Big data voor online retailers: aan de slag met AdWords

Big data is hot en hoewel er al jaren gebruik van wordt gemaakt door verschillende bedrijven, zie ik dit zelden aan bod komen bij de reguliere online retailer. Big data voor e-commerce is zeker kleiner van schaal dan wat men onder big data verstaat. Desalniettemin kun je er met enkele simpele technieken veel waarde uit halen.

Mijn definitie van big data voor e-commerce is: data die je als mens niet meer kunt behappen zonder tools te gebruiken. Het hoeft dus niet te gaan om gigantische hoeveelheden data zoals bij Twitter, Google of Amazon. Maar een lijst van 10.000 zoekwoorden is in deze definitie al dig data. Alle verwijzingen naar big data in dit artikel hebben dan ook deze betekenis.

In deze serie over praktische big data voor online retailers wil ik het hebben over hoe kleinere online retailers gebruik kunnen maken van data die zij tot hun beschikking hebben, om er waarde voor klanten en voor zichzelf uit te halen.

Wat mis je als het niet doet?

Veel vragen kun je als retailer beantwoord krijgen met big data die je nu al tot je beschikking hebt. Zelfs met de tools die je waarschijnlijk nu al gebruikt. Denk bijvoorbeeld eens aan Google Analytics, productverkoopgegevens en klantgegevens.

Zoals Cor Molenaar in bovenstaade video al aanscherpt: als retailer ken je de klant doorgaans niet goed genoeg. Je kunt de klant vragen naar wat hij of zij graag ziet en op welke manier of je kunt zelf naar klantgedrag kijken. Deze gegevens verschaffen je inzicht in hoe je tot een veel effectievere propositie kunt komen voor je klant, zodat deze voor jou kiest.

In dit artikel geef ik twee voorbeelden van big data waarover je waarschijnlijk al beschikt en die je ook gelijk kunt analyseren. Zonder ingewikkelde tools en zonder uitgebreide IT- kennis kun je het resultaat hiervan gebruiken.

Op welk moment betaal je teveel voor Adwords?

In principe op het moment dat het geïnvesteerde budget hoger of gelijk is aan jouw winstmarge. Dat klinkt natuurlijk als een open deur, maar is wel de essentie. Samengevat:

• Het doel: De Adwords-biedingen effectiever inzetten op tijdstippen waarop de klant koopt en waarop budget en marge in gunstig evenwicht zijn.
• Waar komt de data vandaan: Google Adwords.
• Welke extra tools zijn er nodig? Geen.

Data ophalen

In Adwords kun je er op een gemakkelijk manier achter komen op welke dag van de week en op welk(e) tijdstip(pen) de verkopen plaatsvinden. Log in op je Adwords-account en ga vervolgens naar tab ‘Dimenstions (A)’ en bij ‘View (B)’ kies je dan ‘Day of the week’. Voor een willekeurig account heb ik gekeken op welke dagen van de week de conversiepercentages het hoogst zijn:

Wat opvalt is dat vooral de werkdagen eruit springen. De conversie is dan bijna 50% hoger dan op een dag in het weekend. Vervolgens heb ik ook gekeken naar de verdeling over een etmaal.

Je ziet dat beste conversie optreedt tussen 6:00 en 17:00 uur. Tijdens deze uren is de conversie ruim 50% hoger. Als je meer  zekerheid wilt, kun je ook  gebruik maken van een A/B test calculator om er achter te komen of de resultaten statistisch significant zijn. Hieronder een vergelijking tussen de conversies op zondag en op maandag. Maandag presteert 56% beter met een hogere betrouwbaarheid.

Data gebruiken

Wat verder opvalt aan de data hierboven, is dat zowel op alle dagen van de week als op alle uren van de dag de gemiddelde CPC (kosten per klik) nagenoeg gelijk is. Blijkbaar hebben de concurrenten op alle dagen van de week en uren van de dag een gelijk bod ingesteld. Als je deze informatie hebt, dan kun je uitblinken en jezelf concentreren op die uren en dagen die de hoogste conversie oplevert en op deze slots meer bieden.

