Predictive e-mailmarketing: zo zet je 7 stappen naar maximale relevantie

E-mail is een bijzonder krachtig middel, maar het kan nóg veel krachtiger worden als je het op de juiste manier inzet. Hierbij zullen voorspellende algoritmes in de toekomst meer regel dan uitzondering gaan worden. In mijn ogen zou dat moment nú al kunnen en moeten zijn. Daarom neem ik je graag in een paar stappen mee op naar predictive e-mailmarketing voor maximale relevantie voor jouw eindgebruiker.

De e-mailmarketeer beseft nog onvoldoende welke mogelijkheden hierin zijn en welke stappen genomen moeten worden. Daardoor wordt het vaak bestempeld als een ver-van-mijn-bedshow. Alleen is ‘the way of thinking’ over e-mailmarketing van een paar jaar geleden anno 2017 al ruimschoots achterhaald.

Wat is relevantie in e-mailmarketing?

In deze blog zal ‘relevantie’ als rode draad terugkomen. Daarom is het handig om mijn definitie van ‘relevantie in e-mailmarketing’ te geven.

Relevante e-mailmarketing is het verzenden van e-mails met de juiste tone of voice, met de juiste content én op het juiste moment, waarbij dit wordt toegespitst op iedere unieke ontvanger.

Stap 1. Breng al je data in kaart en creëer een 360-graden-klantprofiel

Een 360-graden-profiel klinkt misschien voor veel mensen al als rocket science. Het is eenvoudiger dan je denkt. Wil je hier een uitgebreide beschrijving van lezen? Lees dan mijn vorige artikel, waarin ik al ben ingegaan op het creëren van een 360-gradenklantprofiel. Een 360-gradenklantprofiel gaat namelijk verder dan alleen de ‘basisgegevens’ van een klant, zoals leeftijd, geslacht en aankopen. Het brengt ook alle gedragsdata in kaart, bekijkt waar de klant gevoelig voor is, wat voor type klant hij of zij is en hoe dit gedrag zich verhoudt tot andere klanten. Juist met dit laatste element kun je voorspellingen doen, waarmee al snel een bruggetje geslagen kan worden naar predictive e-mailmarketing.

E-mail wordt vaak als los medium gebruikt. Daarbij worden acties of gedrag van klanten die zich buiten e-mail afspelen, vaak niet meegenomen bij bepaling van een selectie of segmentatie óf bij het bepalen van de inhoud van een e-mail. Maar de data is wel vaak ergens beschikbaar! Neem bijvoorbeeld een retailer waar je allerlei soorten kleding kunt kopen (zowel online als offline). Welke data kan een dergelijke winkel beschikbaar hebben van haar klanten? Ik noem hieronder alvast een paar voorbeelden:

• Demografische gegevens
• Klantkaart-data
• Aangekochte artikelen
• Aankooptijdstippen of -momenten
• Koopt de klant kortingsproducten of niet?
• Welke winkels heeft de klant bezocht?
• Google Analytics-data
• Socialmedia-data
• Klikgedrag uit e-mails
• Google Adwords-data of -klikgedrag

Maar wat kun je met al deze data? Combineren!

Stel: je hebt al deze data tot je beschikking als e-mailmarketeer. Dan zou je in kaart kunnen brengen in welk type kleding een persoon geïnteresseerd is, waar én hoe hij of zij zoekt (zowel online als offline), waar hij gevoelig voor is en op welke momenten hij actief is.

Vanzelfsprekend zou je al deze data los kunnen inladen in je e-mailmarketingtool. Maar als je een goed klantprofiel opbouwt buiten je e-mailmarketing-tooling (die wel goed moet synchroniseren), kun je dit natuurlijk ook gebruiken voor andere marketingkanalen! Schematisch zou je dus kunnen zeggen dat je alle losse databronnen op een juiste manier aan elkaar moet koppelen, waardoor alle data op één centrale plek terecht komt.

Maar hoe?

Vanzelfsprekend kun je bovenstaande als e-mailmarketeer niet volledig zelf uitvoeren. Hier heb je hulp voor nodig van je IT-afdeling. Maar het wordt al steeds eenvoudiger om alles te koppelen. Er zijn veel toolings op de markt (DMP’s ) die al veel bestaande connecties hebben met allerlei systemen en met een ‘open API’, waardoor koppelen niet meer iets is om tegenop te kijken.

