The Subscription Economy

Onderzoek toont aan: hieraan herken je potentiële abonnees

De populariteit van een abonnementsvorm op tastbare producten rijst de pan uit. Van een abonnement op je favoriete koffiebonen tot nooit meer zonder toiletpapier: het subscription-aanbod breidt steeds verder uit. Door onder andere technologische ontwikkelingen, verandering in consumentengedrag en de lage rentestand verwacht ING (2018) een jaarlijkse groei van 190 miljard euro voor de Europese Subscription Economy.

Een loyale abonnee levert, door de maandelijks terugkerende inkomsten, meer op dan een zogenoemde one-time-buyer. Dat is de aantrekkelijke belofte van het businessmodel. Hoe ziet het aankoopgedrag van een abonnee eruit? Op basis van welke factoren kunnen organisaties voorspellen of een klant een abonnee wordt? Wat kun je maximaal uitgeven aan acquisitie per abonnee op basis van de Customer Lifetime Value?

Relevante vragen waar veel marketeers het antwoord nog niet op weten. Want ondanks de populariteit is de gap in wetenschappelijke literatuur groot. Dit gebrek aan onderzoek maakt het opzetten van scherpe acquisitiecampagnes complex. Recent onderzoek van Marketing Performancebureau Created First en databureau Insight First zet de eerste stappen om die gap te dichten en draagt bij aan het verbeteren van Performance Marketing binnen de Subscription Economy.

Onderzoeksopzet

Voor dit artikel is kwantitatief onderzoek verricht in de periode februari 2021 t/m juni 2021. Het onderzoek is gebaseerd op data van drie organisaties met een abonnementsvorm op tastbare producten binnen de e-commerce branche. De abonnementsvormen zijn voornamelijk gericht op dagelijkse gebruiksproducten. Om inzicht te krijgen in het consumentengedrag van abonnees is exploratief kwantitatief onderzoek verricht en gebruikgemaakt van Machine Learning-technieken.

Duik in de recente literatuur

Wat weten we eigenlijk over het aankoopgedrag van abonnees? Helaas nog niet genoeg en dat is precies het probleem. Tenminste, als we het hebben over abonnementsvormen op tastbare consumentenproducten. Onderzoek naar dit thema is schaars en dat geldt dubbel en dwars voor onderzoeken met Machine Learning als methodiek. Desalniettemin is er een aantal interessante onderzoeken op basis van enquêtes gepubliceerd, die een mooie (wetenschappelijke) basis bieden.

Zo besteden Europese consumenten jaarlijks ongeveer 80 miljard euro aan abonnementen op tastbare goederen, waarbij de populariteit vooral zit bij jongvolwassenen tot 25 jaar (ING, 2018). Zij geven maandelijks gemiddeld 14 euro uit aan dit soort abonnementen. Uit onderzoek van het internationale consultancykantoor McKinsey (Chen et al., 2018) is diezelfde trend te zien: abonnees zijn voornamelijk jongvolwassenen binnen de hogere inkomensklassen.

Abonnees zijn voornamelijk jongvolwassenen binnen de hogere inkomensklassen

In recente wetenschappelijke literatuur worden vooral de zogenoemde curation-abonnementen belicht, bijvoorbeeld een maandelijkse beautybox met verzorgingsproducten om uit te proberen. Belangrijke aankoop-voorspellers binnen de Subscription Economy zijn leeftijd, geslacht en inkomen, zo blijkt uit meerdere recente literatuurstudies (Bray et al., 2021; Cirqueira et al., 2020; Woo & Ramkumar, 2018).

