Data-driven marketing: in 4 stappen relevant voor je klant

Hoe kun je door middel van dynamische content en predictive marketing zo relevant mogelijk zijn voor je klant? En ook niet onbelangrijk, waar moet je rekening mee houden en wat komt erbij kijken? Met behulp van een praktijkvoorbeeld leg ik uit hoe je dit aan kunt pakken.

In mijn vorige artikel heb ik uitgelegd hoe je op basis van data en het koppelen van verschillende bronnen predictive kunt zijn. Een introductie in data-driven marketing. In dit artikel gaan we hier verder op in.

Data-driven marketing in de praktijk dus!

We gaan er in dit artikel van uit dat we van een willekeurige reisorganisatie (leisure branche) een aanvraag hebben ontvangen om op basis van data de klant zo persoonlijk en relevant mogelijk te benaderen, met andere woorden: hoe zo data-driven mogelijk te werk te gaan.

Reisorganisatie X: ‘Welke stappen moeten we ondernemen om data-driven marketing te drijven in onze online uitingen om zo relevant mogelijk te worden voor onze bezoeker/klant?’

Aan ons de schone taak om te voorzien in advies, oplossing en implementatie. Om daar te komen,  hebben we eerst inzicht nodig in de klant van deze reisorganisatie. Wat zijn bijvoorbeeld de verschillende type klanten en welke fases van aankoop kunnen we identificeren? Dit zijn de basisstappen met betrekking tot data-driven implementaties van je marketingactiviteiten.

1. Klanttypes en aankoopfasen

Binnen data-driven marketing worden een aantal algemene klanttypes herkend. De combinatie klanttypes en aankoopfasen komen uiteindelijk samen in het klantprofiel, dat als basis geldt voor het opzetten van relevante marketingacties en -campagnes. Klantprofielen zijn nodig om je bezoeker in te delen in een groep met specifieke kenmerken. Zonder er te diep op in te gaan kennen we de volgende profielen:

• Onderzoeker (Explorer)
  Verzamelt informatie of zoekt online, maar heeft geen haast om tot een aankoop over te gaan.
• Doelbewust (Single Minded)
  Heeft al onderzoek gedaan en heeft een specifieke intentie, hoewel er nog weinig activiteit is.
• Gepassioneerd (Passionate)
  Impulsief qua aankopen. Is niet bewust op zoek naar een specifiek product of dienst.
• Economisch (Economical)
  Prijsbewuste koper. Op zoek naar de beste deals en kenmerkt zich door een frequent koopgedrag.
• Gelover (Believer)
  Meest loyale type klant. Heeft een band (believe) met het merk en kenmerkt zich door regelmatige aankopen en een bovengemiddelde lifetime value.

De aankoopfases zijn niet alleen aansluitend op de klanttypes, maar ook van toepassing op de organisatie. Stel de vraag wat, kort door de bocht, de customer journey van de bezoeker is die een reis boekt. Waarop oriënteert hij of zij zich en komt de bezoeker terug na de eerste boeking? Hoe maak je van je bezoeker een Gelover?

Aankoopfasen

Uiteindelijk kun je ieder type bezoeker in één van onderstaande fasen plaatsen.

• Oriëntatiefase
  In de digitale marketing kunnen we de oriëntatiefase in kaart brengen door het verzamelen van het zoek- en klikgedrag. Het woord zegt het al, de bezoeker oriënteert zich op een eventuele aankoop.
• Beslisfase
  De bezoeker weet wat hij of zij wil. Heeft inmiddels alle benodigde informatie en lijkt over te gaan tot een aankoop. In deze fase verschuift de bezoeker ook naar een volgend klanttype, bijvoorbeeld Doelbewust of Gepassioneerd.
• Evaluatiefase
  In de laatste fase van het aankoopproces zoeken we naar een vorm van engagement van de bezoeker, waarmee we hem of haar in de klantgroep Gelover proberen te dwingen. Dit kan iets simpels zijn zoals het beoordelen van de aankoop, maar ook een commitment aangaan door het liken van de Facebookpagina of een abonnement op de digitale nieuwsbrief.

2. De data

Onze reisorganisatie heeft enkele interne databronnen met klantinformatie. Deze informatie wordt gehaald uit databronnen zoals de e-maildatabase, CRM en het boekingssysteem. Deze databronnen koppelen we aan een klantprofiel op basis van een klant ID.

