Wat betekent laatste aankoopdatum (R) in een doelgroepkaart?

Een klant die dertien dagen geleden iets kocht, heeft een andere aankoopgeschiedenis dan een klant van wie de laatste geregistreerde aankoop maanden geleden plaatsvond. Maar zonder productcategorie, peildatum en betrouwbare historie zegt dat verschil nog weinig over de volgende beslissing. Het veld Laatste aankoopdatum (R) maakt zichtbaar hoe recent een relevante aankoop is en wat je daar wel en niet uit kunt afleiden.

Laatste aankoopdatum (R) legt in de doelgroepkaart vast wanneer de meest recente relevante aankoop plaatsvond, binnen een afgebakende klant-, aanbieder- of productcontext, met bron, peildatum en duidelijkheid over de beschikbare historie.

Dit is de praktische kaartdefinitie van Neurofactor. De aankoopdatum is een kalenderdatum. Recency is hier de tijd tussen die datum en een gekozen peildatum. Een R-score is vervolgens een eventuele indeling van die tijdsduur in klassen. Bewaar deze drie gegevens afzonderlijk.

Een doelgroep heeft doorgaans meerdere kopers en dus meerdere laatste aankoopdatums. Vat de gegevens daarom samen als een verdeling of zorgvuldig omschreven kengetal, met aantallen en ontbrekende gegevens. Geef niet één verzonnen aankoopdatum aan een hele doelgroep.

De eerste drie getallen zijn een fictief rekenvoorbeeld. Een budgetronde is context voor een aankoop, geen aankoopdatum. Een offerteaanvraag of websitebezoek kan relevant gedrag zijn, maar hoort niet als aankoop te worden geteld zonder dat je de betekenis van het veld verandert.

Ook het analyseniveau moet duidelijk zijn. Een aankoop door een organisatie is niet automatisch een persoonlijke aankoop van de geïnterviewde marketingmanager. Leg vast of de eenheid een persoon, huishouden, account of organisatie is.

R staat voor recency binnen RFM: recency, frequency en monetary value. Het kader hoort bij de analyse van geregistreerd klantgedrag. De bronnen hieronder bieden historische en wetenschappelijke context; we schrijven de uitvinding van het hele model niet aan één publicatie toe.

Bult en Wansbeek onderzochten selectie voor direct mail met verwachte opbrengsten en kosten als uitgangspunt. Hun publicatie uit 1995 is een vroege wetenschappelijke bijdrage aan klantselectie. Bult & Wansbeek, 1995.

Fader, Hardie en Lee verbinden RFM aan een model voor klantwaarde. De betekenis van recente aankopen wordt daarin samen met andere aankoopgegevens beoordeeld. Fader, Hardie & Lee, 2005.

Let op de meetconventie: bij Fader en collega’s duidt tₓ het tijdstip van de laatste aankoop sinds het begin aan; verstreken tijd is T − tₓ. Auteursmanuscript.

Daarom schrijven we op deze kaart expliciet ‘dagen sinds laatste aankoop’. Een lage waarde betekent hier kort geleden. Bij een score kan de richting omgekeerd zijn. De praktische registratie- en onderzoeksadviezen hieronder zijn onze uitwerking, geen nieuwe gevalideerde RFM-schaal.

Kies de afbakening voordat je berekent. Anders kun je verschillende vragen onbedoeld in hetzelfde veld beantwoorden.

Kies bij een abonnement bewust tussen afsluiten, verlengen en automatische betaling. Een automatische incasso kan meetellen als financiële transactie, maar bewijst geen nieuwe bewuste aankoopbeslissing. Bewaar contractstatus en transactiegeschiedenis apart als beide voor de vraag relevant zijn.

Voor de doelgroepkaart is de beste afbakening degene die de onderzoeksvraag beantwoordt. Benoem die afbakening in de kaartzin en het dossier, zodat een lezer weet waar de conclusie op slaat.

1. Definieer de aankoop. Leg bereik, productcategorie, eenheid en telregels vast.
2. Kies één peildatum. Gebruik dezelfde datum voor de records die je vergelijkt. Leg bij tijdstempels ook tijdzone en afronding vast.
3. Controleer de historie. Onderzoek of kanalen ontbreken, accounts dubbel voorkomen of een systeemmigratie oudere gegevens heeft afgekapt.
4. Selecteer geldige aankopen tot de peildatum. Gebruik geen toekomstige orders of gegevens die toen nog niet beschikbaar waren als je een historische analyse maakt.
5. Neem per eenheid de laatste geldige datum. Houd ontbrekende of niet-toepasbare gevallen apart.
6. Bereken het datumverschil. Binnen deze werkwijze geldt: recency in kalenderdagen = peildatum − laatste aankoopdatum.
7. Vat de doelgroep samen. Geef bijvoorbeeld een verdeling over zelfgekozen tijdvakken, plus aantallen, dekking en het aandeel onbekend. Licht eventuele uitsluitingen toe.
8. Controleer de interpretatie. Bekijk het resultaat naast productcontext, frequentie en koopritme voordat je er een actie of voorspelling aan koppelt.