In deze data zie ik ook dat de conversie op werkdagen tussen 6:00 en 18:00 uur ruim 50% hoger ligt dan op andere tijdstippen. Hoewel je er niet vanuit kunt gaan dat de conversie én op werkdagen én tussen 6:00u en 18:00 uur ruim 50% hoger ligt (het zijn overlappende verzamelingen), ga ik er in dit voorbeeld wel vanuit. De kans is groot dat je een bepaalde CPA (kosten per verkoop) als doel hebt in je webshop. Je kunt dus besluiten om op de dagen waarop de conversie hoger is meer te gaan bieden. Ter illustratie zie ik dat CPA op zondag 15,75 euro is en op maandag 10,77 euro.

Als jij ook tevreden bent met 15,75 euro CPA (zoals op zondag), dan kun je de CPC-bid voor maandag verhogen met 46% ((15.75 – 10.77) / 10.77 * 100) om meer klanten aan te trekken. Dat zal in de regel iets minder dan 46% meer klanten opleveren. Op een vergelijkbare manier kun je besluiten om minder te bieden voor dagen waarop je te hoge CPA hebt. Dit geldt ook voor biedingen op bepaalde uren van de dag. Een andere optie is om helemaal niet te bieden op de dagen waarop de conversie te laag is en het budget naar andere dagen te schuiven en daar de CPC te verhogen.

Per dag van de week een andere Adwords-bidding instellen

In dit voorbeeld laat ik zien hoe je voor werkdagen tussen 6:00 en 18:00 uur het bod kunt verhogen. Ga naar de campagne in kwestie, dan naar de tab ‘Settings (A)’, selecteer ‘Ad schedule (B)’ en dan ‘Create custom schedule (C)’.

Kies ‘Monday to Friday (D)’ en zet de uren op 6:00 en 18:00 (E) en (F), klik dan op ‘Save’.

Klik nu op ‘Bid ajd.’ van ‘Monday (G)’. In de pop-up kun je de bid nu met 40% verhogen (H).

Hoeveel levert een klant gemiddeld op?

Samengevat:

• Het doel: Achterhalen wat een nieuwe klant gemiddeld oplevert om de marketinguitgaven effectiever te besteden.
• Waar komt de data vandaan: CRM of transactiegegevens uit de webshop.
• Welke extra tools: Excel, kennis van draaitabellen.

Hoeveel levert een gemiddelde klant op? Het meest voor de hand liggende antwoord is de ‘gemiddelde orderwaarde’. Dat is al een redelijke schatting om vanuit te gaan. In werkelijkheid ligt deze waarde hoger, want je houdt hier namelijk geen rekening met terugkomende klanten die na eerste aankoop en goede ervaring terugkomen. Met andere woorden, als je eenmaal al een nieuwe klant hebt gekregen, is er een kans dat deze nog eens een bestelling plaatst via een goedkoper of gratis kanaal (direct of organic) of nadat hij een e-mail met een aanbieding heeft ontvangen.

Lifetime Customer Value

Klantenkaarten geven ook inzicht in deze gegevens, omdat je een aankoop per klant uniek kunt identificeren en er zo achter kunt komen wat deze klant gedurende zijn ‘leven’ (in het Engels Lifetime Customer Value of LCV) oplevert. Hiermee kun je inschatten hoeveel keer je marketinguitgave terug verdiend wordt als je eenmaal een nieuwe klant hebt gekregen. Zoals de uitgave van het cadeau geven van een iPad aan iedere nieuwe klant.

Als je weet dat een klant gemiddeld 1,3 keer een bestelling plaatst, dan kun je tot wel 30% meer marketinguitgaven maken om een nieuwe klant aan te trekken, er vanuit gaande dat deze klant de volgende keer direct naar je webshop toe zal komen. In werkelijkheid zal deze waarde wat lager liggen. Hieronder deel ik een manier om deze waarde te schatten. De onderkant van LCV (Lifetime Customer Value) is de gemiddelde waarde. Nu is de vraag: wat is de bovenkant? De waarheid zal daar ergens tussen liggen.

Data ophalen

Om te bepalen wat de waarde van een klant is tijdens zijn leven (Lifetime Customer Value), moet ik aankopen uniek aan een klant koppelen. Dat kan bijvoorbeeld door gebruik te maken van klantenkaarten. Aangezien meeste webshops dat niet hebben, gebruik ik de bestelgegevens die elke klant in moet vullen bij zijn bestelling. Ik heb twee gegevens nodig, namelijk een e-mailadres van de besteller en het orderbedrag van de bestelling. Uit ons onderzoek bleek dat een e-mailadres, het telefoonnummer en het bezorgadres ongeveer even bruikbaar zijn om een klant als uniek te identificeren.