Binnen een goed DMP kun je een 360-gradenklantprofiel creëren, waarbij je ook gebruik kunt maken van een ‘algoritme-laag’. Deze laag vergelijkt klanten met elkaar en zoekt continu naar look-a-likes. Op deze manier kun je uiteindelijk voorspellingen doen over hoe het gedrag van een profiel zal zijn en waar iemand gevoelig voor is. Dit gebeurt op basis van artificial intelligence en zal zichzelf continu bijstellen door machine learning.

Hieronder zie je een voorbeeld hoe zo’n 360-gradenklantprofiel eruit kan zien. Het algoritme bepaalt waar deze klant gevoelig voor is, op welk moment in de customer journey zij zich bevindt en op welk moment ze actief is.

Stap 2. Data gebruiken in segmentaties binnen je e-mailmarketing tooling

Je DMP (waarin je je 360-gradenklantprofiel creërt) kun je vaak op een eenvoudige manier koppelen met je e-mailmarketing-tooling. Door de ‘predictive velden’ weg te schieten als ‘databasevelden’ in je tooling, kun je hier hele leuke dingen mee gaan doen. Hierbij moet je er natuurlijk wel voor zorgen dat deze data regelmatig (of realtime) synchroniseert.

Stap 3. Segmenteren op basis van customer journey

De buyingphase (aankoopfase) geeft direct weer in welke fase van het aankoopproces iemand zich bevindt. Als je weet dat iemand zich nog aan het oriënteren is, zal het niet relevant zijn hem of haar direct een sales-aanbieding te sturen. In dat geval kun je beter een e-mail met een informatief karakter versturen. Als je wel weet dat iemand heel veel interesse heeft (engagement) én in de beslissingfase zit, kun je hier op inspelen door wel een aanbieding te sturen in de e-mail.

Hier zou je dan bijvoorbeeld je verzendlijst op kunnen aanpassen, of je kunt gebruikmaken van dynamische inhoudsblokken en variaties in de e-mail. Bijvoorbeeld: iedereen in de oriëntatiefase krijgt een eerste blok in de e-mail met “Wist u dat we nieuwe zomerjurkjes hebben; welke u helpen te shinen deze zomer?”. Iemand die juist in de beslissingsfase zit, kan dan in het eerste blok van de e-mail krijgen: “Bestel nú met korting: De nieuwste zomerjurkjes!”

Vanzelfsprekend kun je met bovenstaande segmentatiemogelijkheden ook geautomatiseerde opvolgacties of flows instellen, waardoor je customer journey-based flows krijgt. Een bekende variant die veel e-mail marketeers hierbij gebruiken is de ‘welkomst-flow’. Je kunt natuurlijk ook speciale flows inrichten om iemand van de orientatiefase naar de beslissingsfase te begeleiden, zodat je iedere klant op haar eigen manier kunt begeleiden in het aankoopproces.

Bovenstaande is natuurlijk voor iedere branche of sector anders. Een creatieve e-mailmarketeer weet hier ongetwijfeld een succesvolle invulling aan te geven.

Stap 4. Segmentaties op basis van waar iemand gevoelig voor is

De beïnvloedingstechnieken van Cialdini zijn bekend gemeengoed in de wereld van sales en marketing. Bedrijven als Bol.com en Booking.com maken hier al uitgebreid gebruik van. Binnen het 360-gradenklantprofiel kunnen deze ‘persuasion-types’ ook worden berekend.

Als iemand bijvoorbeeld gevoelig is voor schaarste, zou je deze mensen bij een e-mail een andere onderwerpregel kunnen laten zien, zoals: “De sportkleding is bijna uitverkocht! Wees er snel bij..”

Maar als iemand juist gevoelig is voor autoriteit kun je hiervoor een bekend persoon gebruiken, bijvoorbeeld: “Rafael Nadal scoort in onze sportkleding, jij ook..?”

