De maatschappelijke missie van Platform voor Klantgericht Ondernemen (PvKO) is het stimuleren van een klantgerichter Nederland ten behoeve van ons Bruto Nationaal Geluk (uitsluitend positieve klantervaringen) en ons Bruto Nationaal Product (succesvol ondernemende organisaties). Voor alle organisaties die klantgericht willen werken is het van belang hun eigen niveau van klantgerichtheid objectief te kunnen toetsen. Een dergelijke toets wordt waardevoller als een organisatie zichzelf kan vergelijken met andere organisaties en input kan krijgen over mogelijke verbeterpunten om op een hoger niveau van klantgerichtheid te komen.
Binnen PvKO heeft het kerndomein Onderzoek in samenwerking met de Rijksuniversiteit Groningen (RUG) een eerste stap gezet in het ontwikkelen van een benchmarkinstrument “Klantgericht Ondernemen”. In dit artikel beschrijven we de wijze waarop we dit hebben gedaan, de gevonden resultaten en de manier waarop we met het instrument verder willen gaan.
Voor de ontwikkeling van het benchmarkinstrument zijn de stappen gezet zoals weergegeven in Figuur 1.
Figuur 1: Onderzoeksproces
Nadat PvKO de RUG bereid had gevonden mee te doen aan de ontwikkeling van het instrument werd door de RUG een drietal studenten geselecteerd, die hier hun tanden in konden zetten. Zij zagen dit als een dankbaar onderwerp van hun afstuderen. Ook Cmotions heeft een belangrijke bijdrage geleverd. Onderaan het artikel geven we een overzicht van alle mensen die hebben meegewerkt aan de ontwikkeling van het benchmarkinstrument.
De projectgroep was het erover eens dat het artikel “The Path to Customer Centricity” van Denish Shah e.a. als vertrekpunt moest dienen om invulling te geven aan het conceptuele framework van de opdracht. Een kritische beschouwing van de wetenschappelijke literatuur op het gebied van “customer centricity” leidde uiteindelijk tot de volgende definitie van klantgerichtheid:
“Klantgerichtheid is de mate waarin een organisatie op basis van individuele klantkennis voorziet in de behoefte van individuele consumenten en daarnaast de voorkeuren en wensen van individuele consumenten als uitgangspunt gebruikt bij het nemen van beslissingen, onder de randvoowaarde dat klantgerichtheid tevens leidt tot een rendabele organisatie”.
De literatuur ondersteunt de veronderstelling dat naarmate organisaties meer klantgericht zijn dit een positieve bijdrage levert aan het bedrijfsresultaat via hogere klantresultaten. Als drivers van klantgerichtheid worden gezien de organisatiestructuur en -cultuur, de (klant-) processen en de mate waarin een organisatie stuurt op klantgerichte maatstaven en deze weet te koppelen aan financiële maatstaven.
Het op het artikel van Shah e.a. gebaseerde conceptuele model dat als uitgangspunt heeft gediend voor het ontwikkelen van het benchmarkinstrument, is weergegeven in Figuur 2.
Figuur 2 – Conceptueel model
Elk van de zeven blokken in het conceptuele model kan worden gezien als een “construct” dat meetbaar dient te worden gemaakt, ofwel: waar een verzameling vragen over moet worden gesteld die allemaal een element van dat specifieke construct betreffen en gezamenlijk daarvan een goed beeld geven. Op basis van de bestaande wetenschappelijke literatuur werd elk van de blokken gevuld met goede meetvragen. De meeste van de in de literatuur gevonden meetvragen hebben de vorm van een Likert-schaal. Dit is een stelling waarop men kan aangeven in hoeverre men het ermee eens is of in hoeverre die van toepassing is in de situatie van de respondent. Vaak worden hier 5- of 7-punts-schalen voor gehanteerd, variërend van “strongly disagree” tot “strongly agree”. Een voorbeeld van zo’n stelling is:
“We enable our customers to have interactive communications with us”
Er is veel tijd besteed aan overleg tussen RUG en de projectgroep om de vragen per blok te bepalen. De verwoording van elke vraag is belangrijk, waarbij het streven is dat elke vraag door elke respondent op dezelfde manier wordt geïnterpreteerd. Dit proces leidde tot een totaal van 112 vragen, met onderwerpen als empowerment, de verantwoordelijkheid voor de customer journey, de aanwezigheid en het gebruik van klantdata, en de aard en realisatie van doelstellingen.