Zorg ervoor dat deze gegevens gemakkelijk in een Excel-bestand gezet kunnen worden. De meeste webshop-platformen hebben een mogelijkheid om bijvoorbeeld een CSV te maken met deze gegevens.

Data weergeven

Met de gegevens hierboven maak ik een draaitabel. Hieronder leg ik in het kort uit hoe dat gaat met Excel 2011 op Mac OSX. Ik selecteer kolommen A, B en C (A). Ik kies dan ‘Menu’,  ‘Data’, ‘PivotTable’ (B) en druk op ‘OK’ (C).

Dan ga ik naar het nieuw aangemaakte tabblad en sleep de juiste velden in de PivotTable Builder. E-mail naar ‘Rows’ (E), Order bedrag naar ‘Values’ (F) en E-mail naar ‘Values’ (G). Zorg dat bij e-mail ‘Aantal’ aanstaat (door te dubbelklikken), zodat je het aantal unieke adressen kan zien. Ik begin langzaam het onderscheid te zien tussen het aantal unieke klanten en het aantal unieke bestellingen.

Data gebruiken

In het voorbeeld zie je zeven bestellingen met een gemiddelde orderwaarde van 102,86 euro. Dat is de onderkant van CLV. Je ziet ook dat klantwaarde gemiddeld op 144 euro ligt. Dat is 1,4 keer de gemiddelde orderwaarde. Deze ratio kun je ook berekenen door het aantal bestellingen te delen door het aantal unieke e-mailadressen.

Uit gegevens bij B2C-retailers zag ik dat een gemiddelde klant tussen de 1,18 en 1,27 keer een aankoop deed bij de webshop, in een periode van afgelopen twee jaar. De geteste webshops deden overigens niet aan e-mailmarketing, daar ligt het getal hoger. Ook heb ik geen webshops meegenomen die verbruiksgoederen of ‘consumables’ verkopen, want ook daar ligt het getal hoger. Opmerkingen:

• Vergeet niet om de afgekeurde bestellingen of mislukte bestellingen die opnieuw gedaan zijn, weg te filteren. Daarmee voorkom je dubbeltellingen.
• Telefoonnummers kunnen nep zijn (bijvoorbeeld: 1234567890 ). In onze data was dat zelden het geval.
• Het kan zijn dat dezelfde klant vaker een bestelling doet onder een andere e-mailadres. Dan ligt de CLV ook hoger. In deze tests heb ik daar geen rekening mee gehouden. Ik denk dat het niet meer dan 0,5% zal afwijken van de werkelijke waarde, mits er voldoende bestellingen zijn. In onze tests ging het om duizenden bestellingen per webshop.
• Klanten kunnen ook twee keer op je webshop binnenkomen via betaalde kanalen. Dan heb je ook twee keer marketinguitgaven gedaan. Als dat vaak het geval is, dan ligt de CLV lager.
• Ik heb deze methode getoetst met verschillende velden om unieke klanten te definiëren, waaronder telefoonnummer, e-mailadres en postadres. Ik vond rond 0,5% verschil in unieke aantallen tussen telefoonnummers, e-mailadressen en postadres. Dat wil zeggen dat ze ongeveer even goed presteren.
• Ik heb in onze tests uitsluitend gekeken naar B2C-webshops. Het is aannemelijk dat bij B2B-retailers een postadres of BTW-nummer wellicht een betere indicator van een unieke klant is.
• Als je telefoonnummers of adressen gaat gebruiken, is het handig om deze op te schonen. Bij telefoonnummers zou je alle tekens behalve de getallen er uit moeten halen. 

Hoe begin je met big data?

Met een aantal makkelijk te verkrijgen stukjes data uit Adwords of Analytics kun je al relevante inzichten achterhalen om acties te kunnen ondernemen voor je business. De vraag is: hoe begin je hiermee? En hoe zorg je ervoor dat je hier regelmatig aandacht aan besteedt? Volgens Tim Salimans en Sander Klous (zie de video) zijn er een aantal stappen die je kunt volgen om met big data te beginnen. Hieronder heb ik deze stappen opgesomd.

