UDNYTTELSE AF BIG DATA I DETAILHANDEL VIA INTERNETTET

UDNYTTELSE AF BIG DATA I DETAILHANDEL VIA INTERNETTET Exploiting Big Data in retail commerce via the Internet HVORDAN PUSH-BESKEDER KAN ØGE KUNDELOYALITETEN I COOP HOW PUSH MESSAGES CAN INCREASE CUSTOMER LOYALTY IN COOP AFGANGSPROJEKT HD 2. DEL ØKONOMISTYRING OG PROCESLEDELSE Paul Knudsen (pakn10ab) Vejleder: Mogens Kühn Pedersen CBS, maj 2014

Udnyttelse af Big Data i detailhandel via internettet Hvordan push-beskeder kan øge kundeloyaliteten i Coop Exploiting Big Data in retail commerce via the Internet How push messages can increase customer loyalty in Coop Forfatter: Paul Knudsen Vejleder: Mogens Kühn Pedersen Sideantal / anslag: 102 sider / 155.414 anslag Afgangsprojekt HD 2. del, Økonomistyring og procesledelse Copenhagen Business School 2014 Afleveret: 5. maj 2014 Skrifttype: Geogrotesque Kontaktoplysninger: Paul Knudsen, tlf. 22 12 92 67, p@ul.dk

[Denne side er bevidst efterladt blank]

EXECUTIVE SUMMARY Big Data is all about understanding the individual consumer. This understanding will enable retailers to deliver the right information and service to the right customer at the right time, via the channel of their preference. In this report the largest retail commerce chain in Denmark, Coop, is analyzed with regards to their use of Big Data and push messages. Coop is part of a national retail market that is overflowing with brick-and-mortar stores and more are on their way. At the same time e-commerce is booming which puts more pressure on the brick-and-mortar retailers to find new ways of drawing the attention of the consumer. The customer relationship needs to be improved through better service and by delivering better information about products and offers. The analysis is focused on consumer behavior and how using Big Data techniques and technologies can improve the information flow by using existing as well as new infrastructure to target consumers in a better and more advanced way. The omni-channel approach will give consumers the best possible shopping experience. The overall scope is to strengthen the customer relationship by individualizing and personalizing information pushed to the customer. Using the existing technology of email and SMS marketing an experiment is conducted to see if this type of marketing can support this and how Big Data could eventually improve customer satisfaction and increase loyalty. The analysis also shows that new generations will expect retailers to be omni-channel and that more and more commerce will become mobile. Other technologies like beacons are also discussed for proximity marketing. Combining Big Data with proximity marketing would position Coop as the leading retailer in Denmark and using the existing SMS marketing platform could pull the consumers towards this new technology. The conclusions are that Big Data is not yet used enough in Danish retail commerce as well as in Coop but this also represents an opportunity. It would require as paradigm shift to focus more on data-driven decision making rather the gut feelings. The consumer wants relevant and personalized information and this would strengthen satisfaction and loyalty towards the brand. EXECUTIVE SUMMARY 5

Management must focus on Big Data to utilize this in the decision making process. Also an omni-channel strategy has to be created. Marketing should then become more automated on a per consumer level with personalized information on products and services. Good data scientists must be found and talents nursed to deliver the best possible analyses and in realtime. Push messages does have a future in retail commerce, especially in m-commerce but management must embrace the new technologies. 6 EXECUTIVE SUMMARY

INDHOLDSFORTEGNELSE EXECUTIVE SUMMARY 5 INDHOLDSFORTEGNELSE 7 1 INDLEDNING 11 1.1 BAGGRUND 11 1.2 PROBLEMET 12 1.3 OPGAVENS OPBYGNING 13 1.4 TIDSPLAN 13 2 METODE 15 2.1 PRÆSENTATION AF UNDERSØGELSESMETODERNE 15 2.2 PRAKTISK EKSPERIMENT MED UDSENDELSE AF BESKEDER 15 2.3 INTERVIEW 15 2.4 INDSAMLING AF DATA 16 2.5 OVERVEJELSER OG FEJLKILDER 16 2.6 FAGLIGE NORMER OG PRAKSIS 16 3 MODELLER 17 3.1 E-BUSINESS INFRASTRUKTUR 17 3.2 INNOVATION I DETAILHANDEL 20 3.3 VÆRDIKÆDEN I DETAILHANDEL 25 3.4 KUNDERELATIONER 27 3.5 OPSUMMERING 32 INDHOLDSFORTEGNELSE 7