Wanneer een bezoeker op de site komt, worden er in ieder geval enkele basisdata verzameld, zoals het type device waarmee men de site bezoekt, het tijdstip en de weersomstandigheden op dat moment. Dit wordt gekoppeld aan een klantprofiel.

Externe databronnen toepassen

Op basis van interne data kunnen we al best veel zeggen over de bezoeker. Maar wanneer hier ook nog externe data aan wordt toegevoegd, dan wordt het pas écht relevant!

Er bestaan natuurlijk enkele voor de hand liggende databronnen voor een reisorganisatie. Denk bijvoorbeeld aan: weer, vakantiespreiding en uitkering vakantiegeld of belastinggeld. Daarnaast zijn er ook enkele interessante databronnen die een stuk minder voor de hand liggen.

Sportintensiviteit

Zo bestaat er bijvoorbeeld een API met data over de sportintensiviteit (op postcodeniveau), die beschikbaar is gesteld door het CBS. Deze data kan van waarde zijn wanneer het een reisorganisatie betreft die zich onderscheidt door met name actieve vakanties aan te bieden. Wanneer de bezoeker in een gebied woont waar de sportintensiviteit vanuit historie zeer laag is, ligt het voor de hand om juist andere typen vakanties aan te bieden.

Potentiële klanten die juist wel van actieve vakantie houden en toevallig in een gebied wonen met een lage sportintensiviteit, filteren zichzelf hier weer uit door het klantprofiel te blijven verrijken met bijvoorbeeld data over zoek- en klikgedrag.

Verkeersintensiviteit

Daarnaast is het ook mogelijk om de verkeersintensiteit te koppelen door middel van een API. Naast de verhouding vakantieperiode en verkeersdrukte (een voor de hand liggende combinatie), kan er ook een stapje verder gegaan worden. Denk aan push-notificaties met een alternatieve route wanneer er een verkeersinfarct op de route naar bijvoorbeeld het vliegveld is (vanuit de verzamelde data weten we namelijk welke reis de bezoeker heeft geboekt). Als de stremming extreem is, zou er zelfs een push-notificatie verstuurd kunnen worden met mogelijke plaatsen om te overnachten (uiteraard aangeboden via de reisorganisatie).

Welke invloed kunnen social trends hebben?

Een derde interessante bron zijn de social trends, oftewel de trends op social media. Niet zozeer de brand awareness, maar bijvoorbeeld wel wanneer er grote gebeurtenissen met grote gevolgen zijn.

Denk bijvoorbeeld aan aardbevingen, aanslagen of andere zaken die het toerisme beïnvloeden op een bepaalde locatie. Er doet zich een sterke daling voor op de plek des onheils, maar daarmee hangt er ook een stijging van het toerisme samen op andere plekken. Wanneer dit inzichtelijk is, kan onze reisorganisatie daar natuurlijk weer handig op inspringen!

Natuurlijk zijn er nog veel meer interessante mogelijkheden met data die minder logisch lijken. Maar door het combineren van bovenstaande bronnen kunnen we al een flinke stap zetten naar marketingacties op basis van data.

Oftewel, data-driven marketing voeren!

3. De acties

Wanneer de bezoeker op onze site terecht komt, vangen we dus de eerste data af (device, tijd en weer). We identificeren of het om een nieuwe of bestaande bezoeker gaat en plaatsen hem of haar in de juiste klantgroep.

Bestaande klant

Gaat het om een bestaande klant, dan beschikken we dus over een keur aan data. We weten tot welke klanttype hij of zij behoort en in welke koopfase hij of zij zich bevindt en waar de voorkeuren naar uit gaan.

We hebben vijf klanttypes en drie koopfasen besproken. Dat betekent dat er 15 (3 x 5) verschillende website/shop-publicaties mogelijk zijn voor je bestaande klant. Dit simpele sommetje vormt de basis van de dynamische content op de website/shop. De publicatiemogelijkheden worden vanzelf minder naarmate het klantprofiel meer verrijkt is en je op basis van de data trucjes (algoritmes) toepast die de meest waarschijnlijke acties van je bezoeker kunnen voorspellen.

Nieuwe klant

De bezoeker van je website is nieuw en heeft dus nog geen klantprofiel. Wat doe je dan? Ook hier verzamelen we weer de basis-data waarmee de bezoeker binnen komt, dus het type device, het weer op dat moment en tijd.

