De kracht van hyperpersonalisatie: zo zet je klantdata slimmer in

Hoe meer persoonsdata je hebt, des te hoger het niveau van personalisatie dat je kunt bereiken. Daar hebben we de technieken en de technologie voor. Het kán dus. Maar dat wil niet zeggen dat alle bedrijven dat in praktijk brengen. De meeste komen nog steeds niet veel verder dan “Klanten die dit product kochten, kochten ook…” en “Vaak samen gekocht”. Dat is om twee redenen jammer: het gaat allang niet ver genoeg meer in dit digitale tijdperk en het is een onnodig gemiste kans.

De traditionele vormen van personalisatie maken steeds meer plaats voor ‘hyperpersonalisatie’. Nieuwe digitale technologieën, de toename van omni-channeling en de almaar hogere verwachtingen van klanten zijn de aanjagers van hyperpersonalisatie in vrijwel alle bedrijfstakken, van retail tot de financiële wereld, in de reis- en hotelbranche, de zorg, telecom en media. Hierbij zijn het de klantspecifieke dialogen die succes opleveren.

Wat is hyperpersonalisatie?

Hyperpersonalisatie stoelt op additionele klantdimensies. Deze relateren aan de activiteit, interesse, mening, houding, waarden en gedrag van de – potentiële – klant. De informatie wordt verzameld uit diverse bronnen, waaronder social media en onderzoeken. Het zo verkregen diepere, rijkere klantprofiel wordt gemapped op het gehele product- of servicesportfolio van je bedrijf.  Om hyperpersonalisatie te bereiken worden twee technieken gebruikt: “Attribute Analysis” en “Event Sequence Analysis”. Het is overigens geen kwestie van kiezen tussen de twee: ze kunnen los van elkaar maar bij voorkeur tegelijkertijd gebruikt worden. Een korte uitleg van beide.

Attribute Analysis

Attribute Analysis gebruikt ‘mapping’ om de klant te beschrijven, gebruikmakend van demografische, fysieke, psychologische, functionele, beroepsmatige, en nagestreefde attributen. Elk attribuut van de klant is ‘gemapped’ aan een product, dienst, of stukje communicatie. Deze data helpt bij het doen van aanbevelingen die verder gaan dan aanverwante producten en diensten. In plaats daarvan spitten ze door de behoeften van de klant om suggesties te doen.

Mevrouw de Vries als voorbeeld

Een voorbeeld aan de hand van de denkbeeldige mevrouw De Vries, waarvan in de CRM-systemen bekend is dat ze in Amsterdam woont en lerares is op een basisschool. Op Facebook valt te lezen dat ze geen kranten leest, maar haar informatie vooral via de televisie krijgt. Ze is gek op traditionele diners en is veel met haar gezondheid bezig. Er zijn ook gegevens over haar winkelgedrag te vinden. Zo haalt mevrouw De Vries haar boodschappen bij verschillende supermarkten, maar ze is wel merktrouw. Een gemiddeld winkelbezoek duurt 63 minuten, per keer besteedt ze gemiddeld 45 euro. En ze houdt van koopjes: ze verblijft altijd het langst bij de aanbiedingen.

Deze schat aan persoonlijke informatie wordt geclusterd en in modellen – zoals een Baysian Probability Model en een regressieanalyse – gegoten. Aan de hand daarvan krijg je de kern, een statistisch model, dat kan worden ingezet om het digitale contact met Mevrouw de Vries te ‘hyperpersonaliseren’.

Event Sequence Analysis

Event Sequence Analysis observeert de opeenvolgende ‘events’ in de customer journey, om te begrijpen wat de leidende factoren zijn voor een bepaalde positieve actie (bijvoorbeeld een aankoop) of een negatieve actie (bijvoorbeeld spijt van een aankoop). Voor een e-tailer zouden de volgende events relevant kunnen zijn: de manier van inloggen (bijvoorbeeld via een Facebook- of Google-login, waarmee behoorlijk rijke details over de klant beschikbaar komen), de gebruikte zoektermen (bijvoorbeeld: koelkast, huis kopen, LED-lampen), het toevoegen van items aan de zogeheten ‘wish list’, het ‘liken’ van de Facebookpagina van een product of dienst, crowdsourcing door middel van een post op Facebook (bijvoorbeeld Apple vs Samsung smartphone), enzovoorts.

Elk event biedt een eigen mogelijkheid voor hyperpersonalisatie. Dat kan worden gebruikt voor aanbiedingen via email, een chat bot, een direct aanbod via de webpagina, of het aanbieden van kortingsbonnen voor bepaalde producten, en het tonen van interessante items.

Verschillende interacties op verschillende touchpoints

Event Sequencing is een logische methode, die in principe geen speciaal technisch platform vergt,  geen gespecialiseerd datamining tool, en zelfs geen Excel – hoewel dat wel gemakkelijk is. Het gaat erom de events in de customer lifetime vast te leggen. Die events verschillen per branche, en kunnen verschillende interacties zijn op verschillende touchpoints: een klant die een aankoop doet, die de Facebookpagina van het bedrijf liket, die een winkel inloopt en daar iets koopt, als hij je Facebookpagina liket, als hij klikt op een toegezonden e-mail en in gaat op een aanbod – het kunnen allemaal events zijn.

Gegevens bijhouden en in kaart brengen

Stel dat een bedrijf 10 events heeft gedefinieerd, dan kan per klant worden bijgehouden welke events hij in welke volgorde doorloopt. En zo de weg die elke klant aflegt in kaart brengen. Dan wordt het mogelijk het meest voorkomende pad te ontdekken. Vervolgens kan de marketeer per touchpoint proberen invloed te krijgen op de volgende keuze van de klant – namelijk die van het meest afgelegde pad.