Dit kan vanzelfsprekend op alle elementen in een e-mail of flow worden toegepast, zoals een headertekst of bij het gebruik van afbeeldingen. De werkwijze is precies hetzelfde als bij stap 3. De data heb je beschikbaar, vervolgens is het een kwestie van segmentaties maken of dyanmische contentblokken toepassen. Op deze manier kun je in grote lijnen de meest relevante tone of voice bereiken!

Stap 5. Segmenteren op basis van verzendmoment

Als je weet wanneer iemand online actief is (én dat weet je als je een goed 360-gradenklantprofiel hebt), dan zou het zonde zijn om deze data niet te gebruiken. Het versturen van een e-mail op het juiste tijdstip kan grote positieve invloed hebben op de te behalen conversie. Hierbij kan zowel op de verzenddag als op het verzendtijdstip worden gesegmenteerd.

Om dit toe te lichten kan hierbij het best de ‘zakenman’ (m/v) worden afgezet tegen de ‘huisvrouw’ (m/v). Een drukke zakenman zal overdag zijn privé-mail niet lezen, dus heeft het weinig zin om hem om 11 uur ’s ochtends een e-mail te sturen over het nieuwste kledingaanbod. Terwijl een huisvrouw juist ’s ochtends om 11 uur haar mail checkt onder het genot van een kopje koffie. Als je deze data al hebt, is het in de moderne e-mailmarketing-toolings een koud kunstje om hier je verzendtijdstip op aan te passen. Op deze manier kun je in grote lijnen Het juiste verzendmoment bereiken.

Stap 6. Gebruikmaken van unieke e-mailinhoud voor iedere klant

In bovenstaande stappen heb ik al toegelicht hoe de onderdelen timing en tone of voice naar een zo relevant mogelijk resultaat kunnen leiden. Maar content is king gaat hierbij ook op. Voor veel e-mailmarketeers is dit namelijk de grootste uitdaging. Het is namelijk ontzettend leuk dat je alle mogelijke data beschikbaar hebt, maar de content moet dan ook allemaal gemaakt worden en in de e-mails worden gezet. Dit kost veel tijd en het is ook nog eens foutgevoelig. Is hier niet een andere oplossing voor te bedenken?

Ja, deze oplossing is er! Als je namelijk een goed DMP en 360-gradenklantprofiel hebt (zoals in eerdere stappen omschreven), kun je op basis hiervan ook een laag creëren waarbij je klantprofielen én je productendatabase met elkaar connecten. Een aantal DMP’s hebben deze mogelijkheid standaard in zich, anders zou je met maatwerk een technische tussenlaag kunnen creëren.

In het geval van de kledingwinkel zullen alle kledingproducten namelijk ergens zijn opgeslagen in een productendatabase. Als deze database via een connectie of XML-feed kan connecten met het DMP, dán is het ook mogelijk ook hier weer algoritmes over te laten lopen. Hiermee kun je dan voor iedere unieke klant bepalen wélk product het interessants is.

Vervolgens moet je ervoor zorgen dat deze data ook instroomt in je e-mailtemplate, bijvoorbeeld door middel van een stuk smartycode. Daarbij kan een productimage en doorlink opgeroepen worden met een dynamische URL-structuur. Door een extra parameter (bijvoorbeeld {Email} of {KlantID}) kan er binnen de DMP gezocht worden welk product er in de e-mail ingeschoten moet worden.

Praktijkvoorbeeld

Laten we verder gaan met het voorbeeld van de kledingwinkel. Neem twee personen uit het klantenbestand van deze kledingwinkel: Ronald en Linda. Dit zijn twee compleet verschillende consumenten, met verschillende interesses. De kledingwinkel stuurt wel (geautomatiseerd) wekelijks een e-mail met hierin een top 3 van producten voor iedere consument. Technisch gezien is dit dezelfde e-mail, maar in de mailbox van Ronald en Linda zijn het totaal verschillende e-mails.

Zie hieronder proces én de e-mail zoals Ronald deze ontvangt.

Linda ontvangt echter een hele andere e-mail, op maat voor haar.

Nog even samengevat: wat gebeurt er in de bovenstaande voorbeelden?