4 ANALYSE I: DETAILHANDEL 33 4.1 COOP S SITUATION 33 4.2 TEKNOLOGISKE FREMSKRIDT 34 4.3 BIG DATA RAMMER LEDELSEN 37 4.4 EN OMNI-CHANNEL STRATEGI 39 4.5 FORVENTNINGER TIL BIG DATA 43 4.6 DELKONKLUSION 43 5 ANALYSE II: KUNDERELATIONER 45 5.1 MEDLEMSDATABASEN 45 5.2 WALMART OG ANDRE FØRENDE KÆDERS BRUG AF BIG DATA 46 5.3 SMS SOM MARKEDSFØRINGSREDSKAB 49 5.4 DAGLI BRUGSENS SMS-PROJEKT 50 5.5 EKSPERIMENT MED FORSKELLIGE TILBUD PÅ SMS 53 5.6 FORBRUGERADFÆRD 56 5.7 PERSONLIGGØRELSE MED SMS 58 5.8 DELKONKLUSION 59 6 ANALYSE III: FREMTIDEN 61 6.1 M-HANDEL DE KOMMENDE ÅR 61 6.2 BEREGNINGSKAPACITET HVORFOR CLOUD COMPUTING? 62 6.3 FLERE FORETNINGSMULIGHEDER 63 6.4 DELKONKLUSION 64 7 DISKUSSION 67 7.1 BIG DATA I DETAILHANDLEN 67 7.2 HVOR LANGT KAN MAN GÅ MED SMS? 68 7.3 VURDERING AF UNDERSØGELSESMETODERNE OG FAGLIGE METODER 69 8 KONKLUSION 71 8.1 BIG DATA SOM UDNYTTES BEDRE 71 8.2 HANDLEANVISNINGER 73 8 INDHOLDSFORTEGNELSE

9 LITTERATURLISTE 75 10 ILLUSTRATIONER 81 11 BILAG 83 11.1 COOP AMBA KONCERNOVERSIGT PR. APRIL 2014 83 11.2 HYPE CYCLE FOR EMERGING TECHNOLOGIES, GARTNER 2013 84 11.3 TILMELDINGER OG UDSENDTE PUSH-BESKEDER I DAGLI BRUGSEN 85 11.4 FREMSKRIVNINGER AF M-HANDEL 87 11.5 INTERVIEW 89 INDHOLDSFORTEGNELSE 9

1 INDLEDNING I DETTE AFSNIT SÆTTES SCENEN FOR UNDERSØGELSEN AF BRUGEN AF BIG DATA TIL AT OPTIMERE LEDELSESBESLUTNINGERNE, SOM I SIDSTE ENDE DEFINERER DET INDHOLD, SOM FORBRUGERNE SER. 1.1 BAGGRUND Big Data er et hypet begreb i disse år, hvor medierne i ny og næ tager fat i emnet, men uden egentlig at oplyse den brede befolkning om, hvordan dette vil kunne påvirke hverdagen i den nære fremtid. Mediernes fokus har mest af alt handlet om privatlivsog sikkerhedsspørgsmål, snarere end hvordan den rette brug kan forbedre tilfredsheden hos den enkelte forbruger. Brugen af Big Data kræver således et stort oplysningsarbejde i befolkningen, men også blandt virksomhedsledere der skal træffe beslutningen om at sætte data i spil. Som casevirksomhed har jeg valgt Danmarks største detailhandelskoncern, Coop. Den vigtigste gren af virksomheden er at sælge dagligvarer, som samtidig er et område, hvor forbrugerne køber mange af de samme varer igen og igen. Det er således et meget anderledes område, end hvis vi talte om salg af tv eller sofaer, hvor forbrugerne sjældnere skal ud på markedet. Til Coop Dagli Brugsen har min virksomhed, QBuy ApS, gennem de seneste to år leveret et website med et tilhørende pushbeskedsystem baseret på email- og SMSudsendelser. Dette har givet mulighed for at arbejde konkret med drift og optimering af et system, der bliver brugt i stort omfang, og hvor muligheden for indsamling og bearbejdning af data ligeledes er stor. Som leverandør har min rolle været at udvikle et system, der kan understøtte og videreudvikle den forretningsstrategi, som Dagli Brugsen forfølger om at være det lokale omdrejningspunkt i typisk et landområde. Dagli Brugsens moderorganisation, Coop, sidder også med en unik mulighed for at kunne aktivere de 1,4 mio. danskere, som allerede har en tilknytning til virksomheden via medlemskabet af Coop. Som de fleste andre virksomheder er udfordringen at tjene penge i et presset marked, og målet er at øge kundetilfredsheden, så loyaliteten øges, hvilket i sidste ende vil kunne øge indtjeningen. Denne unikke database vil kunne kobles til andre indsamlede data, og derfra vil et INDLEDNING 11