Onderzoek naar aankoopgedrag binnen e-commerce is wél veelvuldig gedaan en is gebruikt ter inspiratie en validatie voor het onderzoek. Gaan voor abonnees dezelfde variabelen op als voor one-time-buyers? Een recente literatuurstudie (Cirqueira et al., 2020) op basis van 63 wetenschappelijke onderzoeken toont aan dat er grofweg vijf dimensies zijn om aankoopgedrag te kunnen voorspellen: klant, product, tijd, kanaal en locatie. Zoals in figuur 1 te zien is, zijn het bijna allemaal variabelen die te achterhalen zijn met first-party data. Een fijne bijkomstigheid nu organisaties door veranderend privacybeleid steeds afhankelijker worden van hun eigen data. (figuur rechts / Figuur 1: Aankoop-voorspellende variabelen: vijf dimensies (Cirqueira et al., 2020) )

Aankoopgedrag voorspellen met Machine Learning

In recente literatuur hebben enquêtes de overhand. Een Machine Learning model in combinatie met exploratief onderzoek binnen de Subscription Economy is een nog redelijk onbegaan pad. Terwijl het bouwen van een classificatiemodel – dat voorspelt of een klant wel/geen abonnee wordt – juist relevante en concrete inzichten kan opleveren. In dit artikel nemen we je mee in de uitkomsten van het onderzoek.

Uit alle drie de praktijkcases kwamen dezelfde drie aankoop-voorspellende variabelen voort. Het aantal orders, het aantal dagen tussen orders (Return Window) en de Customer Lifetime Value hebben het grootste voorspellende vermogen om te bepalen of een klant een abonnee gaat worden in de toekomst. Een aanname die in de praktijk vaak wordt gebruikt is dat abonnees veel meer aankopen doen ten opzichte van sporadische kopers. Het tegendeel is waar. De lijn is in de werkelijkheid flinterdun. In alle drie de praktijkcases kwam naar voren dat een abonnee vaak twee orders plaatst voor hij/zij een abonnement afsluit, terwijl een niet-abonnee het gemiddeld bij één order houdt. Dit vertaalt zich ook door in de Customer Lifetime Value, die voor abonnees logischerwijs hoger is dan voor de niet-abonnees. Meer orders betekent automatisch vaak een hogere CLV.

Het aantal orders, het aantal dagen tussen de orders en de CLV hebben het grootste voorspellend vermogen binnen subscription

Het aantal dagen tussen de orders zegt ook veel over antwoord op de vraag of iemand een abonnement gaat afsluiten. Logisch, want als de klant überhaupt terugkomt voor een herhaalaankoop is de kans al aanzienlijk hoger dat hij/zij abonnee wordt. De meeste herhaalaankopen worden gedaan binnen een maand ofwel tussen drie-vier maanden.

Technische context

De factoren die voorspellen of een klant wel/geen abonnee wordt zijn achterhaald door het bouwen van een classificatiemodel. Pas op, want hier wordt het verhaal wat technischer. Het zogenoemde Random Forest-model voorspelde hierbij het beste met een prestatiescore (F1-score) van 0.81 op een schaal van 0 (slecht voorspellend) tot 1 (perfect voorspellend). Die 0.81 kwam voort uit een praktijkcase met een hoogfrequent gebruiksproduct. De overige twee praktijkcases voorspelden met 0.70 en 0.60 net iets minder goed en kwamen ook op een ander algoritme (Decision Tree) het best uit de test. Een aanname die getest moet worden in vervolgonderzoek is dat er gemakkelijker onderscheid gemaakt kan worden bij organisaties met een product dat op een regelmatiger basis wordt besteld (bijv. tenminste eens in de drie maanden). Hierbij is het gemak van een abonnement van meerwaarde en de verschillen tussen een abonnee en niet-abonnee duidelijker.

Hier vind je abonnees

Een opvallende uitkomst is dat er (soms) grote verschillen zijn tussen de woonplaats van abonnees versus one-time-buyers. In een van de internationale praktijkcases kwamen abonnees bijvoorbeeld vooral voor in de VS en het Verenigd Koninkrijk, terwijl one-time-buyers zich dichtbij huis in Duitsland en Frankrijk bevonden. Cultuur speelt hier waarschijnlijk een grote rol. Zo scoren de US en UK veel hoger op indulgence (cultuur-dimensies van Hofstede) dan bijvoorbeeld Frankrijk. Waardoor gemak en ‘genieten van het leven’ invloed hebben op het aankoopgedrag (Hofstede, 2011).

