Nieuwe variabelen en databronnen zijn cruciaal om transacties te verhogen

Elke marketeer of analist zoekt naar mogelijkheden om het aantal transacties per klant te verhogen. Loyaliteitsprogramma’s zijn hiervoor jarenlang de heilige graal geweest binnen marketing en CRM met als resultaat een geïdentificeerde omzet en klantinzichten. Na een voortvarende start is het punt van verzadiging echter bijna bereikt en blijkt die ene extra aankoop eerder geluk dan wijsheid. De consument is niet rationeel en historisch koopgedrag blijkt onvoldoende in staat om de klant in elke situatie te kunnen verrassen met een passend aanbod. Het is daarom belangrijk dat we gaan zoeken naar nieuwe contextuele klantinzichten.

De invloed van context op klantgedrag

Deze nieuwe klantinzichten kunnen we vinden door structurele campagnes te evalueren om vervolgens veranderlijk gedrag van consumenten aan het licht brengen. Dit kunnen bijvoorbeeld DM, email, social of telefonische campagnes zijn. Tijdens het vergelijken van de resultaten tussen weken, maanden of jaren mag je in theorie geen significante verschillen vinden. Dit gebeurt vaak wel, ondanks dat de modellen en campagnes zelf niet zijn veranderd. Omdat de huidig beschikbare data te kort schiet, dienen we ook een oplossing te zoeken in nieuwe variabelen en databronnen.

Start daarom je zoektocht met het raadplegen van de klantenservicemedewerkers, winkelmedewerkers, feedbacktools of marketingcommunicatie op zoek naar contextuele klantinzichten. Een voorbeeld is de invloed van de prijsstelling voor een product voor twee organisaties. Een wijziging door organisatie A heeft direct invloed op de verkoopcijfers van organisatie B. Andere contexten welke van invloed zijn op klantgedrag zijn de dag van de week, het uur van de dag, het weer, het gebruikte device, campagnes van concurrenten of regionale verschuivingen van vakanties.

Van contextuele data naar een next best offer

Deze nieuwe contextuele bronnen kunnen vervolgens worden aangesloten op het huidige dataplatform. Denk hierbij aan (near)realtime transactiedata, weerhistorie, weervoorspelling, contacthistorie, campagnekalenders, media-uitzendschema’s en prijsvergelijkers. Creëer en combineer nieuwe variabelen en maak deze beschikbaar voor analyse. Een best practice is het afleiden van nieuwe variabelen door middel van zogenaamde ‘bins’. Splits variabelen daarmee op in tijdselementen of creëer stijgers en dalers ten opzichte van hun gemiddelde.

Hoewel marketeers het altijd fijn vinden om verklaringen te hebben, is causaliteit in deze tijd van big data een overschat iets. Om in te kunnen spelen op snel veranderende omstandigheden dienen we in de data vooral op zoek te gaan naar relaties welke marketeers nu nog over het hoofd zien. Technieken als deep learning of artificial intelligence zijn hier uitermate geschikt voor. Maar start in eerste instantie met een minder complexe techniek als correlatieanalyses. Zoek hierbij naar de samenhang tussen omzetpieken en de variabelen. Daarmee ben je in staat om op tijd in te spelen op een zonnig weekend na een week regen. Er zijn immers al klanten die op woensdag een zwembad kopen en daarmee een stijging op de verkoopranking veroorzaken. Dat stelt jou op donderdag al in staat om in te zetten op zwembaden en aanverwante producten als shorts, zonnebrillen en barbecues via verschillende kanalen.

De Single Context View

Het omzetten van deze contextuele inzichten naar acties is een stap waar veel organisaties vastlopen. Maar juist door deze inzichten te ‘deployen in je data platform’ en tijdens elk klantcontact beschikbaar te hebben, maakt dat je relevant voor de klant bent.

Aggregeer de nieuwe verklarende variabelen naar een single context view. Net als de traditionele single customer view maak je hiermee een view beschikbaar die data kan aanleveren voor campagnes, banners en websites. Omdat we over een context praten, gebruiken we een context-ID in plaats van het klant-ID om te aggregeren. Voorbeelden van uitgeschreven context-ID’s zijn:

• 10 graden temperatuurstijging over 3 dagen;
• Zon na 4 dagen neerslag;
• Artikel A is vandaag 3 euro goedkoper dan concurrent;
• 50 procent stijging op ‘gisteren bekeken artikelen’ ranking;
• 50 procent stijging op ‘vandaag verkochte artikelen’ ranking;
• Al 5 dagen geen radioreclame.

Op basis van deze uitgeschreven context-ID’s bepalen de product recommenders de beste aankopen per uniek context-ID. Een zwembad bij ‘10 graden temperatuurstijging over 3 dagen’ gedurende de zomermaanden is daarmee goed te begrijpen voor marketeers. Maar verwacht hier ook onverwachte productaanbevelingen en vertrouw op de associatie algoritmes.

Automatiseer relevantie tijdens elk klantcontact

Uiteindelijk voegen we productaanbevelingen uit het single context view toe aan de resultaten van de traditionele recommenders. Daarmee worden recommenders gespecialiseerd op loyalty aangevuld met aanbevelingen geoptimaliseerd per unieke context. Vervolgens koppelen we de gecombineerde productaanbevelingen door middel van triggers of business rules met je website, nieuwsbrief, servicecenter of zoekmachine.

Dankzij het marketingautomationsysteem ben je als organisatie 24/7 en in steeds meer wisselende situaties in staat om relevant te zijn voor je klant en realiseren we bovenop ons loyaliteitsprogramma die gewilde extra aankoop.