Vervolgens wordt de bezoeker op basis van deze data en het zoek- en klikgedrag op de website ingedeeld in de meest overeenkomende klanttypen oftewel de look-a-likes. Dit wordt gedaan door spiegelen: welk klanttype komt qua kenmerken het meest overeen met de bezoeker?

Vanaf hier is het een bestaande gebruiker en doorlopen we het proces van de bestaande klant.

Dynamische websitecontent

Als marketeers zijn we allemaal bekend met het principe dynamische content. Wanneer dit data-driven wordt geïmplementeerd, gebruiken we de data van de bestaande klant. Zoals hierboven benoemd zijn er dus 15 mogelijkheden.

Wanneer we daar ook nog persuasive (beïnvloedend) mee om willen gaan, baseren we ons niet meer alleen op klanttypen en aankoopfasen. De mogelijkheden worden uitgebreid met Cialdini’s beïnvloedingsprincipes. Een Onderzoeker is bijvoorbeeld gevoelig voor sociale bewijskracht, zeker wanneer blijkt dat vriend X net gekocht heeft. En een Gelover hapt juist eerder toe wanneer je Sympathie oproept.

Cialdini’s beïnvloedingsprincipes

Cialdini onderscheidt 6 beïnvloedingsprincipes (persuasive principles) die ieder een eigen klantbenadering hebben en naadloos aansluiten op de hierboven genoemde klanttypen. Dus wanneer we deze meenemen, komen we uit op 90 verschillende dynamische contentcombinaties (3 x 5 x 6). Een hele stap naar nog meer relevantie!

In korte, simpele stappen: de klant wordt herkent -> er worden labels opgeplakt op basis van algoritmes, specifiek passend bij de bezoeker -> de dynamische content wordt aangepast.

Predictive data-driven marketing

Wanneer we predictive data-driven marketing inzetten gebeurt er in grote lijnen hetzelfde (persuasive notificaties zijn in feite mini Next Best Actions). Het grote verschil hier is dat predictive-marketingcampagnes meestal een stuk groter zijn en zich nog specifieker op de Next Best Actions van je bezoeker richten.

Het klantprofiel, klanttype en de aankoopfase (interne data) worden verder verrijkt met externe databronnen, specifiek passend bij de klant. In ons geval dus een organisatie uit de leisure branche. De samengestelde algoritmes berekenen heel gedetailleerd de meest relevante aanbiedingen voor de bezoeker.

Wanneer je voorspellend wilt zijn, lijken de stappen erg op de dynamische content. Je stuurt op basis van de klantgroep en data aan op de Next Best Action. Dit kan vervolgens terugkomen in de vorm van dynamische content op de website of in de nieuwsbrief, maar ook in persoonlijke push-notificaties, ads en specifieke aanbiedingen.

 

4. Praktijkvoorbeeld van een data-driven implementatie in de online reisbrochure

Vooral in de leisure branche wordt historisch gezien veel gebruik gemaakt van online publicaties. Niet alleen als hele belangrijke verkoopbron, maar zeker ook cruciaal bij het verzamelen van data over de interesses van je bezoeker/klant.

In dit voorbeeld brengen we de reisbrochure van reisorganisatie X in een aparte omgeving onder en stellen we deze daarin samen. Er worden tags aan de verschillende content toegevoegd die het klik- en leesgedrag bijhouden.

De verzamelde data worden opgeslagen in het klantprofiel en helpen bij het voorspellen van de Next Best Action en het bepalen van de persuasive notificaties zoals we die in dit artikel uitgelegd hebben. Uiteraard gecombineerd met enkele relevante externe databronnen zoals bijvoorbeeld de sportintensiteit per postcodegebied.

Daarnaast is de content van een digitale brochure gemakkelijk aan te passen naar dynamische content. Dus de reisbrochure leent zich bij uitstek voor het toepassen van gepersonaliseerde content op basis van het klantprofiel.

Benader je klant met relevante content

Dit voorbeeld laat zien dat er met een relatief algemene vraag al een hele duidelijke richting aan de marketingacties van het bedrijf en het aankoopproces van de bezoeker/klant gegeven kan worden. Zo heeft reisbureau X nu de kennis in handen om iedere klant relevant te benaderen en daarmee haar conversie te laten groeien.

Al met al reden te meer om data-driven marketing toe te passen binnen je organisatie (niet alléén in de leisure branche, natuurlijk 😉 )!