Voor dit basisonderzoek mag de vragenlijst langer zijn dan de lijst die in de uiteindelijke benchmark wordt gehanteerd. Analyses van de uitkomsten wijzen namelijk uit welke vragen per blok een wezenlijke bijdrage leveren aan het gevonden model en welke dat in (veel) mindere mate doen. De uiteindelijke vragenset moet zo beperkt mogelijk zijn en alleen de meest discriminerende vragen bevatten, teneinde de animo om deel te nemen aan de benchmark te maximaliseren.
De ontwikkelde vragenlijst is vervolgens getest bij een aantal PvKO-leden, die nuttige feedback gaven over de lengte van de vragenlijst en de verwoording van de vragen.
De uitvoering van het veldwerk met de uiteindelijke vragenlijst is gedaan door Marketresponse. Via diverse PvKO-leden is een database van ca. 4.000 marketing- en klantmanagers aangelegd van bedrijven met tenminste 30 fte’s. Deze managers zijn door middel van e-mail uitgenodigd deel te nemen aan het onderzoek, in ruil waarvoor zij inzicht krijgen in hun eigen klantgerichtheid ten opzichte van andere bedrijven, alsmede een uitnodiging voor een PvKO-seminar. Na de initiële uitnodiging is een aantal keren een reminder gestuurd.
Uiteindelijk bleek de respons tegen te vallen. Van alle benaderde managers hebben 162 managers de vragenlijst volledig ingevuld. Van de respondenten werkt 23% in de financiele dienstverlening, 17% in de retail en 16% in de industrie. Van hen geeft 52% aan te werken in een B2B-organisatie, 21% in een B2C-organisatie en 27% in een organisatie die beide deelmarkten bedient. Zo’n 71% van de respondenten werkt in een organisatie met minder dan 200 fte’s.
Omdat het hier primair gaat om het vaststellen van de verzameling vragen waarmee de veronderstelde verbanden kunnen worden vastgesteld, is de toets op representativiteit van de gerealiseerde steekproef minder van belang.
Om te kunnen vaststellen welke vragen moeten worden gebruikt om de veronderstelde verbanden te kunnen onderzoeken, is het als eerste van belang om binnen elk blok een (latent) construct te vinden dat dat blok goed representeert. Een manier om dat te doen is factoranalyse. Factoranalyse is een statistische techniek waarmee kan worden nagegaan of er achter een reeks vragen (of aspecten) een gemeenschappelijke factor schuil gaat. Met factoranalyse gaat een onderzoeker na of afzonderlijke vragen te herleiden zijn naar één of een beperkt aantal factoren. Zo ja, dan kan er een zogenaamde lineair gewogen samengestelde variabele van worden gemaakt.
Neem als voorbeeld het construct “klantgerichtheid”. Om dit te meten werden in het onderzoek twee stellingen aan de respondenten voorgelegd:
De combinatie van deze twee stellingen leverde een goed bruikbare factor op.
Zo is op alle zeven blokken een factoranalyse uitgevoerd. Vervolgens werden door middel van regressie-analyses de relaties tussen de diverse blokken onderzocht.
De resultaten van deze schattingen bleken teleurstellend. Slechts een beperkt aantal verbanden kon worden teruggevonden. Uiteindelijk konden we op deze wijze het conceptuele model dus niet vaststellen. De reden hiervoor kan enerzijds worden gezocht in het relatief lage aantal waarnemingen en in de item-non respons, ofwel het feit dat respondenten niet op alle vragen een antwoord hadden gegeven. Anderzijds kan de relevante literatuur onvoldoende richting hebben gegeven aan het meten van de constructen.
In een volgende stap is een aantal alternatieve analyses verricht. Daarbij zijn als eerste de oorspronkelijke zeven blokken onderverdeeld in drie groepen, namelijk:
Alle vragen binnen deze drie groepen zijn integraal bekeken, dus de a priori indeling in de constructen van Shah e.a. is losgelaten. Dit geldt met name voor de driver- en de resultaatvariabelen.