Als veel klanten je Facebookpagina liken, kun je de content van de pagina daarop aanpassen, zodat het volgende event volgt. Stel dat na het liken bijna altijd een aankoop volgt, kun je dat extra aantrekkelijk maken.

Hoe maak je de overstap?

In principe kunnen alle bedrijven de overstap naar hyperpersonalisatie maken. Het vereist geen speciale IT-platforms; elk datawarehouse of big data ecosysteem is goed genoeg. Verzamel de data, combineer die met elkaar en aan de hand van een aantal basale analyses kan een scherp klantprofiel worden opgesteld. Het is wel nodig om de benodigde technieken en methodes te beheersen. Daar zijn drie specifieke competenties voor nodig.

Drie competenties

De eerste is kennis van datascience. Een data scientist heeft diepgaande statistische vaardigheden en kan naar hele grote hoeveelheden data kijken, de data begrijpen, en die data in inzichten veranderen.

De tweede is data engineering. Dat is de technische kant van data. Een data engineer kan bijvoorbeeld data uit social media halen door een techniek zoals data scraping toe te passen. De engineer zet die data vervolgens in een soort datawarehouse in het format dat nodig is om het te gaan combineren met traditionele personalisatiedata (historie, transactiegegevens, demografische kenmerken) uit andere bronnen.

De derde is branchekennis. Verstand van de markt waarin het bedrijf werkt, de positie en aanpak van het bedrijf, en de manier waarop klanten tot een aankoop komen.

Onontbeerlijk voor hyperpersonalisatie

Datascience, data engineering, en branchekennis zijn niet specifieke competenties voor hyperpersonalisatie, ze horen eigenlijk tot de gereedschapskist van elke moderne digitale onderneming. Maar bij hyperpersonalisatie zijn ze onontbeerlijk. Zeker als je wilt proberen de klant een stap voor te blijven, dus om te voorspellen wat de – potentiële – klant zal gaan doen.

Do!

Pak als eerste een specifieke bedrijfsdoelstelling bij de horens, bijvoorbeeld dat er door klanten nauwelijks gebruik wordt gemaakt van gepersonaliseerde e-mailaanbiedingen, en dat daar verbetering in moet komen. Stel dat een meting uitwijst dat er slechts in twee procent van de gevallen wordt doorgeklikt. Nu wordt de gereedschapskist van hyperpersonalisatie daar op losgelaten: de content van de mail is klantspecifiek, relevanter, en maakt gebruik van alle recente klantinformatie.

Na een bepaalde periode kan de click rate opnieuw worden gemeten en worden vastgesteld of, en zo ja in welke mate hyperpersonalisatie een succes is. Breid bij succes het aantal doelstellingen uit, bijvoorbeeld naar het terugdringen van het aantal opzeggingen.

Don’t!

De klant of prospect zal het prettig vinden relevante onderwerpen onder ogen te krijgen en bij hem passende aanbiedingen te krijgen. Toch staan mensen in principe argwanend tegenover personalisatie, en vragen ze zich ongerust af: “wat weten ze allemaal van mij en wat doen ze met die informatie?”

Ga niet té ver

De grens van wat kan en wat niet, is ethisch. Er is een heel berucht voorbeeld uit de VS van een vrouw die een babywinkel bezocht, waar de caissière bij het afrekenen in het systeem intikte dat de vrouw zwanger is. Op eigen waarneming. Dat gegeven werd vervolgens gebruikt om de vrouw allerlei gehyperpersonaliseerde mailings te gaan sturen, die betrekking hadden op haar zwangerschap. Bijzonder vervelende bijkomstigheid was dat de familie en vrienden van de vrouw niet van haar zwangerschap wisten, en dat dus uit de marketingboodschappen moesten lezen. Dat had grote sociale impact. Daar is men dus veel te ver gegaan.

Gebruik niet alle data

Bij het inzetten van hyperpersonalisatie moet er balans zijn tussen wat kan en wat ethisch gewenst is. Het zal klanten niet veel kunnen schelen als een bedrijf inspeelt op zijn liefhebberijen. Maar als het gaat het om echt kritieke informatie – zwanger, obesitas, geaardheid, geloof – die raakt aan de persoonlijkheid van de klant, dan ga je veel te ver. Gebruik dus ook niet alle beschikbare informatie –  maar genoeg om goede, effectieve hyperpersonalisatie te bedrijven.

Het kán

Bedrijven moeten snel stappen zetten om tot hyperpersonalisatie te komen, willen ze relevant blijven voor de digitale klant – die de norm is in dit digitale tijdperk. Dat begint met het voorbereiden van de organisatie op het werken met hyperpersonalisatie en het opstellen van een plan. De Chief Digital Officer is hier de kartrekker. Is deze er niet, dan is het van groot belang dat marketeers en de IT-afdeling nauw samenwerken. Ook data scientists zullen een belangrijke bijdrage leveren aan het proces.

De eerste stap is het verzamelen van de data en de opslag daarvan. Bepaald moet worden welke data verzameld moet worden en welke informatie relevant is voor het bepalen van de customer journey. Om tot deze informatie te komen zullen meerdere databronnen gecombineerd moeten worden. Bij het verzamelen en opslaan van data moet ook rekening gehouden worden met privacywetgeving. Vervolgens moet er een definitie komen over de manier van analyseren om tot het gewenste resultaat te komen. En belangrijk: de digitale kanalen moeten de output van het nieuwe model om kunnen zetten in één op één dialogen. De huidige technologie maakt het mogelijk.

Met dank aan Srinath Sridhar, onder meer auteur van de Wipro whitepaper ‘Hyper personalization using attribute analysis and event sequencing’.

Afbeeldingen met dank aan 123RF.com