How to, Strategie

Hoe zet je data-driven marketing in voor jouw organisatie?

De lijstjes, webinars en blogs waarin we terugblikken op 2015 en vooruitblikken, bevestigen wat we eigenlijk al wisten: 2016 wordt het jaar van data! Met name de data-driventechnologieën en -toepassingen zijn booming! Dit was het afgelopen jaar de voornaamste boodschap op de verschillende events waar ik als bezoeker aan deel heb genomen. Tijdens die events sprak ik met veel marketingmanagers die eigenlijk allemaal dezelfde vraag stelden: ‘Hoe koppel ik mijn databronnen aan elkaar en haal ik hier relevante data uit voor het uitzetten van mijn marketingactiviteiten?’

Kortom, genoeg reden om 2016 te starten met een lichte verdieping op mijn vorige artikel waarin ik al uitlegde hoe je een algemeen digitaal proces strak implementeert.

Meet data-driven technology

Zoals bij iedere implementatie is het uiteindelijke doel leidend, ook voor het toepassen van data gedreven oplossingen en activiteiten. Wil je bijvoorbeeld profielen verrijken voor een klantspecifieke e-mailcampagne? Of is het juist de bedoeling dat je op basis van data een voorspelling kunt doen van de volgende aankoop van je klant?

Databronnen koppelen

Om data-driven te werk te gaan, moeten we zorgen dat alle beschikbare databronnen, zowel intern als extern, samengebracht worden. Hoe dit werkt en wat ik hier precies mee bedoel, raken we verderop aan. Maar voordat we zover zijn, is het heel belangrijk dat de beschikbare data inzichtelijk en gestructureerd wordt. Hieronder een uitleg.

Structureer je data

Vaak is er sprake van een keur aan databronnen, bijvoorbeeld een CMS, een mailtool (die over het algemeen sterk verouderd is), een Excel-bestand met additionele klantgegevens, een financieel systeem, en knowhow bij je medewerkers. Om nog maar te zwijgen van een structuur in welke vorm dan ook. De data van je klant kan in dit geval dus verdeeld zijn over meerdere bronnen. Om een basisstructuur aan te brengen, starten we met het in kaart brengen van alle datasystemen en zorgen we voor één centrale hub, die deze bronnen bij elkaar brengt.

visual-2

Voor het gemak gaan we in dit artikel uit van klant X van een webshop dat naast algemene sportartikelen gespecialiseerd is in wintersportartikelen.

Kies je datawarehouse tool

Een centrale plek die data structureert en samenbrengt (de hierboven genoemde hub), oftewel een datawarehouse, is echt onmisbaar. In je datawarehouse wordt al je data samengebracht tot een overzichtelijk geheel, gekoppeld aan de juiste klantprofielen.

Er zijn tal van mogelijkheden binnen datawarehousing. Amazon biedt bijvoorbeeld mooie, goed te onderhouden opties, maar ook Oracle Leads kan een prima oplossing zijn. Het inrichten van deze tools is niet geheel eenvoudig. Het is verstandig om dit door een specialist te laten doen. Heb je niet zelf de beschikking over een ervaren developer, dan zijn er genoeg bureaus te vinden die hier wel de nodige ervaring mee hebben.

Let op dat het opzetten van een datawarehouse nooit het doel op zich is, maar een middel waarmee je tot je uiteindelijke doel komt, data-gedreven marketing voeren!

Maar, wat koppelt al die data?

Alle koppelingen om je data mee te structureren en analyseren komen samen in data tools. De markt van deze tools is divers en er zijn oneindig veel expertises die stuk voor stuk door kleine bedrijfjes, start-ups en grote multinationals geclaimd en uitgewerkt worden.

Een van die tools is Datatrics. Een zeer complete data gedreven oplossing met als belangrijkste actie: predictive marketing (‘the next best action’). Een ander goed voorbeeld van zo’n tool is Sagent, dat zich volledig op persuasive implementaties richt (denk hierbij aan de pop-ups in je scherm op bijvoorbeeld booking.com).

