Zo gebruik je klantdata als onderdeel van een first-party datastrategie

Organisaties willen meer laten zien dan alleen dat hun producten en diensten van goede kwaliteit en goed geprijsd zijn. Ze willen ook op ieder moment relevant zijn voor hun klanten. Als je als marketeer een goede ervaring wil bieden, is toegang tot first-party data een vereiste om te klant te leren kennen. Als onderdeel van een uitgekiende datastrategie ga je data op een slimme en privacy-safe manier verzamelen, analyseren, activeren en het resultaat meten. Laten we eens kijken hoe dit kan en wat het oplevert.

Wat is first-party data?

First-party data is de verzamelde data over de klanten van een bedrijf en die eigendom zijn van hetzelfde bedrijf. Voorbeelden van first-party data kunnen zijn: aankoopgeschiedenis, loyaliteit-status en on- en offline gedrag als onderdeel van de customer journey en voorkeuren.

Uitdagingen bij het gebruik van first-party data

Webbrowsers beperken advertentietrackers. Daarnaast zorgen de strengere privacywetten ervoor dat marketeers geen gebruik meer kunnen maken van gegevens van derden, de zogenaamde third-party data. Daarom verschuift de aandacht naar first-party data.

Het kost denkwerk en technische kennis om de juiste strategie en een passende technologische infrastructuur te realiseren om de kracht van first-party data écht te benutten. Ook al hebben de meeste organisaties toegang tot de technologie, het ontbreekt hen aan strategie en executiekracht. Het adopteren van principes zoals MarketingOPS, MachineLearningOPS en DataOPS helpt hier zeker bij. ‘OPS’ gaat over het flexibel en schaalbaar inrichten door componenten van lean, agile en scrum bij elkaar te brengen.

Interne silo’s

Een ander obstakel voor het gebruik van first-party data zijn interne silo’s. Systemen die niet met elkaar verbonden zijn. Ik zie in de praktijk dat organisaties mogelijkheden van first-party data niet volledig benutten bij hun marketinginspanningen. Hun databases zijn niet geïntegreerd. De gegevens belanden in van elkaar losstaande systemen. Dit stellen ze niet beschikbaar voor breder gebruik.

Het verzamelen van klantgegevens is niet altijd makkelijk. Voor B2B2C-sectoren met historisch gezien weinig directe interactie met hun klanten is dit een uitdaging. Sommige sectoren, zoals FMCG-, automerken en verzekeraars zullen creatief moeten nadenken over hoe ze deze waardevolle relaties tot stand kunnen brengen. Bijvoorbeeld door het creëren van meer contactmomenten door aanvullende service te bieden.

De naderende post-third-party-cookie-wereld zal ook gevolgen hebben voor het medialandschap. Hierdoor zullen uitgevers met gebruikers achter een (pay)wall in een sterke positie komen om waardevolle inhoud aan te bieden en merken te verbinden met klanten binnen hun eigen ‘walled gardens’. Walled gardens zijn platforms zoals:

• Amazon.com,
• het Google-netwerk met apps zoals YouTube, en
• Chrome waar mensen toegang tot hebben als ze ingelogd zijn.

Om je first-party klant-identificatiekenmerken te matchen met selling side platforms zoals Google, Amazon en Marktplaats, moet je manieren vinden om deze identificatiekenmerken op een veilige manier te verzamelen, zodat de privacy niet in het geding komt.

Hoe gebruik je first-party data?

Om bedrijfswaarde te bereiken, zijn er 2 sporen die terugkomen in de datastrategie: organisatorische en technische, zoals weergegeven in de onderstaande afbeelding.

Ik zal kort ingaan op enkele aspecten die in de afbeelding worden weergegeven.

De eerste organisatorische stap om het meeste uit je first-party data te halen is een datastrategie die een bredere bedrijfsdoelstelling ondersteunt en helpt de data die je hebt te identificeren. Een bedrijfsdoelstelling kan zijn: het realiseren van een hogere NPS. Een datastrategie vertelt hoe bedrijfsdoelstellingen worden ondersteund door het organiseren van data, processen en mensen. In de datastrategie neem je dus op welke data nodig is om verschillende bedrijfsdoelstellingen te bereiken. Het spreekt voor zich dat afstemming met de IT-strategie essentieel is.

Gegevens verzamelen

Het verzamelen van gegevens is een technische stap. Gegevens uit first-party bronnen worden getransformeerd, opgeschoond, opgeslagen en gecombineerd tot een beeld dat nodig is om de geselecteerde use cases te ondersteunen. In dit stadium is het van essentieel belang dat de gegevens van goede kwaliteit zijn. Alle relevante gegevens uit meerdere bronnen worden aan elkaar gelinkt naar een uniek klant-ID over de kanalen heen en ook getransformeerd (geprepareerd) naar een bruikbaar ‘datamodel’. In een datamodel leg je de relaties tussen gegevens vast.