analysearbejde kunne give både topledelsen og den lokale butiksledelse langt bedre værktøjer til at træffe beslutninger om tilbud og kampagner. Min interesse for, erfaring og arbejde med Coop er derfor årsagen til, at jeg har valgt emnet, som dog også betyder meget for mit arbejde, der ikke er relateret til Coop. Jeg har i opgaven indsamlet data ved at gennemføre interview og udført et eksperiment med pushbeskeder, ligesom jeg har fundet relevante artikler og rapporter inden for emnet. 1.2 PROBLEMET I det følgende beskrives problemstillingen, defineres en problemformulering med tilhørende undersøgelsesspørgsmål samt afgrænses dette. 1.2.1 PROBLEMSTILLING Coop er en af de to store detailhandelskoncerner i Danmark. Dansk Supermarked er den anden store koncern, men der findes også mindre danske og udenlandsk ejede kæder, som opererer på markedet. For alle gælder et ønske om at åbne flere fysiske butikker, og det selvom markedet i forvejen er oversvømmet med butikskvadratmetre, ligesom e-handelskanaler skal udvikles for at give forbrugerne mulighed for at handle der, hvor de har lyst til. Derfor skal der findes løsninger, der kan tiltrække nye kunder og fastholde de eksisterende. Problemstillingen er ret beset, at der er behov for at kunne øge servicen over for forbrugerne ved at levere et bedre produkt end konkurrenten, eksempelvis gennem bedre, optimeret og mere målrettet kommunikation. En af udfordringerne er at sætte data om forbrugerne i spil på den rigtige måde. 1.2.2 PROBLEMFORMULERING Med udgangspunkt i behovet for at optimere og målrette kommunikationen til den enkelte forbruger, hvordan udnytter virksomheden Big Data bedre, således at ledelsen træffer de rigtige beslutninger om kampagner og tilbud? 1.2.3 UNDERSØGELSESSPØRGSMÅL OG OPERATIONALISERING På den baggrund har jeg valgt at arbejde med følgende undersøgelsesspørgsmål: 1. Hvor meget udnyttes Big Data i dag? 2. I hvor høj grad er det ledelsen, der skal træffe beslutninger om kampagner og tilbud? 3. Hvad ønsker den enkelte forbruger at modtage af kampagner og tilbud? 4. Hvordan kan teknologi bruges til at øge servicen og salget? De ovenstående undersøgelsesspørgsmål kan nu oversættes til de praktiske forhold, der skal undersøges. Disse er nærmere beskrevet i afsnit 4-6 - og understøttet af indsamlede primære og sekundære data. 1.2.4 DEFINITIONER OG BEGREBER Generelt har jeg arbejdet med Big Data som et begreb, der dækker over enhver form for data, som kunne være relevant for Coop at arbejde med. De parter, jeg arbejder med, består som oftest af virksomheden, der henviser til 12 INDLEDNING