Bovendien blijken abonnees zich van +8% tot wel +60% vaker in een stedelijk gebied te bevinden. Een aanname is dat hier meer jongvolwassenen wonen die ontvankelijker zijn voor innovatieve producten en services, zoals de recente literatuur ons vertelt.

Abonnees komen tot wel +60 procent vaker voor in een stedelijke woonplaats

De aantrekkelijke belofte dat abonnees meer opleveren in termen van CLV ten opzichte van niet-abonnees: die is meer dan waar. Op basis van de drie onderzochte praktijkcases levert een abonnee gemiddeld 160% meer op. Stel dat een one-time-buyer een CLV heeft van 20 euro, dan heeft een abonnee gemiddeld een CLV van 52 euro. Dat betekent dat er ook meer uitgegeven kan worden aan de acquisitie van een abonnee. Uitgaande van een CaC/CLV-ratio van 1/3, kan er dus 6,70 euro aan een niet-abonnee en 17,33 euro aan een abonnee. Dat biedt ruimte!

Van inzicht naar actie

In het onderzoek zijn de resultaten gevisualiseerd in een dashboard. Het voordeel hiervan is dat de resultaten tastbaar worden. Maar ook dat er met filters gewerkt kan worden waardoor aanvullende analyses mogelijk zijn, bijvoorbeeld op een bepaalde cohort. Bovendien is het dashboard ook op de lange termijn bruikbaar. Door de visualisaties aan een database te koppelen, zoals Google BigQuery, worden de resultaten iedere dag bijgewerkt. Handig om te analyseren hoe het aankoopgedrag van abonnees verandert over tijd. Het model kan periodiek worden geüpdatet op basis van nieuwe data, zonder daar opnieuw veel tijd in te moeten investeren.

Maar nu is de vraag: hoe gebruik je deze inzichten om abonnees te acquireren? Die bijdrage was immers het doel van dit onderzoek. Een inzicht heeft pas waarde als het omgezet wordt in een actie. Het dashboard biedt de inzichten en de marketeer zet de acties op. Op basis van de resultaten is het bijvoorbeeld slim om een retargeting-campagne op te zetten om klanten te stimuleren tot een herhaalaankopen, en vervolgens de converterende groep te benaderen voor het afsluiten van een abonnement. Of bijvoorbeeld door extra budget te spenderen in de Verenigde Staten. Met behulp van de CaC/CLV-ratio weet je precies hoeveel je daaraan kan besteden. Maar let op! Zorg altijd dat je de aannames eerst A/B-test, want dit onderzoek garandeert niet dat deze trends in iedere situatie, voor ieder product en/of iedere organisatie gelden.

Multidisciplinaire invalshoek

Het vraagstuk heeft een duidelijke marketing-invalshoek, namelijk hoe je potentiële abonnees kunt herkennen en acquireren. Maar ook andere afdelingen kunnen profiteren van de uitkomsten van het onderzoek. Het acquireren van meer abonnees maakt de business voorspelbaarder, waardoor HR gemakkelijker een inschatting kan maken voor een strategische personeelsplanning. De afdeling financiën kan profiteren van het inzicht in Customer Lifetime Value om op basis van het CaC/CLV-ratio de business gezond te houden. Er kunnen hiermee strategische adviezen worden gegeven als het gaat om het optimale business-model. Want een subscription-model past natuurlijk niet bij iedere organisatie. Tot slot is het ook vanuit data-perspectief relevant om dit soort onderzoek uit te voeren omdat het inzicht geeft hoe er rondom dit thema een classificatiemodel kan worden gebouwd, welke data-issues er ontstaan en hoe je deze kunt oplossen.

What’s in it for me?

