Waarde data in e-mailmarketing: klantgedrag en segmentatie

Serie van drie blogartikelen over data en e-mailmarketing. Deel twee: klantgedrag en segmentatie voor e-commerce

Over het algemeen beschikken webshops over aanvullende databronnen, zoals gedragsdata en aankoopgedrag. Maar hoe gebruik je deze data om je e-mailmarketing verder te optimaliseren en hoe bouw je met deze data relevante segmenten? En hoe realiseer één-op-één communicatie met je klanten en leads? Al deze vragen beantwoorden we in dit blogartikel!

In een serie van drie blogartikelen over data en e-mailmarketing nemen Saartje de Wit (CRM- en e-mailmarketingspecialist) en Jasmijn Hemersma je mee in hun visie op data in e-mailmarketing, het gebruik van data in e-mailmarketing en welke stappen je hier in kunt nemen op korte en lange termijn. In het vorige blogartikel, in de reeks over de waarde van data in e-mailmarketing, stonden we uitgebreid stil bij personalisatie en de toepassing van data in een e-mail zelf. In deze blog gaan we een stap verder en tonen we je de toepassingen van data in e-mailmarketing op basis van klantgedrag en het toepassen van segmentatie. Veel voorbeelden zijn interessant voor e-commerce organisaties.

Gedragsdata

Zowel voor e-commerce organisaties als niet e-commerce organisaties geeft het gedrag van je nieuwsbrief-inschrijver, lead of klant veel informatie over zijn/haar interesses. Dit is een zeer interessante databron om eens dieper in te duiken. Vaak wordt onterecht gedacht dat je hier direct een Data Management Platform (DMP) voor nodig hebt. Maar ook zonder een dergelijk platform kun je hier al mee aan de slag. De eerste stappen kun je namelijk zetten door te kijken naar bijvoorbeeld het gedrag wat iemand vertoont in een verstuurde e-mail. Hieronder lees je drie mogelijkheden om gedragsdata te gebruiken:

Stap 1: Gedrag in e-mail

Hoe iemand zich beweegt door de door jou verstuurde e-mails zegt iets over iemands interesse. Welke e-mails opent iemand en op welk type content en/of producten klikt hij/zij door? Wanneer je dit gaat monitoren en deze data op de juiste manier opslaat, kun je dit perfect gebruiken om segmenten te gaan ontwikkelen. Deze segmenten zijn de basis voor een eerste stap in meer gerichte e-mails en campagnes.

Een voorbeeld: klikt iemand binnen drie maanden meer dan vijf keer op een specifieke productcategorie (bijvoorbeeld damesschoenen)? Voeg die persoon dan toe aan het segment ‘damesschoenen’. Dit segment gebruik je vervolgens om relevante e-mails te versturen naar het segment ‘damesschoenen’. Zie je na een tijd de kliks teruglopen? Haal deze klant dan weer uit dit segment en stuur algemenere berichten. Totdat je weer ziet dat deze klant interesse toont (klikgedrag) in een specifiek segment. Dit is de ideale stap om je klanten te leren kennen en om relevant te zijn voor je doelgroep.

Stap 2: Winkelwagen-data (e-com)

Winkelwagens worden gevuld in webshops, en kunnen worden verlaten zonder aankoop te doen. Dit kan verschillende redenen hebben: de bezoeker is bezig prijzen te vergelijken, het moment komt niet goed uit of ze lopen tegen technische issues aan. Het zou een gemiste kans zijn om niets met deze groep te doen: een doelgroep met een grotere aankoopintentie ga je niet vinden.

Een doelgroep met een grotere aankoopintentie ga je niet vinden

Retargeting van een verlaten winkelwagen kan via veel verschillende kanalen, maar e-mail mag hier zeker niet in ontbreken. Check natuurlijk wel altijd voor het versturen van een herinneringsmail over zijn/haar volle winkelwagen of de bestelling in de tussentijd niet is voltooid. Anders sla je de plank mis en kan het zorgen voor irritatie bij de ontvanger. Ook heb je voor dit type e-mail een opt-in nodig, als er nog geen klantrelatie bestaat.

Ook het voorbeeld hieronder laat zien dat het gedrag van de klant (in dit geval het bekijken van een bepaald artikel op de website) weer terugkomt in de e-mail. Hierdoor kan je de koppeling maken tussen gedrag op de website en e-mailmarketing.

Stap 3: Websitegedrag

Heb je uit bovenstaande databronnen succesvolle campagnes gebouwd? Dan is het tijd voor de volgende stap en het websitegedrag inzichtelijk te maken. Sommige e-mail service providers (ESP) hebben een ingebouwde functionaliteit waarbij een trackingpixel op je website wordt geplaatst en je hiermee inzicht krijgt in pageviews. Een data management platform (DMP) biedt je nog meer informatie. Niet alleen pageviews worden vervolgens getrackt en gekoppeld aan een individu, maar vaak kan een DMP ook voorspellen hoe dicht iemand bij een aankoop zit of voor welke overredingstechniek een individu gevoelig is. Dit is een schat aan informatie die je kunt gebruiken om segmenten te ontwikkelen en specifieke campagnes op te targetten. Op deze manier combineer je data vanuit meerdere kanalen en bronnen.

Mocht je overredingstechnieken inzetten, zorg dan dat je écht opvalt in de inbox en je niet verdwijnt tussen de rest, zoals onderstaand voorbeeld.

Orderhistorie

Het gebruiken van orderhistorie-data geeft veel extra mogelijkheden voor het creëren van relevante e-mailcampagnes. Denk hierbij aan het voorspellen van het moment waarop iemand een herhaalaankoop gaat doen en hierop inspelen, het geven van productaanbevelingen of om deze data te gebruiken om iemand aan een segment toe te wijzen.

