun website gevraagd naar hun voorkeuren. Die data hebben we geanalyseerd en gekoppeld met bestaande data. Wat bleek? De Nederlandse wandelaar is te verdelen in zes segmenten.

Stap 2: de wandelaar te pakken

De ene wandelaar is de andere niet. En de data stellen ons in staat ze beschrijven. We definiëren zes typen BSR wandel-leefstijlen.

  • de avontuurlijke wandelaars
  • de culturele wandelaars
  • de gezelligheidswandelaars
  • de georganiseerde wandelaars
  • de rustige wandelaars
  • de prestatiewandelaars.

Stap 3: postcode

Deze segmenten hebben we vervolgens door vertaald naar heel Nederland.  Zo weet Wandelnet tot op postcodeniveau waar welk type wandelaar zich bevindt. Een ideale uitgangspositie om heel gericht te communiceren.

Stap 4: workshops

Ieder segment is uitgewerkt in een factsheet met een beschrijving en de facts & figures. En tijdens workshops onder leiding van SAMR, maken de medewerkers van Wandelnet kennis met de verschillende typen wandelaars. Men is nu in staat om de communicatie heel precies af te stemmen op de doelgroep.

Go!

De website wandelnet.nl wordt herzienl; een mooie kans om de wandelleefstijlen meteen te integreren en zo nog beter bij interesses en behoeften van potentiële wandelaars aan te sluiten.. Tijdens de landelijke vrijwilligersdag op 6 oktober 2018 zijn de BSR leefstijlen met alle vrijwilligers gedeeld.

case header 1920x675  0009 Lbruna

Zes miljard berekeningen: één nieuwe Bruna. Locatiemanagement door SAMR Data Creatives.

Een rekenmodel dat de omzet van een winkelvestiging op elke willekeurige locatie in Nederland voorspelt. Zeg maar het verschil tussen Kalverstraat 4 en de Blaak 16, in keiharde euro’s. Voor Bruna is precies dat ontwikkeld. Met zes miljard berekeningen, achthonderd variabelen en 130 duizend mogelijke winkelvestigingen kan de omzetpotentie van alle winkellocaties in Nederland worden voorspelt. Tenzij er een kat op de toonbank zit.

Te mooi om waar te zijn?

Zo’n model opent oneindig veel deuren. Tot op de komma voorspellen waar omzetpotentie zit, is dat niet te mooi om waar te zijn? Nee, het voorspelt zeventig procent van de variaties in de omzet van alle vestigingen. Dat maakt het statistisch gezien een behoorlijk betrouwbaar model, ook al is dertig procent niet te voorspellen.

Die dertig procent valt te verklaren door variabelen die weliswaar een rol spelen, maar niet in het model opgenomen zijn. Simpelweg omdat je nou eenmaal niet overal rekening mee kan houden. Maar ook die variabelen vallen vaak met gezond boerenverstand te achterhalen. Wanneer een locatie niet naar verwachting presteert, kun je eens langsgaan. Dan blijkt bijvoorbeeld dat er in de vestiging een enorme rode kater op de toonbank ligt. En dat klant angst en allergie moet overwinnen om af te rekenen. Dat zie je terug in de cijfers.

Wat wordt de omzet?

Er zijn drie typen data gebruikt om uit te rekenen wat de omzet zou zijn:

Plekdata
Dit zijn de bedrijfseconomische en transactiedata. Alle bonnetjes, omzetcijfers en faciliteiten van een vestiging. Van hoeveel vierkante meter winkeloppervlak er is, tot hoeveel gele markers er in september worden verkocht. Hoe meer je over elke locatie weet, des te preciezer het model wordt.

Publieksdata
Publieksdata is ook beschikbaar. Data van alle 7,5 miljoen huishoudens, zowel sociodemografisch als psychografisch, bepaalt wie de consumenten in de regio zijn. Zijn het gezinnen met schoolgaande kinderen, vrouwen die graag de Privé lezen of juist de hoger opgeleide pensionado’s, die boeken verslinden. Hoe preciezer hoe beter.

Programmadata
Programmadata is goed te vinden door middel van commerciële databronnen, open data en ‘web scraping’. Bijvoorbeeld de geolocatie van alle 130 duizend winkels. Is het winkelcentrum overdekt? Is het een voetgangersgebied? Hoe de omgeving eruit ziet en wie er allemaal afhankelijk van een bepaalde locatie zijn. Of zijn er winkels met concurrerend aanbod in de buurt? En hoe ver dan?

