Predictive automation: van handwerk naar zelflerende systemen
De meeste marketing automation-flows doen precies wat jij ze hebt geleerd. Ze sturen op dinsdag om 10:00 uur, aan iedereen in segment X, met de variant die jij ooit als winnaar hebt aangemerkt. Dat werkt prima, totdat het niet meer werkt. Predictive automation (ook wel self-optimizing automation of adaptive automation) gaat een stap verder: de flow past zichzelf aan op basis van wat hij ziet gebeuren. Maar wat houdt dit precies in? Wat is er voor nodig om dit op te tuigen? En waar ligt de grens tussen échte intelligentie en marketinghype?
Wat is het verschil tussen predictive automation en ‘gewone’ automation?
‘Gewone’ automation is regelgebaseerd. Jij bepaalt de logica: als iemand A doet, krijgt hij B. Als de open rate onder de 20% zakt, doe je handmatig een test. Als een segment niet meer converteert, pas je de flow aan. De flow zelf doet niets zonder jouw input.
Predictive automation voegt daar een lerende laag aan toe. De flow analyseert zijn eigen resultaten en past op basis daarvan variabelen aan:
- het verzendtijdstip
- de variant
- het kanaal
- de volgorde van stappen
- of zelfs wie de flow überhaupt te zien krijgt
Denk bijvoorbeeld aan send-time optimization. Bij een vaste flow stuur je een e-mail op het tijdstip dat historisch gezien het beste werkte voor je hele lijst. Bij een zelflerende variant bepaalt het systeem per ontvanger wanneer die persoon waarschijnlijk zijn e-mail opent, gebaseerd op zijn eigen gedragshistorie. Geen groot experiment, geen handmatige analyse. Het systeem regelt het.
Welke variabelen kan een systeem eigenlijk optimaliseren?
Je kunt niet alle variabelen tegelijk optimaliseren. En niet alles wordt door elk platform ondersteund. Maar de categorieën die de meeste tools tegenwoordig wel aankunnen zijn globaal:
1. Verzendtijdstip
De campagne per ontvanger op het ‘beste’ tijdstip versturen, is de meest volwassen vorm van predictive optimization. Tools als Klaviyo, Braze, Mailchimp en ActiveCampaign bieden dit standaard aan. Ze kijken naar het individuele open-gedrag van een contact en plannen de verzending op het moment dat die persoon waarschijnlijk actief is in zijn inbox.
2. Variantselectie
In plaats van een A/B-test waarbij jij na X dagen de winnaar kiest, bepaalt het systeem op basis van vroege resultaten welke variant vaker wordt verstuurd. Dit heet soms een bandit-algoritme: verliezende varianten krijgen steeds minder verkeer, de winnaar steeds meer.
3. Kanaalvolgorde
Tools als Braze of Iterable kunnen per contact bijhouden via welk kanaal iemand het meest responsief is. Op basis van die inzichten, beslist het systeem of je eerst e-mail ontvangt en dan een pushbericht, of juist andersom.
4. Predictive scoring
Predictive scoring gaat een stap verder: in plaats van een handmatig gebouwd segment, bepaalt een model bij wie de kans het grootst is dat hij converteert, churnt of een bepaalde actie doet. HubSpot, Salesforce Marketing Cloud en Adobe Marketo Engage bieden hier varianten van aan.
Wat heb je nodig voordat dit werkt?
Om dit alles werkend te krijgen, heb je data nodig. En niet een beetje.
Send-time optimization werkt pas betrouwbaar als een contact genoeg historische interacties heeft, zodat het systeem een patroon kan herkennen. Voor nieuwe contacten valt het systeem terug op een gemiddelde, wat ironisch genoeg hetzelfde is als wat je zonder de feature ook zou doen.
Voor predictive lead scoring heb je een dataset nodig van contacten waarvan je weet wat ze uiteindelijk hebben gedaan: geconverteerd of niet, gechurnd of niet. Hoe meer historische datapunten, hoe betrouwbaarder het model. Bij kleine lijsten of jonge databases werkt dit nauwelijks.
Bij minder dan een paar duizend actieve contacten is predictive optimization meer belofte dan praktijk
De drempel die ik zelf aanhoud: als je minder dan een paar duizend actieve contacten hebt en minder dan zes maanden aan gedragsdata, is predictive optimization meer belofte dan praktijk. Dat gezegd hebbende: de exacte grens hangt af van je kanaal, je verzendfrequentie en het aantal variabelen dat je wilt optimaliseren. Een campagne met dagelijkse verzending bouwt zijn datahistorie sneller op dan een flow die iemand één keer per kwartaal raakt. De vuistregel is dus een startpunt, geen wet.
Focus bij twijfel eerst op het bouwen van die datalaag. De slimste optimalisatie werkt niet zonder iets om op te optimaliseren.
Wanneer wil je dit niet automatiseren?