afsenderen af et produkt eller ydelse, såvel som den part der ønsker at markedsføre disse. Ligeledes bruger jeg begreber som kunden, køberen og forbrugeren om den part, der er modtageren af markedsføringen og efterfølgende køberen af produktet. 1.2.5 AFGRÆNSNING Opgaven fokuserer på brugen af SMS er som pushbeskeder, selvom emails også bliver brugt i vidt omfang. Det interessante er dog brugen af mobile enheder, hvilket ikke nødvendigvis er tilfældet, når man arbejder med emails. Ud fra dette arbejdes også kun med den del af e-handel, som centrerer sig om handel på mobile enheder. 1.3 OPGAVENS OPBYGNING Opgaven er et stykke projektarbejde, som tager udgangspunkt i den konkrete problemstilling, som er beskrevet i foregående afsnit 1.2. Dernæst gennemgås de metoder (afsnit 2), som bruges i projektet, hvorefter de relevante teorier beskrives (afsnit 3). Efter denne del vil jeg analysere problemet og gennemgå emnerne fra de undersøgelsesspørgsmål, jeg har opstillet (afsnit 4-6). I den sidste del af opgaven evaluerer jeg metoden og resultaterne (afsnit 7), hvorefter konkrete handleanvisninger opstilles i konklusionen (afsnit 8). 1.3.1 FAGLIG SAMMENHÆNG Denne opgave er tværfaglig. Jeg har således arbejdet inden for fagene IT-ledelse, strategi, innovation, økonomistyring, erhvervsret, organisation og generel erhvervsøkonomi. 1.4 TIDSPLAN Opgaven forløb i store træk efter denne tidsplan: December 2013: Udarbejdelse af problemformulering Januar 2014: Indsnævring af opgave Februar 2014: Møder med Coop Marts 2014: Interview April 2014: Eksperiment med udsendelse af pushbeskeder Flere artikler er fundet helt frem til afleveringstidspunktet for at forsøge at være så opdateret som muligt inden for et emne, som rykker til nye områder dagligt. INDLEDNING 13

2 METODE DETTE AFSNIT GENNEMGÅS DE METODER, DER ER BENYTTET UNDERVEJS I OPGAVEFORLØBET. 2.1 PRÆSENTATION AF UNDERSØGELSESMETODERNE I arbejdet med denne opgave har jeg taget udgangspunkt i den klassiske opdeling, hvor empiri og teori kombineres ved at opstille en problemformulering, der med undersøgelsesspørgsmål prøver at give nogle bud på, hvordan problemet kan løses. Problemet tager således udgangspunkt i en problemstilling, som indbefatter både empirien fra såvel casevirksomheden Coop som min egen erfaring som leverandør til Coop. Med udvalgte teorier inden for området har jeg analyseret og tolket de primære og sekundære data, jeg har haft til rådighed eller som jeg har indsamlet. 2.2 PRAKTISK EKSPERIMENT MED UDSENDELSE AF BESKEDER Som en del af opgaven har jeg lavet nogle små, lokale eksperimenter med udsendelse af pushbeskeder i Dagli Brugsens beskedsystem i samarbejde med en række butiksuddelere. Af parametre, der har indgået i eksperimentet kan nævnes butikkens opland, antallet af tilmeldte forbrugere, prisen (normal eller tilbud), koblingen til andre varer samt varetypen i sig selv. Formålet med eksperimentet var at se, om pushbeskeder rent faktisk kunne ændre forbrugernes adfærd til at komme ned i butikken og ikke mindst øge omsætningen. De tre udvalgte butikker afspejler tre repræsentative Dagli Brugsener, nemlig to i landsbyer i henholdsvis Østjylland og på Vestsjælland, hvor butikken ofte er byens købmand, samt en butik i et forstadsmiljø med flere konkurrenter tæt på. I afsnit 5.5 kommer jeg mere ind på detaljerne i eksperimentet. 2.3 INTERVIEW Et hovedelement i denne opgave er interview med udvalgte nøglepersoner i virksomheden, både inden for udvikling og drift såvel som markedsføring, ligesom jeg har talt med en brancheorganisation om prospekterne inden for m-handel, pushbeskeder og Big Data. Interviewene er foregået enten hos Coop eller via telefon, og jeg havde forberedt en række METODE 15