1. Wat wil je onderzoeken? Stel een onderzoeksvraag. Wat wil je eigenlijk weten? Wat wil je verbeteren of waar wil je meer inzicht in krijgen?
2. Welke data heb je nodig? Bedenk welke stukjes data je nodig hebt om de vraag te beantwoorden.
3. Hoe verkrijg je de data? Als je bijvoorbeeld verschillende varianten van een pagina wilt testen (A/B test), dan moet je in deze stap bepalen welke varianten je gaat proberen.
4. Hoe meet je de data? Het kan zijn dat de gegevens al beschikbaar zijn – die hoef je eigenlijk alleen maar uit je systeem te halen. Het kan zijn dat gegevens nog niet gemeten worden. Dan moeten deze meetbaar gemaakt worden. Als je bijvoorbeeld de conversie wilt meten die uit je e-mailberichten komt, dan moet je er voor zorgen dat je in je analytics software het door e-mail gegenereerde verkeer kan (onder)scheiden van het directe verkeer.
5. Verzamel de nodige data. Dat is meestal ervoor zorgen dat de test door voldoende mensen wordt gemaakt. Als je wilt bekijken of mensen die via Facebook binnenkomen eerder tot aankoop overgaan, moet je in deze stap inbouwen dat er meer verkeer uit Facebook gaat komen. Door bijvoorbeeld meer berichten te posten of te gaan adverteren.
6. Analyseer de resultaten. Test je hypothese en kijk of de resultaten relevant en significant zijn.
7. Gebruik de resultaten voor acties en vervolgonderzoek.

Belangrijk is dat je in korte cycli (dagen, niet weken) werkt, om snel te leren van je bevindingen en die kennis weer te gebruiken voor de volgende ronde. Met andere woorden: wacht niet te lang om de perfecte opzet te maken voor je onderzoek. Vaak kom je tot nieuwe vragen en inzichten als je eenmaal begint.

Proef op de som met een korte test

Een klant wilde er graag achter komen welke van zijn Adwords-advertenties de beste CTR (aantal klikken per vertoning) opleverden. Een hogere CTR zorgt ervoor dat de kwaliteitscore verhoogd wordt en de CPA (kosten per conversie) daalt. Verder betekent het dat je met evenveel vertoningen meer kliks krijgt. Dat is wenselijk als je het aantal vertoningen niet verder omhoog kunt krijgen.

Ik heb onderzocht of deze gegevens naar boven gehaald konden worden en vervolgens gekeken of ik advertenties met een hoge CTR kon produceren. De aanpak is hieronder in het kort weergegeven.

1. Wat wil je onderzoeken?

Ik wilde vaststellen welke combinaties van headline, description1 en description2 in de Adwords-advertenties de beste conversie oplevert. Onze hypothese is dat door te spelen met USP’s en eventueel andere teksten, de conversie verhoogd kan worden. Welke USP of onderdeel van de advertentie komt het beste overeen met de behoeften van de zoeker? Het doel is om alleen advertenties te tonen die het hoogste conversiepercentage opleveren, om zo de CPA zo laag mogelijk te houden.

2. Welke data heb je nodig?

Om de CTR te meten heb ik het aantal vertoningen en het aantal kliks per advertentie nodig. Voor het tweede deel van de berekening had ik een onderscheidend deel van de advertentie nodig om te bepalen of dat deel ervoor kon zorgen dat er vaker op de advertentie geklikt wordt. Helaas waren de bestaande advertenties lastig te onderscheiden op één bepaald kenmerk. Bestaande waarden van headline, description1 en description2 waren te verschillend en niet systematisch genoeg opgezet. Hierdoor was het voor ons onmogelijk om een rode draad te vinden. Om hiermee om te gaan, moest ik eenduidig verschillende advertenties maken.

3. Hoe verkrijg je de data?

De impressies en kliks zijn beschikbaar in Google Adwords en worden standaard gemeten. De advertentiegegevens waren dus nog niet beschikbaar. Deze moest ik zelf genereren door nieuwe advertenties te maken. Ik besloot advertenties in vier smaken te maken, door description2 te variëren. Dat wil zeggen dat ik heading, description1 en display-url gelijk heb gehouden voor alle advertenties. De heading stond op ‘{Keyword:[PRODUCT TITEL]}}’, waarbij ‘[PRODUCT TITEL]‘ gelijk was aan product die in de adgroup geadverteerd werd. Description1 stond op ‘Direct uit voorraad leverbaar’. De display-url was gelijk aan de heading.