In principe is het mogelijk om elke bron met het datawarehouse te koppelen. Wanneer er geen reeds bestaande API-koppeling ondersteund wordt door je tool, dan kan deze gebouwd worden.

Met de basisstructuur in place zijn er nu al tal van gave, mooie en bijzondere dingen mogelijk met je verzamelde data.

Inzet van gekoppelde data

De eerder genoemde klant X heeft ineens een basisprofiel waaraan je bijvoorbeeld nu al gerichte nieuwsbrieven kunt hangen. Zie je bijvoorbeeld dat klant X overwegend in de avond tussen 19.00 en 19.30 uur een aankoop doet in de webshop, dan is het logisch om vlak voor die tijd een persoonlijke mail uit te sturen voorzien van persoonlijke content op basis van zijn koop-, klik- en leesgedrag, die nu inzichtelijk is.

Voor e-mailcampagnes zijn er verschillende goede e-mailtools op de markt die je makkelijk kunt koppelen aan je datawarehouse en dus aan klant X. Denk bijvoorbeeld aan Copernica of Optivo, die overigens ook ijzersterk zijn in het creëren van complete marketingcampagnes rond je data.

Predictive is de toekomst

In dit artikel ga ik wat dieper in op de predictive tools, een ontwikkeling die in 2015 flinke stappen heeft gemaakt en voor 2016 nog meer voet aan de grond gaat krijgen.

Nadat je de belangrijkste interne databronnen gekoppeld hebt, wordt het tijd om deze te verrijken met externe data. Dit kan van alles zijn: het weer, jaargetijde, sportuitslagen, trends, etc. Kies de juiste bronnen voor jouw toepassing zodat je uiteindelijk de beste next best actions kunt identificeren, oftewel…. predictive kunt zijn!

Algoritmes vormen de sleutel

Maar, we zijn er nog niet! Om überhaupt predictive te kunnen zijn op basis van data, ontbreekt er eigenlijk nog maar één ingrediënt, namelijk: algoritmes. Een algoritme is eigenlijk niets meer en niets minder dan een vooraf gedefinieerde instructie of regel voor een stukje data. De meeste tools hebben een aantal standaard algoritmes die helpen bij het voorspellen, maar het is natuurlijk ook mogelijk om hele specifieke algoritmes passend op de klantvraag te bouwen.

visual1

Nu de algoritmes ook zijn toegevoegd, hebben we eigenlijk het gehele proces doorlopen en wordt het tijd dit trucje in de ‘praktijk’ toe te passen aan de hand van een voorbeeld.

Data-driven in de praktijk

Het profiel van klant X ziet er nu als volgt uit:

  • Man
  • 28
  • Woonachtig in het Enschede
  • Zoektermen: Skikleding, wintersport
  • Aankoop wordt meestal tussen 19.00 – 19.30 uur gedaan

Wanneer we deze data samenbrengen met externe data – zoals het weer, vakantieperiodes, trends (bijvoorbeeld qua skikleding) –  dan zijn we in staat om een hele relevante nieuwsbrief naar Klant X te sturen.

We zouden daar zelfs een stap verder in kunnen gaan door Klant X een geheel gepersonaliseerde website te laten zien, met producten die aansluiten bij zijn profiel en interesses. Of, wanneer hij zich in de evaluatiefase bevindt, notificaties te pushen om de webshop te beoordelen, de Facebookpagina te liken, of bijvoorbeeld een uitnodiging voor de nieuwsbrief waar op basis van zijn zoekopdrachten een specifieke korting aangeboden wordt.

visual3

Meer relevantie in de benadering van je klant

Uiteindelijk bereik je een veel relevantere manier van benadering van je klant, waarbij de verleiding om tot een aankoop over te gaan natuurlijk zo groot mogelijk wordt. Praktijkvoorbeelden geven aan dat een dergelijke insteek gegarandeerd tot meer conversie leidt en dus tot meer omzet.

Reden te meer om data-driven te werk te gaan en daarbij vooral predictive te zijn. Succes!


2
0
0
0
2