Is machine learning de redding voor de cookieloze marketeer?

Na jaren van fijn data verzamelen naderen we nu een wereld zonder third-party cookies. Hoe nu verder? Machine learning kan uitkomst bieden. Het kan marketeers helpen klanten goede ervaringen te bieden, met als gevolg: betere marketingprestaties en hogere conversies.

In de afgelopen twintig jaar hebben marketeers meer en meer belangrijke data verzameld – online en offline. Helaas krijgt de waarde hiervan dankzij GDPR (AVG) binnenkort een flinke klap, waarmee de marketeer voor een flinke uitdaging komt te staan. Want 81 procent van de consumenten wil dat merken weten wanneer ze hen wel en niet moeten benaderen. 63 procent zegt zelfs dat ze standaard personalisatie verwachten. Hoe kun je ervoor zorgen dat je toch toegang tot data houdt en die effectief kunt inzetten voor verkoop- en marketingdoeleinden?

Eerst even een stapje terug. Vanaf het moment dat het internet de mainstream bereikte, zijn marketeers grote hoeveelheden data gaan verzamelen. Denk aan logbestanden van websites, het aantal clicks voor e-mailnieuwsbrieven, de inhoud van online winkelwagentjes, of de website (met later onderscheid tussen de mobiele of desktopversie ervan) bezocht werd vanaf een pc of mobiel toestel, en ga zo maar door. Deze gegevens werden ingezet om de conversie van producten en of diensten te boosten. Via loyaliteitsprogramma’s registreerden marketeers ook contextuele data en klantgedrag zoals demografie en interesses. Dan hebben we ook seizoensdata, en zo kan ik nog wel even doorgaan.

Het einde van third-party cookies

En toen was daar opeens AVG (GDPR). Waren marketeers de afgelopen jaren waarschijnlijk enorm dankbaar voor de fantastische data die Google, Facebook en SEO hun opleverden, nu naderen we een wereld zonder third-party cookies. Chrome en op Chromium gebaseerde browsers stoppen de ondersteuning van cookies vanaf 2022. Safari maakt al enige tijd gebruik van een anti-trackingmechanisme en neemt, tot ongenoegen van veel social-mediaplatformen, een stevige positie in als voorvechter van privacy. Google heeft zijn algoritme voor de zoveelste keer aangepast om de ranking naar autoriteit te versterken en te voorkomen dat robots het systeem saboteren met irrelevante content.

Maar terwijl er vakkundig een eind wordt gemaakt aan de belangrijkste manier waarop de marketeer gepersonaliseerde content en relevante advertenties aanbood, wil – volledig tegenstrijdig – de consument juist meer personalisatie. Natuurlijk, als je je vrienden in de kroeg vraagt wat zij van internetadvertenties vinden, zullen ze stuk voor stuk zeggen dat ze die haten en dat cookies het werk van de duivel zijn. Maar diezelfde vrienden zijn helemaal oké met het gebruiksgemak ervan op het moment dat ze bijvoorbeeld nieuwe bergschoenen nodig hebben en bij een zoekopdracht binnen tien minuten de allerbeste bergschoenen voorgeschoteld krijgen omdat het systeem precies weet wat hun voorkeuren zijn.

AI: marketings nieuwe BFF

Als je het mij vraagt, ligt het antwoord op dit dilemma bij twee disciplines waarop de sector altijd al prima heeft kunnen vertrouwen, namelijk wiskunde en statistiek. Algemene lineaire modellen worden al sinds 1972 voor marketingdoeleinden gebruikt, en met name voor het modelleren van de marketingmix. Deze modellen maken het mogelijk een marketingaanpak in de vorm van een opstelsom te hanteren (verkoop = baseline + uitgaven televisiereclame + uitgaven radioreclame + uitgaven overige advertentiekanalen). Dit in combinatie met duidelijke modelspecificaties biedt analisten de kans om meetbaar te maken wat de verschillende marketingkanalen aan de omzet bijdragen.