spørgsmål på forhånd, som jeg holdt mig til undervejs. Det har været vigtigt for mig at holde mig så neutral og objektiv som muligt i interviewene til trods for, at flere af de interviewede kender mig i forvejen som forretningsforbindelse og leverandør af ydelser. 2.4 INDSAMLING AF DATA Når det kommer til dataindsamlingen, har jeg haft en unik mulighed for at bruge og studere de data, som jeg i min egen virksomhed har til rådighed, ligesom jeg har kunnet få oplysninger om priser, omsætning og salg direkte hos udvalgte butikker. Udover denne form for data har jeg baseret væsentlige dele af opgaven på både videnskabelige artikler og fagartikler i tidsskrifter såvel som journalistiske artikler. 2.5 OVERVEJELSER OG FEJLKILDER Gennem diskurs har jeg prøvet at identificere eventuelle fejlkilder og indført tiltag, som kunne mindske/fjerne disse fejlkilder. Visse fejlkilder skal dog nævnes: Min egen rolle som leverandør har højst sandsynligt farvet svarene i interviewene. Forkert tolkning af interviewsvar. Forkerte data fra SMS/pushbeskedeksperimentet (behandlet særskilt under analyseafsnittet). Som leverandør til Coop har jeg en vis indflydelse på den måde, hvorpå Dagli Brugsens pushbesked-system fungerer på, herunder nogle af de tekniske begrænsninger som også eksisterer. Nogle af de forbedringer, som jeg foreslår i opgaven, er således en konsekvens af valg, jeg selv har været med til at træffe. Under interviewene fulgte jeg en interviewguide og undlod så vidt muligt at kommentere svar. På den måde forsøgte jeg således at minimere risikoen for, at min holdning påvirkede de interviewede, ligesom det faktum at jeg allerede kendte nogle af deres svar fra mit arbejde med Coop ikke måtte begrænse svarmulighederne. 2.6 FAGLIGE NORMER OG PRAKSIS I opgaven har jeg valgt at arbejde ud fra den klassiske empirisk-analytiske videnskabsteori induktivisme, hvor teori er baseret på velfunderet empiri. Ud fra mine egne observationer og de indsamlede data har jeg koblet de teorier, som er brugt i opgaven, hvorefter jeg deduktivt har opstillet de forklaringer, som jeg vil gennemgå i konklusionen. 16 METODE

3 MODELLER DETTE AFSNIT BESKRIVER KORT DE TEORIER OG MODELLER, DER ER ANVENDT I ANALYSEN AF PROBLEMSTILLINGEN. 3.1 E-BUSINESS INFRASTRUKTUR For overhovedet at kunne tale om Big Data, push-beskeder og handel via digitale kanaler bliver vi først nødt til at kigge på den underliggende infrastruktur af hardware såsom servere, telefoner og netværk samt software såsom browsere og apps. Figur 3-1: Fem infrastrukturlag for e-business. (Chaffey, 2011) beskriver en fem-lag model, for digital forretningsinfrastruktur. Denne model arbejder med udgangspunkt i behovet for forskellige delelementer for at sikre kommunikationen af data mellem forskellige systemer, der tilsammen udgør infrastrukturen. På Figur 3-1 ses denne model, og jeg vil i det følgende kigge primært på lagene I-III, nemlig det fysiske netværk (lag III), systemsoftwaren (lag II) og forretningssoftwaren (lag I). Derudover vil jeg også kigge på trådløse enheder, cloud-computing og de klassiske metrics, altså de statistiske data man kan få ud af forretningssystemer. 3.1.1 NETVÆRK Når data skal udveksles mellem computere og mennesker, kræver det en eller anden form for netværk. De fleste mennesker har en idé om, hvad et netværk er det kan være sociale og personlige netværk mellem mennesker, trafikinfrastrukturelle netværk som veje og jernbaner, og det kan være datanetværk som mobiltelefonnetværk, f.eks. GSM og 3G/4G eller internettet. Alle disse former for netværk er vigtige, når det kommer til detailhandel, uanset om det er elektronisk eller fysisk handel. MODELLER 17

