Blog/Nieuws

Voorbeelden van marketing analytics: mannen churnen sneller dan vrouwen

Ook dit jaar konden de deelnemers van het B2B Marketing Forum verschillende inspirerende sessies bijwonen.

Eén van de sessies werd gehouden door Ivo Fugers, Data Scientist van Ortec. Hij is geen marketeer, zoals hij zelf aangeeft aan het begin van zijn sessie, maar hij heeft wel veel verstand van analyseren. In zijn rol heeft hij veel met marketing te maken.

Hij neemt ons mee in de stappen die je als B2B-bedrijf dient te zetten richting volwassenheid in marketing analytics. Hoe zet je data in om de juiste inzichten te krijgen uit jouw marketingactiviteiten? En hoe zet je deze inzichten in om jouw sales te vergroten?

Ivo vertelt dat je dit kunt bewerkstelligen door het in kaart brengen van kooppatronen. Hij gebruikt hiervoor de Customer Lifecycle van Smart Insights als basis.

Ivo legt uit welke technieken hij gebruikt voor de verschillende fases van de Customer Lifecycle. Daarnaast behandelt hij twee praktische voorbeelden, waarin hij laat zien hoe je een Churn Prediction model opzet en hoe je Recommendors kunt toepassen.

Jongeren churnen sneller dan ouderen. Mannen churnen op hun beurt sneller dan vrouwen. Vrouwen lijken vaak toch loyaler dan mannen.

Technieken die je kunt toepassen op de Customer Lifecycle

Er zijn verschillende technieken die je kunt toepassen op de vier fases van de Customer Lifecycle. De cyclus omschrijft de reis die een klant in een koopproces maakt. Deze zet je in om elk contactmoment dat er bestaat tussen een klant en een merk, winstgevender te maken.

De vier fases van de cyclus zijn:

  1. Reach
  2. Act
  3. Convert
  4. Engage

Customer Lifecycle Smart Insights

1. Reach – De juiste waarde toekennen aan kanalen

In de Reach fase wil je jouw potentiële klanten op een optimale manier bereiken. Een bekende techniek die je hiervoor kunt gebruiken is attribution analytics.

Het is een methode om bepaalde waarden toe te kennen aan de kanalen, waarmee jouw kopers een contactmoment hebben gehad in het aankoopproces. Hiermee bepaal je de mate van invloed, die de verschillende kanalen hebben gehad op het koopgedrag.

Het nadeel van Last Touch Attribution

Er zijn verschillende attributiemodellen beschikbaar. Een veelgebruikt model is ‘Last Touch Attribution’. Het nadeel van dit model is dat alleen de laatste klik wordt meegerekend en niet de overige kanalen waarmee de klant in aanraking is gekomen.

Zo kan het lijken dat bijvoorbeeld een klik op een banner een grote invloed heeft gehad op een aankoop. Maar is dat ook zo? Misschien hebben andere kanalen eerder in het aankoopproces een grotere invloed gehad en was de banner alleen een laatste zetje. De verschillende kanalen die invloed hebben gehad op het koopgedrag, krijgen hierdoor niet de juiste waarde toegekend.

Het kan lijken alsof een klik op een banner een grote invloed heeft gehad op een aankoop. Maar is dat ook zo?

Ivo deelt een voorbeeld van eBay. Ze spendeerden $25.000 per week aan een Google Adwords advertentie, omdat ze dachten dat het veel opleverde. Tot een slimme marketeer bedacht om de advertentie te stoppen. En wat ontdekten ze? Ze kregen evenveel verkeer vanuit Google. Men klikte niet meer op de advertentie, maar op hun vertoning in de organische zoekresultaten. Hiermee bespaarden ze enorm veel geld.

Wel de juiste waarde kunnen toekennen

Met een contributie analyse is het wel mogelijk om, door middel van statistische modellen, de juiste waarde aan het juiste kanaal toe te kennen. Hierdoor kun je op basis van deze analyses je budget optimaal inzetten. Je gaat op zoek naar het ‘tipping point’; de ideale combinatie van boodschap en kanalen, waarmee je jouw kopers overtuigt om tot koop over te gaan.