Productaanbevelingen: wil je data uit orderhistorie gebruiken voor het doen van productaanbevelingen? Dan adviseren we om dit in stappen te doen. Zo kun je eerst op kleine schaal kijken of deze campagne succesvol is voor jouw bedrijf, om vervolgens op grote schaal uit te rollen. Twee manieren lichten we hieronder toe.

• 1) Handmatige productaanbevelingen

De focus ligt eerst op vijf tot tien topproducten. Voor deze specifieke producten bepaal je met welke producten en content je de klant gaat triggeren tot het doen van een nieuwe aankoop. Denk hierbij aan cross sell-producten. Maak een goede e-mail en toon de aanbevelingen, die passen bij de meest recente aankoop van je klant, als dynamische content. Zo ben je erg relevant voor je ontvanger. Is deze campagne succesvol voor jouw bedrijf? Rol deze dan verder uit voor al je producten.

• 2) Geautomatiseerde productaanbevelingen

Door een data management platform (DMP) te gebruiken, kun je via voorspelmodellen de tool laten bepalen welke productaanbeveling je iemand moet tonen. Op basis van een slim (meestal zelflerend) algoritme worden precies die producten getoond die voor je specifieke klant relevant zijn. Bij deze optie hoef je dus zelf geen aannames te doen welk product je zou moeten tonen, maar wordt dit geheel bepaald door het systeem. Hieronder een mooi voorbeeld hoe Kees Smit Tuinmeubelen dit toepast in hun e-mails. Volledig geautomatiseerd!

Segmentatie

Ook voor segmentatiedoeleinden is orderhistorie een mooi uitgangspunt. Het stelt je in staat om heldere segmenten te kunnen bouwen, waarmee je relevant kunt mailen. We nemen je mee in twee mooie mogelijkheden:

• Segmentatie op product(categorie)

Hiervoor kunnen we wederom het eerdergenoemde voorbeeld gebruiken van iemand die geïnteresseerd is in damesschoenen. Alleen in deze vorm kijken we niet naar het klikgedrag van iemand in e-mails, maar naar koopgedrag. Dus koopt iemand voornamelijk damesschoenen? Segmenteer deze persoon dan als ‘geïnteresseerd in damesschoenen’. Dit segment kun je weer gebruiken om de nieuwe collectie damesschoenen te promoten. Natuurlijk niet alleen in e-mail, maar dit kun je gebruiken over al je kanalen. Zo stuur je precies waar je doelgroep behoefte aan heeft. Je kunt dit natuurlijk ook verder trekken door te kijken welke productcategorie iemand voornamelijk bestelt of probeer aan de hand van bestelde producten te bepalen in welke branche iemand zich bevindt.

• Segmentatie op RFM

Met een RFM-analyse haal je heel gericht klantgroepen naar voren die loyaal of minder loyaal zijn. In een RFM-analyse kijk je naar ‘recency’ (hoe recent heeft iemand bij je gekocht), ‘frequentie’ (hoe vaak koopt iemand bij je) en ‘monetary’ (voor welk bedrag heeft iemand bij je gekocht). Door je database op elk van de drie punten een score te geven kom je uit op een RFM-waarde. Bijvoorbeeld R3, F1 en M5. Dan is de RFM-score 315. Met deze score kun je loyale klanten uitfilteren en hen andere content bieden, dan je minder loyale klanten. Zo ben je bijvoorbeeld in staat alleen de minder loyale klanten kortingen te geven om ze te overtuigen weer wat bij je te kopen. Een hele interessante methode als we er van uit gaan dat nog steeds 80 procent van de omzet uit 20 procent van de klanten komt.

Loyalty

Genoemde voorbeelden van datatoepassingen voor e-commerce tonen vooral hoe je direct kunt bijdragen aan commerciële doelen. Maar data zijn ook goed inzetbaar vanuit loyalty-oogpunt. Denk hierbij aan het verzenden van een een jubileummail wanneer je klant x jaar klant bij je is. Een mooie manier om je klant in het zonnetje te zetten en extra waardering te geven. Dit draagt positief bij aan loyaliteit. Door het gebruik van data laat je zien dat je de klant kent en waardeert.

Een ander goed voorbeeld is de inzet van loyaltyprogramma’s, zoals spaarsystemen waarbij je bij een bepaalde orderwaarde extra korting krijgt. Maar niet alleen voor orders kun je punten geven. Ook voor het volgen van je social-kanalen, deelname aan workshops en events en het inschrijven voor je nieuwsbrief kunnen punten opleveren. Zo kun je tegelijkertijd je klant ook via meerdere kanalen bereiken.

Onderstaand voorbeeld van Bol.com laat goed zien hoe de beschikbare data worden gebruikt om jou als klant waardering te geven voor de bestellingen die je hebt gedaan. Het doel van de e-mail is om klanten langer aan je organisatie te binden, wat vooral voor de lange termijn een mooi doel is.

Ook toepasbaar op niet e-commerce organisaties

Er zijn oneindig veel voorbeelden voor het toepassen van data in e-mailmarketing voor e-commerce. Het is goed om te weten dat veel van de mogelijkheden ook toepasbaar zijn op niet e-commerce organisaties. Met een beetje creativiteit (en soms hulp) zijn ze om te bouwen voor jouw organisatie. Benieuwd hoe je aan data kunt komen om bovengenoemde campagnes en e-mails op te tuigen? In ons volgende blogartikel staan we hier uitgebreid bij stil.