Een andere reden om verder alles gelijk te houden is dat ik in het begin met niet teveel advertenties wilden experimenteren. Met (te)veel advertenties zou je ook meer kliks per advertenties moeten verzamelen en dan zou de test langer gaan duren. Ik wilde snel resultaat hebben om snel te kunnen verbeteren. De originele regel die veel gebruikt was bij description2: ‘Thuiswinkel Waarborg Gekeurd!’ Deze regel heb ik ook opgenomen in de test om te meten of er iets is verbeterd. Verder heb ik nog vier extra variaties voor description2 gemaakt:

1. Onze klanten geven ons 9/10
2. Van €XX Nu €YY = ZZ% korting
3. 6000 klanten gingen u voor!
4. Beste producten van [NAAM WINKEL]

Met amper twee uur werk heb ik dit op kunnen zetten.

4. Hoe meet je de data?

De CTR wordt standaard gemeten in Adwords: daar hoefde ik niets extra’s voor te doen. De advertenties kon ik ook gemakkelijk onderscheiden door te zoeken naar variaties in description2. Deze was bij elke advertentie verschillend genoeg om elke advertentie variatie uniek te identificeren. Door op advertentieregel te zoeken kon ik per variant ook de gemiddelde CTR bepalen om verder te kijken welke description2 het beste resultaat opleverde.

Tip: mocht je meerdere advertenties hebben waarin dezelfde tekst voorkomt, dan kun je bijvoorbeeld een variatie in de bestemmings-url opnemen met een hashtag (#) aan het einde van de url. Bijvoorbeeld https://www.mijnsupershop.nl/product.html#variatie123. Zo kun je elke unieke advertentie identificeren door op ‘variatie123’ te zoeken. In de meeste gevallen zal het de werking van de url niet veranderen.

5. Verzamel de nodige data

Ik heb de advertenties net zo lang laten lopen tot elke advertentie ten minste 100 kliks heeft gehad. Dat heeft ons 6 weken gekost. Voor dit soort tests is het beter om advertenties gelijk te rouleren. Hoewel ik daar aan gedacht heb, bleek de instelling toch niet goed te staan aan het einde van de test. Dat is ook te zien in de tabel hieronder. Sommige advertenties hebben veel meer vertoningen en kliks gehad dan anderen.

In de tabel zie je de gemiddelde CTR per geprobeerde variant voor description2, gesorteerd op hoogste CTR. Variatie ‘-‘ is het origineel.

6. Analyseer de resultaten

Hoewel er zeker verschillen zijn tussen de CTR waarden van de variaties, is de vraag of deze verschillen daadwerkelijk iets betekenen en niet louter gebaseerd zijn op toeval. Hiervoor gebruik ik dezelfde methode als hierboven.

Hierboven zie je dat het 98% zeker is dat variatie 2 beter is dat het origineel. Het minimum is 95%, dus onze test is geslaagd. Dat is mooi, want deze variatie ontvangt gemiddeld 23 meer kliks per 1000 vertoningen (2.3%).

7. Gebruik de resultaten

De test laat zien dat de regel ‘Van €XX Nu €YY = ZZ% korting’ het beste presteerde in onze test (23 meer kliks per 1000 vertoningen). Wat zou ik verder met deze informatie kunnen? Een logische stap zou zijn om de winnende regel te combineren met de op één na beste regel ‘6000 klanten gingen u voor!’. Ik zou ook deze twee regels kunnen combineren met andere USP’s van de winkel, beïnvloedingsprincipes van Cialdini (zoals hoe lang de korting geldig is) of misschien merk van het product in de advertentie op te nemen.

Verder is het misschien interessant om te kijken of mensen daadwerkelijk kopen na de klik. Is er een relatie tussen de advertenties en koopgedrag (in tegenstelling tot klikgedrag).

Big data hoeft niet ingewikkeld te zijn

Hoewel Big Data soms erg ingewikkeld in de oren klinkt, is dat in veel gevallen niet het geval. Met simpele tools en beschikbare bronnen kun je al aan de slag. Wil jij dat ik bepaalde onderdelen van big data meeneem in de aankomende blogs over dit onderwerp, laat dan een comment achter met je vraag of opmerking.

Voor het schrijven van onze blogs heb ik ondermeer gebruik gemaakt van de kennis van experts op het gebied van big data. Graag wil ik dan ook Cor Molenaar van eXQuo, Tim Salimans van Algorithmica en Sander Klous van KPMG bedanken voor hun input en Mark Roza voor camerawerk en interviewvragen.