Vooral binnen de groep resultaatvariabelen was er een relatief hoge mate van item-non respons. Het gaat hier om vragen zoals het hebben van specifieke doelstellingen en/of het meten van allerlei klantmetrics. Opgenomen zijn metrics als klantfeedback, Customer Ecquity en Share of Wallet. Omdat de factoranalyse op deze variabelen niet erg succesvol bleek, is besloten een Mokkenschaal-analyse uit voeren. Bij een Mokkenschaal-analyse wordt bekeken welke vragen een hiërarchie vormen. De schaal die zo’n analyse oplevert kan gezien worden als een hiërarchie van een bepaalde eigenschap of vaardigheid. Wanneer een bedrijf hoger op zo’n schaal staat, dan is dit bedrijf vaardiger op de aspecten die de schaal vormen dan bij een lagere score. Vergelijk het met een toets van rekenvaardigheid op de basisschool. Daar kunnen een aantal opgaven voor worden gebruikt, geordend van eenvoudig naar moeilijk. Naarmate een leerling meer sommen goed beantwoordt, is hij of zij vaardiger. Beantwoordt het kind bijvoorbeeld som 5 goed, dan is het het meest waarschijnlijk dat hij ook de sommen 1-4 goed zal hebben. Als er nog een volgende vraag goed is, dan is het het meest waarschijnlijk dat dat vraag 6 is.
Voor de resultaatvariabelen vonden we een sterke Mokkenschaal, die onder andere de volgende elementen bevat:
De percentages geven aan hoeveel bedrijven in de steekproef dit doen. Veel bedrijven sturen dus op klanttevredenheid, maar weinig bedrijven doen dit op customer equity. De schaal impliceert dat als een bedrijf aangeeft te sturen op customer equity, dit bedrijf ook stuurt op klantbehoud en klanttevredenheid.
De Mokkenschaal-analyse bleek niet alleen het beste te werken op de resultaatvariabelen, maar ook op de drivervariabelen. Uiteindelijk werden er tien schalen geconstrueerd:
Om de relaties tussen de schalen te toetsen is gebruik gemaakt van LISREL. LISREL kan worden gezien als een combinatie van factoranalyse en regressieanalyse. Gebruikmakend van alle vragen leverde dit bruikbare modellen op. Vervolgens was het de vraag welke van de vragen het meest bijdragen aan de betreffende schaal, en of ook met deze set aan vragen een goed model te schatten is.
Immers: voor het benchmarkinstrument willen we werken met een beperkt aantal vragen, om zo de bereidheid hieraan mee te doen te maximaliseren. Daartoe zijn de meest significante items geselecteerd en opnieuw Mokkenschaal-analyses en LISREL-anayses uitgevoerd. Ook dit resulteerde in tien schalen overeenkomstig de eerdere analyses. Deze schalen resulteerden in het goed interpreteerbare LISREL-model dat is weergegeven in Figuur 3.
Figuur 3 – Benchmark model
De Mokkenschalen die ten grondslag liggen aan de constructen kunnen relatief eenvoudig worden ingezet om voor een individueel bedrijf te bepalen hoe hoog men op de ladder staat ten aanzien van “klantgerichtheid”. Vanuit wetenschappelijk oogpunt is vooralsnog echter een kanttekening op z’n plaats: zoals aangegeven is de gerealiseerde steekproef van het onderzoek aan de magere kant. Om het model te valideren zijn meer waarnemingen nodig. Dat moet een stimulans zijn voor veel bedrijven om aan de benchmark deel te nemen.
In de projectgroep van het PvKO waren vertegenwoordigd: Linda van Zomeren (Post NL), Ton Timmermans (bestuur PvKO), Wolter Kloosterboer (Marketresponse), Victor Blom (Efficy) en Ronald Wiekenkamp (Cmotions). Vanuit de Rijksuniversiteit Groningen hebben bijgedragen: Dr. Janny Hoekstra en de studenten Lisette Klaver, Tomas Geerts en Sicco Hempenius. Voor de ontwikkeling van het uiteindelijke model heeft Prof. Dr. Ton Kuijlen een belangrijke rol gespeeld. PvKO is bijzondere dank verschuldigd aan Marketrespons voor de uitvoering van het veldwerk.
22 december 2021
Lees hieronder over onze big 5 voor structurele waarde creatie met data en analytics. 1.... lees meer
22 december 2021
Structureel CX inzichten omzetten in verbeteringen en hiermee waarde creëren voor jouw klanten Customer Experience (CX)... lees meer
6 oktober 2021
Op woensdag 17 november 2021 is het tijd voor een nieuwe editie van onze Meetup. Deze... lees meer