Als beide datums gelijk zijn, is het verschil nul dagen. Dat betekent een aankoop op de peildatum, niet een ontbrekende aankoop. Negatieve uitkomsten vragen controle van de selectie, datums of tijdzone.

Werk je met klassen of scores, noteer dan de grenzen, de richting en de referentiegroep. Een score 5 kan ‘meest recent’ betekenen, maar die afspraak spreekt niet vanzelf. Een rangorde binnen het eigen klantenbestand is ook geen vergelijking met de hele markt.

Een prospect zonder aankoop bij jouw organisatie heeft daar geen laatste aankoopdatum. Die persoon kan wel recent elders in de categorie hebben gekocht. Leg beide bereiken apart vast.

Vraag in interviews bijvoorbeeld: ‘Wanneer kocht jouw organisatie voor het laatst deze categorie?’, ‘Was dat bij deze aanbieder of elders?’ en ‘Waarop baseer je die periode?’ Bewaar de nauwkeurigheid van het antwoord. Ook ‘niet bekend’ is bruikbare informatie over de grenzen van je onderzoek.

Fictief voorbeeld — geen klantgegevens of norm voor een sector. We kijken op 23 september 2026 naar betaalde, niet-geannuleerde orders in één productcategorie bij één aanbieder. De eenheid is het klantaccount; de beschikbare historie begint op 1 januari 2026.

De kaartzin kan luiden: ‘Voor deze vier fictieve accounts zijn op 23 september 2026 twee laatste aankoopdatums bekend, met 13 en 92 dagen recency; één account mist data en één heeft geen aankoop in het beschikbare venster.’

Een gemiddelde van alleen A en B zou uitsluitend over die twee bekende waarden gaan. Het mag niet als gemiddelde van alle vier accounts worden gepresenteerd. D is evenmin automatisch een ex-klant: de beschikbare informatie vertelt niet of het account vóór januari kocht of überhaupt al klant was.

Er is geen R-score toegekend en geen koopkans berekend. De tabel laat zien hoe je meetbare en niet-meetbare gevallen naast elkaar bewaart.

Een associatieve doelgroep is een afgebakende groep mensen bij wie overeenkomstige associaties richting geven aan beslissingen binnen een specifieke keuzecontext.

Recency beschrijft aankoopgeschiedenis, niet het associatiepatroon achter de beslissing. Twee mensen kunnen op dezelfde dag hebben gekocht en heel andere afwegingen hebben gemaakt. Je kunt aankoopmomenten gebruiken om onderzoeksgroepen te beschrijven of ervaringen rond een concrete aankoop te bespreken, maar onderzoek de associaties afzonderlijk.

Een mogelijke onderzoeksvraag is: ‘Welke verbindingen met deze aanbieder speelden mee toen je besloot te kopen?’ Stel niet bij voorbaat vast dat recent kopen vertrouwen bewijst of dat lang niet kopen weerstand betekent. Het kunnen hypothesen zijn; de datum zelf levert die verklaring niet.

Leid evenmin BIS-, BAS- of delay-discount-scores af uit aankooprecency. Tijd sinds een gebeurtenis is iets anders dan gevoeligheid voor benadering, vermijding of uitgestelde beloning.

• De peildatum weglaten. Dezelfde aankoop wordt elke dag minder recent; een bewaarde waarde heeft een meetmoment nodig.
• Een recente aankoop gelijkstellen aan koopbereidheid. Het veld beschrijft het verleden; een voorspelling vraagt aanvullende onderbouwing.
• Alleen bekende kopers tonen. Maak zichtbaar welke records ontbreken of buiten de berekening vallen.
• Budgetcyclus als aankoopdatum opslaan. Bewaar beslisritme als eigen contextinformatie.
• Datums, dagen en scores mengen. Benoem eenheid en scoreregel bij ieder resultaat.
• Aankooprecency met het geheugeneffect verwarren. Het recency-effect in geheugen is een ander begrip.
• Vaste klantwaarde of loyaliteit toekennen. Eén datum is geen gemeten voorkeur, motief of waardebepaling.

Met aankoopdata:

‘Binnen [categorie en aanbiederbereik] heeft [afgebakende groep] op [peildatum] een recencyverdeling van [uitkomst in dagen of tijdvakken], gebaseerd op [bron en aantallen], met [ontbrekende dekking of uitsluitingen].’

Zonder aankoopdata:

‘Laatste aankoopdatum is [onbekend/niet van toepassing]; [bron] beschrijft wel [gerapporteerde periode of koopritme], dat afzonderlijk wordt bewaard en niet als gemeten R geldt.’

Bewaar achter de kaartzin de eventdefinitie, analyse-eenheid, historie, datumprecisie, rekenregel en eventuele scoregrenzen. Een periodieke update vraagt een nieuwe peildatum; behoud de eerdere stand als versie. Corrigeer een foutieve brondatum met herkomstregistratie in plaats van oude uitkomsten stilzwijgend te overschrijven.

Laatste aankoopdatum wordt bruikbaar wanneer je vastlegt welke aankoop telt, op welk niveau je meet en welke historie beschikbaar is. Houd de datum, verstreken tijd en eventuele score uit elkaar. Zo kan aankoopgedrag de doelgroepkaart verrijken zonder ontbrekende data te vullen met aannames over mensen.