Dette afsnit vil dog omhandle de datatekniske netværk, men senere vil jeg kigge på de sociale netværk mellem mennesker. Kigger vi nærmere på transporten af data, kræver dette nogle standarder. På internettet findes en lang række af disse til at flytte data mellem computere, ligesom der findes en hel del services, der gør det lettere for brugerne at finde rundt. Et eksempel på dette er domænenavne, som frigør brugeren fra at skulle huske en IP-adresse. Netværk er altså til for at gøre det let for brugerne at sende og hente information fra og til andre kilder. 3.1.2 INTERNETVÆRKTØJER Når først et netværk er til stede, og folk begynder at bruge det, opstår der et behov for værktøjer til at kommunikere. Omdrejningspunktet er i dag i meget høj grad internettet. I fem-lag-modellen arbejdes med systemsoftware, hvoraf jeg for problemstillingen finder det mest relevant at kigge på de værktøjer, der udgør rygraden af internettet. Hvad er internettet så? For de fleste mennesker er internettet nok synonymt med World Wide Web (WWW), e-mails og chatprogrammer. WWW ses gennem en browser som Internet Explorer eller Chrome, mens e-mails læses i Outlook eller via browseren på Hotmail eller Gmail. Derudover kender alle Facebook, Skype og ligende programmer, som kan bruges til at skrive eller tale med andre mennesker. Internettet består dog også af en lang række andre værktøjer, som bruges i større eller mindre grad, men min problemstilling lægger naturligvis primært op til at kigge på de nævnte teknologier. 3.1.3 FORRETNINGSSOFTWARE For e-forretninger er det dog i første omgang ikke med udgangspunkt i software som browsere og mailklienter, men mere software, der håndterer Customer Relationship Management (CRM), Content Management Systems (CMS) og dataanalyseværktøjer (data mining). Især CRM har længe været afgørende for virksomheder til at holde styr på salg, markedsføring og kundeservice. I afsnit 3.4 vil jeg uddybe emnet. 3.1.4 TRÅDLØSE ENHEDER Det afgørende aspekt for de fleste forbrugere i dag, når det kommer til at søge information, er at kunne gøre det hvor som helst og når som helst. Dette kræver en trådløs infrastruktur og nogle værktøjer og enheder, som kan flyttes let rundt. Den åbenlyst mest populære mobile enhed er mobiltelefonen, især i smartphone-versionen, som de seneste 6-7 år har revolutioneret måde at kommunikere på farten på. En smartphone er således indgangen til de datanetværk, som brugerne gerne vil i kontakt med, eksempelvis internettet, lokationsdata via GPS-satellitterne eller naturligvis telefonnetværket for at kunne lave opkald til andre. Alt sammen handler det om at kunne kommunikere. Mobil kommunikation kræver applikationer og services, som kan facilitere denne proces. Den mest åbenlyse er mobilbrowseren, som 18 MODELLER

dybest set ikke er meget anderledes end en browser på en stationær enhed, blot er skærmen ofte mindre på en mobil enhed. Dernæst findes forskellige apps, altså programmer som kører på enheden for at gøre det lettere for brugeren at anvende enheden til et specifikt formål. Apps kobler typisk brugeren til services på internettet med lokationsdata, kameraet (til f.eks. scanning af barcodes/qr-koder), kontaktoplysninger eller andre funktioner på telefonen. Facebook, Twitter og andre kobler f.eks. alle disse elementer, idet man både kan få nyheder fra andre på internettet, tage billeder og dele disse, ligesom man kan tagge personer og steder via lokationsdata. Af andre kommunikationsværktøjer på en smartphone findes typisk muligheden for at sende en SMS eller forbinde til et headset med ledning eller via Bluetooth. Derudover findes Near Field Communication (NFC) til datakommunikation på meget kort afstand, typisk få centimeter. SMS Tekst-baseret service til at sende korte beskeder mellem mobile enheder. Bluetooth Trådløst netværk til udveksling af data mellem enheder på korte afstande. NFC Trådløs/kontaktløs udveksling af data mellem enheder på meget kort afstand. Figur 3-2: Definitionerne af SMS, Bluetooth og NFC. Især SMS en vil jeg kigge på i min analyse som værktøj til at pushe beskeder til forbrugerne, men både Bluetooth og NFC er også interessante fremadrettet. Bluetooth (og NFC) kan også bruges i markedsføring, da denne teknologi kan bruges til såkaldt proximity marketing, altså hvor markedsføringen sker på baggrund af, at forbrugeren er i nærheden af et sted. Chaffey beskriver her to begreber, Bluecasting og Bluejacking, hvor Bluetooth benyttes til at sende beskeder automatisk til en forbrugers smartphone, hvis blot Bluetooth er slået til på modtagerens telefon. En klassisk feature på en mobiltelefon er at dele kontaktoplysninger via et vcard, som så sendes og modtages med Bluetooth til den person, der står ved siden af. Selvom teknologien er anderledes end ved pushbeskeder med SMS, gør mange af de samme mekanismer og bekymringer sig gældende ved brug af Bluetooth. I analysen kigger jeg også mere på brugen af Bluetooth som markedsføringsredskab. 3.1.5 WEB SERVICES OG CLOUD COMPUTING Den information, som forbrugerne henter på internettet, kommer sædvanligvis fra Web Services. Disse kaldes også for Software-asa-Service (SaaS) og kan være både gratis eller pålagt betaling, typisk på abonnementsvilkår. Forskellen mellem software på enheder og SaaS er, at sidstnævnte ofte kører via browseren og kræver en stabil netværksforbindelse, hvilket kan være en udfordring for trådløse enheder. MODELLER 19