Er zijn situaties waarin je bewust de controle wil houden. Stel dat je een campagne voert rondom een actueel thema: een productlancering, een crisis, een seizoensmoment. Dan wil je niet dat een algoritme op basis van historisch gedrag bepaalt dat iemand zijn mail het best om 14:23 uur kan ontvangen. Dan wil je dat iedereen het tegelijk ziet.
Hetzelfde geldt voor brand-gevoelige content. Als een e-mail bepaalde toonzetting vereist en contextafhankelijk is van timing, is de kans op een ongemakkelijke mismatch groter als je de verzending volledig uit handen geeft.
Automatisch optimaliseren is goed voor schaalbare, herhaalbare flows: welkomstflows, heractivatiecampagnes, productaanbevelingen. Niet voor campagnes waarbij timing en context politiek of inhoudelijk beladen zijn. Maar dat onderscheid is voor een algoritme vrijwel niet te maken.
Aan de slag zonder meteen het diepe in te gaan: 3 stappen
Je hoeft niet meteen te beginnen met een volledig zelflerend platform. Er zijn 3 stappen die je nu al kunt zetten, ongeacht welke tool je gebruikt:
Stap 1: Zet send-time optimization aan voor bestaande flows
Als jouw platform dit ondersteunt, is dit de laagste drempel. Je verandert niets aan de flow zelf, je geeft alleen de controle over het tijdstip los. Meet na 4 tot 6 weken of de open rate verschuift.
Stap 2: Vervang je volgende A/B-test door een bandit algoritme
Niet alle platforms ondersteunen dit, maar als de jouwe het doet, probeer het. Je stopt met handmatig een winnaar aanwijzen en laat het systeem de verdeling bepalen. Let wel op: transparantie over welke variant de winnaar werd, en waarom, is dan jouw verantwoordelijkheid om te documenteren. Het systeem doet dat zelden vanzelf.
Stap 3: Voeg een engagement-score toe aan je segmentlogica
Geen predictive model, maar simpel: een score op basis van hoe actief iemand de laatste 90 dagen is geweest. Gebruik die score om te bepalen wie je agressief benadert en wie je met rust laat. Dit is handmatig gebouwde ‘predictiviteit’ en een goede tussenstap.
Wat levert predictive automation op?
Wat predictive automation jou kan opleveren, verschilt sterk per situatie. Iedereen die je een garantie geeft, overdrijft.
Send-time optimization levert doorgaans een bescheiden verbetering op in open rates, afhankelijk van hoe slecht je originele timing was. Als je al op het beste tijdstip voor jouw doelgroep stuurde, merk je weinig.
Predictive lead scoring helpt je salesteam prioriteren. Dat is de echte winst: minder tijd aan leads die toch niet converteren, meer aandacht voor de leads die op het punt staan te beslissen. Maar dat vergt integratie tussen marketing en sales, en die is er lang niet altijd.
Het grote voordeel zit uiteindelijk niet in de individuele lift per campagne. Het zit in het terugwinnen van tijd. Minder handmatige analyses, minder ‘moet ik nu de winnaar aanwijzen’-beslissingen, minder discussies over het beste tijdstip. Dat geeft ruimte voor het werk dat een algoritme niet kan doen.
De rol van de marketeer verandert
Daarmee verschuift ook jouw rol als marketeer. Als het systeem de distributie regelt, is jouw waarde niet meer het uitvoeren van die beslissingen. Jouw rol wordt vooral het bewaken van de randvoorwaarden: klopt de data die het model gebruikt? Zijn de varianten die worden geoptimaliseerd de juiste varianten? Wordt er geoptimaliseerd op de juiste metric, of sturen we blind op open rates terwijl conversie eigenlijk telt? Dat zijn vragen die een algoritme niet stelt. Jij wel.
Dus wanneer is predictive automation slimme technologie, en wanneer is het een marketinghype? Het eerlijke antwoord is dat het allebei tegelijk kan zijn. De technologie werkt. Maar de belofte dat je er zelf nauwelijks meer naar om hoeft te kijken, is de hype. Predictive automation neemt werk uit handen, maar creëert tegelijk nieuw werk: het werk van iemand die begrijpt wat het systeem doet, het waarom, en wanneer je er op tijd tussen moet komen.
Waar staat jouw automation nu?
Een goede manier om te beginnen: maak een overzicht van alle flows die nu actief zijn en bekijk per flow welke variabelen je handmatig beheert. Tijdstip, segment, variant, kanaal. Noteer bij elke variabele hoe vaak je die in het afgelopen jaar hebt aangepast, en op basis van wat. De variabelen die je zelden aanpast omdat je ‘er niet aan toekomt’, zijn precies de variabelen waar optimalisatie het meeste oplevert. Niet omdat een algoritme zo slim is, maar omdat het consistenter is dan jij en ik.
Over de auteur