1. Alle producten van de kledingwinkel staan in een grote productendatabase. Deze wordt real-time gekoppeld (door een XML-feed) met het DMP van de kledingwinkel.
2. Het 360-gradenklantprofiel wordt ook gecreëerd door deze DMP.
3. Artificial intelligence en machine learning combineren deze elementen voor iedere unieke consument een top 3 aan producten (inclusief bijbehorende afbeeldings-url, et cetera).
4. Op het moment dat de e-mail wordt verzonden, zoekt het e-mailtemplate connectie met de DMP en schiet op basis van bijvoorbeeld een KlantID de juiste productafbeelding en informatie in.
5. Hierdoor ontvangen Linda en Ronald in de mailbox een volledig gepersonaliseerde e-mail, met producten er in waar ze ook écht interesse in hebben.

Stap 7. Combineren van elementen, analyseren en resultaat

Als je bovenstaande stappen (timing, tone of voice, inhoud) allemaal op de juiste manier implementeert, automatiseert en verder optimaliseert, kun je als organisatie grote resultaten boeken. Begin hierbij wel gewoon met kleine stapjes. Het bouwen van ‘aanbevelingen-platform’ klinkt als een grote stap, maar er zijn al genoeg toolings op de markt die dit kunnen realiseren. Bepaal eerst wat je doelen zijn en wat je wil bereiken, kijk daarna welke middelen je hiervoor kunt inzetten. Je hoeft hiervoor echt niet opnieuw het wiel uit te vinden.

Maar vergeet ook hier niet te testen. Ook met predictive data kun je als e-mailmarketeer je creativiteit nog kwijt. Door goed door te testen en met controlegroepen te werken, kun je namelijk ook zien dat de investering die je hierin doet daadwerkelijk een effectief zal zijn.

De beschreven methodes stuiten vaak op kritiek en onduidelijkheden. Ondanks dat iedereen dit in theorie een geweldige oplossing vindt, komen bij veel e-mailmarketeers (of hun managers) direct kritische vragen op.

“Maar dit is toch voor ons onhaalbaar en veel te duur”?

Vanzelfsprekend moet je investeren, moet je de juiste toolings in huis hebben en moet je ervoor zorgen dat je data goed op orde is. Dit zijn wel randvoorwaarden, maar binnen de toolings heb je natuurlijk ook ‘Ferrari’s’ en ‘Opels’ . Beide auto’s kunnen je van A tot Z brengen, alleen het hangt er vanaf welke toeters en bellen je wil hebben. Er zijn toolings op de markt die duizenden euro’s per maand kosten, maar met een paar honderd euro heb je ook al zeer goede toolings beschikbaar.

Natuurlijk kost het geld. Maar de vraag die je je hierbij als (e-mail)marketeer moet stellen: gaat het helpen onze doelen beter te bereiken en hoe hoog is de ROI? Direct kritisch zijn op kosten is altijd een ‘makkelijke’ reden om iets niet te doen – verder doordenken over wat het je onder aan de streep gaat opleveren is zeker de moeite waard.

“Maar waar moeten we in hemelsnaam beginnen?”

Mijn advies: begin vooral klein! Voordat je direct grote investeringen gaat doen in de meest geavanceerde DMP’s en ESP’s, is het belangrijk dat je eerst goed inventariseert welke (klant)data je allemaal al beschikbaar hebt, of welke je eenvoudig zou kunnen verzamelen.

Vervolgens kun je er je doelstellingen en creatieve ideeën aan koppelen, net zoals je (start)budgetten. Hierna kun je eens gaan bekijken hoever je kunt komen met bestaande toolings en welke onderdelen je nog mist. Aan de hand hiervan kies je een juiste (aanvullende) tooling en kun je gestructureerd gaan implementeren en testen.

Hou bij de keuze van een tooling altijd in gedachten dat een tool altijd ondergeschikt moet zijn aan je eigen doelen. Bedenk eerst wát je wil bereiken en hoe je ideaalplaatje eruitziet, en ga vervolgens kijken hoe je dit kunt inrichten. Met de juiste gestructureerde data, gecombineerd met goede algoritmes kun je stellen dat ‘the sky the limit is’… óók binnen e-mailmarketing.

Voorspellende e-mailmarketing is nu aanraakbaar: ook voor jou!

Veel succes!