Zo werkt het

Samr Data Creatives vinden een schat aan informatie. En elke variabele heeft, in meer of mindere mate, effect op de omzet. Bijvoorbeeld het inwonersaantal van het bedieningsgebied, of de locatie ten opzichte van de drukste winkelstraat. Dat achterhalen is geen pen-en-papierklus, daarvoor heb je datasoftware nodig. Deze berekent de invloed van de variabele op de omzet. De mate waarin een variabele de omzet verhoogt of verlaagt dus.

Gemiddelden, gemiddelden, gemiddelden

Deze data geeft je heel veel inzicht in wat een locatie naar behoren zou moeten omzetten. Als je dat naast de daadwerkelijke omzet legt, kun je opmerkelijke verschillen aanwijzen. Sommige locaties blijven ver weg van de verwachte omzet. Dan kun je eens gaan kijken waar dat aan ligt. Ziet het er wel goed uit daar? En hoe is de service? Terwijl anderen misschien wel boven verwachtingen presteren. Wat zijn best practices? En kunnen andere winkels hier iets van leren?

Locatie X of toch locatie Y?

Even terug naar Bruna. Met zo’n model kun je natuurlijk ook voorspellen wat de omzet zou zijn voor de winkellocaties waar nog geen Bruna-vestiging zit. Stel we zouden op locatie X beginnen, wat is de omzet wanneer we veel vierkante meter tijdschriften gaan verkopen? En wat gebeurt er als je de nadruk legt op kantoorartikelen? En wat zou dat zijn als we de vestiging naar locatie Y verplaatsen? Of is het misschien het meest rendabel om alleen een afhaallocatie te plaatsen voor online bestellingen, omdat het zich in een bedieningsgebied bevindt dat veel online bestellingen plaatst? Relevante vragen die bij veel organisaties leven. Met data kun je die dus gewoon beantwoorden. Geen nattevingerwerk meer, maar zekerheid.

Bruna heeft een meetlat gekregen waar het de prestaties van verschillende vestigingen langs kan houden. En vervolgens concreet actie kan ondernemen. Het bedrijf pioniert als het gaat om de toepassing van data in de retailsector om de waarde van vastgoed in te schatten.

case header 1920x675  0007 KNLTB case

De KNLTB kent al haar 1.1 miljoen leden. SAMR Geo-psychografische informatie.

Zo’n 1,1 miljoen Nederlanders slaan regelmatig een balletje op de tennisbaan. Tennis is daarmee de tweede sport van Nederland. Onder 35-plussers is het zelfs de grootste sport. Van al die tennissers, zijn ruim 630.000 personen (via hun vereniging) lid van de KNLTB. Ondanks die positieve cijfers, heeft KNLTB te kampen met dalende ledenaantallen. Niet alle lokale tennisverenigingen ervaren dit al als een probleem. Zij zijn (nog) niet in staat van paraatheid. KNLTB is wel alert en zoekt naar de toegevoegde waarde van een lidmaatschap. Voor tennissers én verenigingen.

 

7 soorten tennissers

Om te weten wat mensen willen, moet je ze kennen. En dat is precies waar we KNLTB bij hebben geholpen. Op basis van bestaande data hebben we een doelgroepsegmentatie gemaakt. Denk aan het ledenbestand, verenigingsbestand en de SAMR geo-psychografische database SmartGIS (BSR™ op postcodeniveau). Dat leverde zeven soorten tennissers op. Van dynamische tennisfamilies en gezellige recreanten tot stille luxe tennissers.

Communicatiewaaier

Het segmentatiemodel is uitgerold over het hele ledenbestand van de KNLTB en er is een communicatie toolkit ontwikkeld. Deze toolkit helpt om gericht naar de verschillende leden te communiceren. De communicatietoolkit – met als titel ‘Ken jij de KNLTB leden?’ – is opgemaakt in een waaier. Zo hebben medewerkers van KNLTB snel en overzichtelijk alle soorten tennissers en hun behoeften bij de hand. Dit biedt kansen voor een effectieve website, slimme nieuwsbrieven (gedifferentieerd in tone of voice, boodschap, beeld, enz.) en gerichte sponsormailings.

Kansen

Door het segmentatiemodel voor heel Nederland in kaart te brengen, ontstaan kansen voor de lokale tennisverenigingen. Zij weten hoe zij hun verzorgingsgebieden moeten aanspreken om meer leden te werven. Maar dat is de volgende stap…