Inzicht in marktdynamieken voor een stevigere concurrentiepositie
FrieslandCampina
- Klantcase
- Data Analytics
- Data Science
- Dataprojecten
FrieslandCampina Global faciliteert lokale teams in Europa, Azië en Afrika. Ze willen de markt beter in kaart brengen en de teams van nieuwe inzichten voorzien. Doelen hierbij zijn het verstevigen van de concurrentiepositie en het spotten van nieuwe kansen voor uitbreiding.
FrieslandCampina vroeg ons bij te dragen aan hun project door markttrends op het gebied van prijs, promotie en media in kaart te brengen.
- Inzicht in prijselasticiteit: hoe sterk reageerden consumenten op prijsveranderingen? Bleven ze trouw of switchten ze naar een ander merk?
- De effecten van promoties: werkten ze effectief om nieuwe klanten binnen te halen of kochten alleen bestaande klanten meer?
- Media-uitgaven: werd media goed ingezet?
Aanpak
We gingen aan de slag met marketingmix modelling op basis van lineaire regressie. Onze aanpak bestond hierbij uit deze stappen:
- Datapreparatie: het samenbrengen van verschillende databronnen met verschillende structuren. Hierbij maakten we gebruik van de data van FrieslandCampina Global, data van de lokale teams en openbare data. Denk hierbij aan marktinformatie uit bronnen als IPSOS en Nielsen over de eigen verkoop en die van concurrenten, de distributie van producten, media-uitgaven, effecten van de coronapandemie, temperatuur, inflatiecijfers, seizoenen en feestdagen. We brachten deze data samen vanuit de datawarehouse (cloud), lokaal opgeslagen data (offline) en online databronnen.
- Datakoppeling: We koppelden en transformeerden alle data met behulp van de analytics engineering tool Dataiku. Hierbij gebruikten we SQL voor het aanroepen van de centrale database. Het resultaat hiervan was een dataset waarin je per week of per maand alle variabelen kon inzien in een tabel.
- Clusteren: We gebruikten clustering om productgroepen te identificeren op basis van verkooppatronen die potentieel met elkaar concurreren en daardoor extra interessant zijn voor de modellen.
- Variabelen testen: We onderzochten de invloed van alle variabelen met behulp van lineaire regressie. Dit deden we met gebruik van Python code. Zo checkten we hoeveel impact relevante variabelen hebben gehad op de verkoop in de afgelopen jaren. Dit maakten we per product inzichtelijk door de drivers achter de verkoop over tijd te laten zien.
Tijdens het hele dataverwerkingsproces waren we continu in gesprek met de lokale teams. We verrijkten de inzichten uit de data met hun lokale kennis en verifieerden andersom of de aannames die zij deden op basis van hun marktkennis, klopten. Deze wisselwerking droeg bij aan het creëren van draagvlak voor het nemen van beslissingen op basis van inzichten uit data.
Resultaat
De analyse die we deden was het startschot om lokale teams meer datagedreven te laten werken. De methode die we opzetten is schaalbaar. We helpen en trainen de medewerkers van de lokale teams van FrieslandCampina nu om de analyse zelf te kunnen herhalen in de toekomst. Met deze kennis kunnen ze ook andere productcategorieën analyseren.
Met onze kennisoverdracht op de lokale teams leggen we de basis om verder zelf aan de slag te gaan. Door hen mee te nemen in de analyse en de inzichten te bespreken, komen ze steeds vaker zelf met ideeën en ontstaan er nieuwe kansen.
Zo maken we samen de data toegankelijker, betrouwbaarder én inzichtelijker. Er is nu one source of truth en er zijn kwaliteitschecks ingevoerd.De datakwaliteit verbetert continu en het beslisproces binnen FrieslandCampina wordt steeds meer datagedreven.
Meer weten?
Joachim gaat graag met je in gesprek over wat we als datapartner voor jou en je organisatie kunnen betekenen.
Business Manager020 308 43 9006 23 59 83 71joachim.vanbiemen@digital-power.com
1x per maand data insights, praktijkcases en een kijkje achter de schermen ontvangen?
Meld je aan voor onze maillijst en blijf 'up to data':
Dit vind je misschien ook interessant
De kracht van Analytics Engineering
De wereld van data is voortdurend in beweging, en dat geldt ook voor de bijbehorende functies en verantwoordelijkheden binnen datateams. Hieruit is een opkomende rol ontstaan: de Analytics Engineer.
Centrale dataopslag met een nieuwe data-infrastructuur
Dedimo is een samenwerking van vijf zorginitiatieven in de geestelijke gezondheidszorg. Om de kwaliteit van hun zorg continu te verbeteren, richten ze interne processen efficiënter in. Hiervoor gebruiken ze inzichten uit de data die intern beschikbaar is. Voorheen haalden ze deze data zelf uit verschillende bronsystemen met ad hoc scriptjes. Om dit proces robuuster en efficiënter te maken en verder te professionaliseren, schakelden ze onze hulp in. Ze vroegen ons de centrale opslag van hun data in een cloud data warehouse te faciliteren. Omdat ze al gewend waren te werken met Google Cloud Platform (GCP), was de wens de data-infrastructuur binnen deze omgeving op te zetten.
Verbeterde datakwaliteit dankzij een nieuwe data pipeline
Royal HaskoningDHV ziet het aantal aanvragen van klanten met Data Engineering vraagstukken toenemen. De nieuwe afdeling die ze hiervoor op hebben gericht, is nog groeiende. Ze vroegen ons daarom hun Data Engineering team tijdelijk extra capaciteit te bieden. Één van de vraagstukken waar wij hulp bij boden, was die van Waterschap Aa en Maas.
Een schaalbaar machine learning-platform voor het voorspellen van billboard-impressies
The Neuron biedt een programmatisch biedingsplatform om digitale Out-Of-Home-advertenties in realtime te plannen, kopen en beheren. Ze vroegen ons het aantal verwachte impressies voor digitale advertenties op billboards op een schaalbare en efficiënte manier te voorspellen.