Et meget hypet begreb i øjeblikket er at arbejde i skyen ( work in the cloud ). Begrebet Cloud Computing dækker mere eller mindre over at data ligger på servere hos en ekstern udbyder, som via SaaS tilbyder adgang til disse data og værktøjer til at arbejde med data. Eksempelvis tilbyder Google via Google Drive, at alle brugerens data og filer ligger på Googles servere, ligesom Google Docs erstatter den klassiske Office-pakke, installeret på computeren. Andre cloud-baserede services er Google Maps og Gmail, CRM-systemer som Salesforce og Zendesk eller økonomi- og supply-chain værktøjer som SAP, Economic m.fl. Cloud Computing er altså brugen af distribueret lagerplads og databehandling på servere forbundet til internettet, og som typisk leverer data og services via SaaS. Det er dette grundlag, som skaber grobund for statistikker og indsamling af adfærdsdata. 3.1.6 METRICS FEEDBACK I afsnit 3.1.3 nævnte jeg data mining som et værktøj til at kigge på indsamlede eller beregnede data og så omdanne disse til forståelige tal og information, som et menneske kan overskue. Inden for forretningsverdenen kigger man typisk på metrics, f.eks. arbejder en Business Controller med økonomistyring, hvilket kræver tilgængelig og forståelig økonomi- og ledelsesinformation. En del af denne information hentes ved at indsamle og behandle data fra kundernes brug af virksomhedens tjenester. Eksempelvis gemmer et supermarked bondata, hvorefter controllere vil analysere på, hvor mange nye varer der skal indkøbes til næste uge ud fra denne uges salg. (Rygielski, et al., 2002) beskriver en række teknikker til at udføre data mining i forbindelse med kundeforholdet. Det handler således om at linke mange års data og analysere information om en kunde på en smartere måde end blot at lave statistik. De virksomheder, der formår at bruge kundedata og personlige oplysninger effektivt, vil derfor have en kunkurrencefordel. En lille advarsel nævnes dog også, da virksomhederne har et stort ansvar for at skabe en balance mellem privatlivets fred og profitskabelse. Data skal med andre ord bruges rigtigt for at få tilfredse kunder. På ledelsesplan i en virksomhed er det således afgørende at have data til rådighed på en relativt let og forståelig måde, således at de rette beslutninger kan træffes. 3.2 INNOVATION I DETAILHANDEL Den teknologiske udvikling går stærkt i disse år. For at forstå denne udvikling inden for elektronisk markedsføring vil jeg i det følgende kigge på nogle af de teorier, som 3.2.1 DIFFUSION OF INNOVATIONS I 1962 skrev Everett Rogers (Rogers, 2003) første udgave af Diffusion of innovations, som er en teori, der prøver at forklare hvordan, hvorfor og hvor hurtigt nye ideer og teknologier spreder sig i en kultur. Diffusion is the process by which an innovation is communicated through certain channels over time among the members of a social system. Everett Rogers 20 MODELLER