Wiskunde wordt momenteel van steeds groter praktisch nut voor marketeers door de komst van geavanceerde softwaretechnieken in de vorm van machine learning (ML). Deze maken het mogelijk om de bergen aan data en cijfers optimaal te benutten. Naar mijn mening kan (en gaat) machine learning marketeers helpen om klanten verbeterde ervaringen te bieden, die de marketingprestaties en conversies sterk ten goede komen. Daarmee kunnen zij tot op zekere hoogte het verlies aan internetdata compenseren.

Machine learning creëert een model van de wereld

De meest simpele reden hiervoor is dat machine learning een model van de wereld creëert. Niet de complete wereld zoals in ‘The Matrix’ of tv-serie ‘Devs’. ML modelleert een afspiegeling van de wereld en doet dat extreem goed en met veel meer detail dan jij of ik of Albert Einstein dat zouden kunnen.

De kansen die deze focus van machine learning op compacte modellen van de wereld (lees: het klantengedrag) biedt, variëren van hypergedetailleerde segmentatie van typen klanten (en daarmee de mogelijkheid om daadwerkelijk dynamische prijzen te hanteren), uiterst nauwkeurige targeting van advertenties, personalisatie van marketingboodschappen en metingen van de marketingprestaties.

ML wordt al door de sector gebruikt voor het voorspellen van de klantenbehoeften en toekomstige ontwikkelingen, om meer inzicht te verwerven in de customer journey door middel van attribution modeling en voor een slimmere toewijzing van budgetten met het oog op een betere ROI. Machine learning maakt het mogelijk om campagnes op dynamische wijze aan te passen aan de vervolgacties van klanten en te experimenteren met gepersonaliseerde ervaringen (‘Next Best Actions’, dat soort werk).

Bevorderen van democratische AI

Momenteel gebeurt helaas veel van dit vooruitstrevende werk alleen in grotere ondernemingen die een flink team van datawetenschappers in huis hebben. Er zit nog een behoorlijk gat tussen data- en ML-specialisten aan de ene kant en marketeers aan de frontlinie aan de andere kant. Ook als die marketeers het nodige weten van data-analyse, SEO of zelfs Python.

Met de inzet ‘Explainable AI’ proberen sommige bedrijven die kloof te dichten. Dit zijn AI-systemen die zijn ontwikkeld met het oog op gebruiksgemak. Er is dus geen sprake meer van zwarte dozen of een gebrek aan uitleg. Explainable AI biedt marketingteams toegang tot uitstekende tools waarmee ze bergen aan data kunnen doorgronden en gemakkelijk uiterst complexe statistische modellen kunnen toepassen. De grote Amerikaanse farmaceut Allergan heeft daar goede ervaring mee.

Maker van Botox

Allergan is de maker van Botox. Het bedrijf stapte de afgelopen twee jaar af van de bestaande modellen voor het inschatten van de resultaten van promotionele campagnes. In plaats van die modellen werd de marketingmix voor tientallen producten in verschillende marketingkanalen verbeterd door het toepassen van ML-modellen die helder waren uit te leggen en te begrijpen. Dit resulteerde in accurate attribution-modellen voor de marketingmix. Allergan hanteert daarvoor de ML-techniek gradient boosting. Die maakt gebruik van een reeks van voorspellende modellen die nauwkeuriger resultaten buiten de steekproef om bieden dan de algemene lineaire modellen die ik eerder noemde. Het marketingteam van Allergan kan op die manier sneller en eenvoudiger profiteren van betere resultaten, hogere conversiepercentages en een geoptimaliseerde marketingbudgetmix.

Elk marketingteam kan dergelijke resultaten boeken. AI-technologie wordt met de dag volwassener en explainable AI is een realiteit. Door nu met ML aan de slag te gaan, kunnen marketeers zichzelf maanden aan tijd besparen naar het zoeken van manieren om het zonder cookies en trackers te stellen.

Tijd om de sprong te wagen. Je hebt immers niets te verliezen!