De volgende stap is het aan het werk zetten van de gegevens in de fasen van de customer journey. Daarnaast moet je ervoor zorgen dat er een tweerichtingsverkeer is tussen bedrijf en klant.

De functie van een Customer Data Platform

Door het centraliseren van data, analytics en activatie in zogenaamde ‘unified analytics platforms‘, ook wel CDP’s genoemd, ben je in staat om de gegevens te koppelen en te gebruiken voor het automatiseren van hun marketingprocessen.

Een CDP is niet iets wat je even koopt. Het is namelijk een combinatie van modulaire componenten en niet een tool. Ook al zeggen deze tool-leveranciers wat anders. Voor het ontwerpen en implementeren van een CDP met Google Cloud als basis, is het aan te raden om naar best practices te kijken. Deze practices zijn grofweg hetzelfde met andere public clouds zoals AWS en MS Azure.

Gegevens uit offline interacties

Er zijn veel organisaties die gegevens uit offline interacties verzamelen, zoals telefoontjes van klantenservicecentra met daarin uitingen van frustratie, tevredenheid of onopgeloste problemen. Maar deze gegevens worden niet aan andere gegevensbronnen gekoppeld. En de gegevens worden niet gebruikt om hun berichten aan de situatie aan te passen. Als deze bedrijven zouden investeren in de ontwikkeling van een CDP, zouden zij een zo volledig mogelijk klantbeeld kunnen creëren en beter afgestemde berichten kunnen sturen naar hun klanten via de verschillende digitale kanalen. Wat kan leiden tot betere verkoopcijfers.

First-party data use cases

Use cases gaan vaak verder dan alleen marketing en hebben ook betrekking op het ondersteunen van klant-strategie, -ervaring en -servicefuncties. We zien dat marketeers verschillen in volwassenheid met betrekking tot het gebruik van first-party data.

Organisaties die deze maturity-ladder beklimmen op hun weg van single channel naar omnichannel, zijn beter in staat om volledig gepersonaliseerde customer journeys te beheren door:

• meerdere online en offline gegevensbronnen te combineren en deze te linken aan een uniek klant-ID op bedrijfsniveau.
• bestaande first-party data aan te vullen met gegevens van derden en andere gegevens zoals reclamekosten en verkoopgegevens.
• hun first-party gegevens te verrijken met voorspellingen uit AI-gestuurde modellen zoals propensity-to-buy scores of engagement scores die een voorspelling doen op klantgedrag.
• vervolgens deze voorspelling te activeren in de kanalen en het geheel te analyseren.

Van data naar beslissingen naar activatie

Om het volledige potentieel van je first-party data te benutten, heb je de bouwstenen data, analyse en activatie nodig. Data wordt hierbij uit meerdere bronnen gecollecteerd, opgeschoond, getransformeerd en gecombineerd door één uniek klant-ID toe te voegen. Dit geheel is dan toegankelijk voor andere systemen die je helpen inzichten te verkrijgen of voorspellingen te doen. Ik licht dit toe met een voorbeeld:

In de bovenstaande afbeelding zie je een marketing activatie situatie van een omnichannel-retailer. De doelstelling is om alleen die audiences te benaderen met Smart Bidding die een customer lifetime value (CLV) met een positieve winstmarge hebben. Dus het bidding-algoritme van een advertisingplatform niet te sturen op omzet of waarde maar juist wel op winstmarge.

Door het algoritme van het biddingplatform te voeden met margedata op productniveau, waarbij ook kortingen meegenomen zijn, en te corrigeren op retouren, bied je niet meer op audiences die verliesgevend zijn en juist hoger op winstgevende audiences in bijvoorbeeld Google Ads en op Instagram. Om dit te bereiken moet je diverse bronnen combineren en vervolgens scoren met een algoritme.

Verschillende soorten modellering voor audience- en bidding-strategieën, zoals conversiemodellen, engagementmodellen en modellen die de customer lifetime value voorspellen, worden toegepast met behulp van het Google AI-platform of een vergelijkbare service. De sessies krijgen een score en de modellen worden automatisch opnieuw getraind met MLOPS. Op die manier kun je verschillende audience- en bidding-strategieën toepassen. Het resultaat is een fors hogere Return On Ad Spend (ROAS).

First-party data kun je ook gebruiken voor up- of cross-sell, om churn te voorspellen of om conversie-intent te voorspellen. Je kunt klanten segmenteren op basis van de frequentie, de diepgang van hun bezoek en de tijd sinds het laatste bezoek.

Werk jij planmatig en gestructureerd met technologie als onderdeel van de datastrategie? Dan leg je een fundament om omnichannel klantervaringen te bieden.