Rogers tager udgangspunkt i, at diffusion (udbredelse) er en proces, hvorved en innovation (en ny teknologi) bliver kommunikeret gennem bestemte kanaler over tid blandt medlemmerne af et socialt system. De fire vigtige elementer er således selve innovationen, kommunikationskanalerne, tid og et socialt system. Figur 3-3: Diffusion of innovations. På Figur 3-3 viser den blå kurve, hvordan forbrugerne tager den nye teknologi til sig over tid (adoptionskurven), mens den gule viser markedsandelen i procent. I sidste ende vil markedsandelen således nå mætningspunktet (100 %). Den gule kurve kaldes også S-kurven. Rogers arbejder med fem faktorer, som påvirker forbrugeren til at acceptere eller afvise en ny teknologi på beslutningstrinnet: 1. Relative advantage Får jeg mere end hvad jeg allerede kan få. 2. Compatability Hvor let det er at indpasse den nye teknologi i mit liv. 3. Complexity/simplicity Er det for kompliceret, så opgiver jeg at bruge det. 4. Trialability Kan jeg eksperimentere med det, før jeg beslutter mig endeligt. 5. Observability En synlig teknologi spredes lettere via kommunikation mellem personlige netværk. Udbredelsen til flere forbrugere sker gennem kommunikation via kanaler. Her er massemedierne som f.eks. radio, TV og aviser (herunder også på internettet) rigtig gode til at øge kendskabet til en ny teknologi, hvorimod interpersonelle kanaler er mere effektive til at forme og ændre holdninger i forhold til den nye teknologi, hvorved forbrugeren påvirkes til at træffe en beslutning, om den nye teknologi er interessant eller ej. Især personer med samme interesser og baggrund vil lettere kunne påvirke hinanden. Rogers tænkte naturligvis ikke meget på hverken Facebook Chat eller Snapchat, men disse former for kommunikation mellem enkeltpersoner er helt afgørende for udbredelsen af kendskabet til ny teknologi, herunder via teknologien i sig selv. Adoptionsprocessen foregår gennem fem trin: 1) Viden, 2) overbevisning, 3) beslutning, 4) implementering og 5) bekræftelse. Ved første møde med den nye teknologi skal forbrugeren således finde ud af, hvad det overhovedet går ud på. Dernæst bliver forbrugeren overbevist ved aktivt at søge information om emnet og efterfølgende kan MODELLER 21

en beslutning træffes, om den nye teknologi skal vælges til eller fra. Denne beslutning træffes således på baggrund af forskellige fordele og ulemper. Såfremt teknologien tilvælges, skal den herefter implementeres, hvilket sædvanligvis kræver yderligere information, f.eks. ved at læse manualen på et nyindkøbt apparat. Til slut bekræftes beslutningen, såfremt forbrugeren er overbevist om, at den nye teknologi var det rette valg. Rogers inddeler forbrugerne i fem kategorier: 1) Innovators, 2) early adopters, 3) early majority, 4) late majority og 5) laggards. Den første gruppe er typisk de trendsættere eller teknik-nørder, som elsker at kaste sig ud i nye ting, og på et tidspunkt vil teknologien sprede sig derfra til den generelle befolkning. For en virksomhed, der vil sælge en ny teknologi, er det således vigtigt at få fat i trendsætterne i starten for derigennem at udbrede kendskabet.. Den sidste del af diffusionsprocessen er et socialt system, hvorigennem udbredelsen kan ske. Et sådant system eksisterer typisk, hvor mennesker har et behov for et netværk til at udveksle erfaringer og løse problemstillinger for at nå et fælles mål. Før der kan være tale om et system, skal der være en struktur, altså nogle mønstre som giver en stabilitet og regularitet for det enkelte medlem af systemet, herunder nogle normer og regler for opførsel. Medlemmerne forventer altså en bestemt adfærd fra de øvrige medlemmer og lederne forventes at gå forrest. Man kan også kalde det sociale system for et samfund. 3.2.2 MODERNE INNOVATION Nu om dage drives innovation ofte af sociale netværk som f.eks. Facebook og Twitter, men også i høj grad af mediernes omtale af en teknologi. (Peres, et al., 2010) foreslår ud fra dette fokus følgende definition af udbredelsen af ny teknologi: Innovation diffusion is the process of the market penetration of new products and services, which is driven by social influences. Such influences include all of the interdependencies among consumers that affect various market players with or without their explicit knowledge. Peres et al. Kort fortalt udbredes ny teknologi i høj grad på baggrund af, hvad andre gør. Et produkts livscyklus er med denne definition tæt koblet til, hvad der er moderne, men også om der kommer en ny og bedre model, som substituerer den nu gamle model. I slutningen af artiklen bemærkes dog også, at de allernyeste teknologier er svære at måle på, idet en teknologi kan åbne op for mange andre, f.eks. nævnes en iphone som har givet mulighed for udvikling af tusinder af apps, som hver især kan defineres som ny teknologi. Teknologier bliver således afhængige af hinanden, hvorfor diffusionskurven ikke længere vil følge den traditionelle teori. 22 MODELLER