Zoals aan het begin van het artikel aangegeven: het onderzoek draagt bij aan het dichten van de gap in de literatuur als het gaat om Subscription. Voor de e-commerce branche in het geheel worden hiermee de eerste stappen gezet om evidence-based marketing in te zetten in de Subscription Economy. Zonder wetenschappelijk onderbouwde inzichten is het lastig voor marketingstrategen een sterke strategie neer te zetten om abonnees te acquireren of überhaupt een inschatting te maken of een subscription-model een goede zet is voor de organisatie. Maar ook breder dan marketing, zoals toegelicht onder de multidisciplinaire invalshoek. De voorspelbaarheid van abonnees maakt de werkzaamheden voor iedere medewerker gemakkelijker en de marketinginzet scherper.

Het onderzoek zet de eerste stappen om evidence-based marketing in te zetten in de Subscription Economy

Het voordeel van dit onderzoek zit in de praktijkgerichte component. Het dashboard geeft gemakkelijk en snel inzicht in het meest recente consumentengedrag. Het geeft direct aanknopingspunten voor scherpe acquisitiecampagnes. Het feit dat het continu geüpdatet kan worden maakt deze oplossing naast strategisch ook duurzaam. In de loop van de tijd kunnen er ook nieuwe visualisaties worden toegevoegd om het inzicht in aankoopgedrag van abonnees te verrijken.

Toegevoegde waarde data-driven vakgebied

Er zijn een paar concrete inzichten die het onderzoek hebben opgeleverd en een bijdrage leveren aan het data-driven vakgebied. Allereerst dat de verschillen tussen abonnees en niet-abonnees in ordergedrag minimaal is, gemiddeld zit er slechts één order tussen. Daarnaast dat het aantal orders, het aantal dagen tussen de orders en de CLV goede indicatoren zijn om te voorspellen of een klant abonnee wordt. En als laatst, dat de woonplaats een belangrijke factor is die abonnees apart zet van niet-abonnees.

Deze inzichten dichten niet alleen het gat in de wetenschappelijke literatuur, maar helpen ook marketeers bij het optimaal inzetten van hun marketingbudget en laat zien hoe Machine Learning in de context van Subscription effectief en relevant kan worden ingezet. Bovendien helpt het marketingbureaus als Created First ook om hun klanten strategisch advies te geven over de inzet van hun businessmodel. Het onderzoek voegt zowel in wetenschappelijk als praktijkgericht opzicht iets toe.

Zelf aan de slag?

Nieuwsgierig geworden naar wat dit exploratieve onderzoek voor jouw organisatie kan doen? Goed nieuws, want iedere e-commerce partij met een abonnementsvorm (en losse verkoop), kan ermee aan de slag! Het enige wat je nodig hebt is first party-data, open-data en een Analytics Translator om het onderzoek uit te voeren. Het mooie aan het onderzoek is de brede toepasbaarheid. De genomen stappen kunnen op andere organisaties worden toegepast om te achterhalen welke dynamieken in die specifieke markt gelden. Hiermee zet je waardevolle stappen richting een data-driven business en zet je subscription-campagnes scherper in dan ooit.

Referenties

Bray, J., De Silva Kanakaratne, M., Dragouni, M., & Douglas, J. (2021). Thinking inside the box: An empirical exploration of subscription retailing. Journal of Retailing and Consumer Services, 58, 102333.

Chen, T., Fenyo, K., Yang, S., & Zhang, J. (2018, February 9). Trends and opportunities in the subscription e-commerce market | McKinsey.

Cirqueira, D., Hofer, M., Nedbal, D., Helfert, M., & Bezbradica, M. (2020). Customer Purchase Behavior Prediction in E-commerce: A Conceptual Framework and Research Agenda *.

Hofstede, G. (2011). Unit 2 Theoretical and Methodological Issues Subunit 1 Conceptual Issues in Psychology and Culture Article 8.

ING. (2018). Opportunities and challenges for tangible goods subscriptions.

Woo, H., & Ramkumar, B. (2018). Who seeks a surprise box? Predictors of consumers’ use of fashion and beauty subscription-based online services (SOS). Journal of Retailing and Consumer Services, 41, 121–130.