Marketing contributie analyse

2. Act – Automatisch prijzen aanpassen met forecasting modellen

De volgende fase is de ‘Act’ fase. In deze fase ga je al iets meer de personaliseringsslag maken. Denk hierbij aan een term als ‘Ad targeting’, waarmee je bepaalde klanten kunt bereiken op basis van demografische gegevens en gedrag. Zo kun je ze gepersonaliseerde advertenties tonen. In deze fase probeer je jouw klanten steeds meer aan je te binden.

Hierbij kan pricing een belangrijk onderdeel zijn. Van vliegmaatschappijen en hotels is het algemeen bekend dat ze verschillende prijzen hanteren, afhankelijk van seizoen en concurrentie.

Daarnaast weten vliegmaatschappijen ook dat bedrijven vaak kort voor een vlucht tickets kopen en bereid zijn om meer te betalen. Dit is een mooie manier om geld te verdienen, maar dan moet je wel stoelen beschikbaar hebben in je vliegtuig. Dus hoe zorg je ervoor dat je als vliegmaatschappij niet al je stoelen al hebt verkocht aan toeristen die minder betalen en tegelijkertijd moet voorkomen dat je lege stoelen overhoudt tijdens de vlucht? Hier zetten ze Dynamic Pricing in.

Vliegmaatschappijen weten dat bedrijven vaak kort voor een vlucht tickets kopen en bereid zijn om meer te betalen.

Met Dynamic Pricing proberen ze met forecasting modellen te kijken naar de hoeveelheid stoelen die nog beschikbaar zijn versus het aantal dagen voor de vlucht versus de prijs die ze er op dat moment voor kunnen vragen.

Retailers maken ook steeds vaker gebruik van Dynamic Pricing. Hier zetten ze machine learning software voor in, om hun prijzen automatisch aan te passen. Bijvoorbeeld als de voorraad bij concurrenten slinkt of als het weer omslaat.

3. Convert – Aanbevelingen doen met Recommendors

Als potentiële klanten steeds verder komen in het koopproces, kun je nog directer en op een nog persoonlijkere manier met ze communiceren. Hier worden vaak ‘Recommendors’ voor ingezet.

Een bekend voorbeeld hiervan is Netflix, die je suggesties geeft voor films en series. Dit model kun je ook loslaten op elk ander product dat je verkoopt: ‘Dit vind je mogelijk ook interessant’ of ‘Anderen kochten dit ook’.

Voor gepersonaliseerde communicatie worden steeds vaker chatbots ingezet. Ivo merkt op dat ‘chatbots’ mogelijk het grootste buzzword is van de afgelopen maanden en daar kan hij wel eens gelijk in hebben.

Chatbots kunnen enorm effectief zijn om klantcontact te automatiseren. Als je echter een bepaalde volwassenheid bereikt, kunnen chatbots ook heel effectief zijn om data te vergaren.

Hiermee kun je aan cross- en upselling doen, door een aanbod te tonen dat specifiek is gericht op het profiel van de bezoeker. Dit proces kun je compleet automatiseren en optimaliseren, om een zo’n goed mogelijke customer journey aan te bieden. Dit lijkt echter voor nu nog toekomstmuziek, de meeste bedrijven zijn nog lang niet zover.

4. Engage – Voorkomen dat klanten bij je weggaan

De laatste fase is de Engage fase en dit is de fase waar het churn model centraal komt te staan. Met een ‘Churn Prediction model’ kun je voorspellen bij welke klanten de kans het grootst is dat ze op korte termijn je product of dienst gaan opzeggen.

In één van de twee onderstaande cases wordt dit onderwerp verder toegelicht.

Churn prediction model

 

Analytics maturity

Aanvullend vertelt Ivo nog kort wat over analytics maturity (zie afbeelding hieronder).

Als je de eerste stappen in marketing analytics zet, dan begin je in de Presence fase, linksonder in de curve. Naarmate je volwassener wordt ga je meer naar boven, om uiteindelijk de ‘Data Oriented Integral strategy’ volwassenheid te bereiken.

Als je dit bereikt, dan is jouw organisatie eigenlijk één groot geautomatiseerde marketing BI geworden. Hierbij kun je denken aan real-time interacties zoals 1-op-1 aanbevelingen en het volledig automatiseren van de uitgaven van je mediabudget.

Ivo voegt hieraan toe dat het niet het doel hoeft te zijn van bedrijven om deze volwassenheid te bereiken, het is voor veel bedrijven ook prima om ergens halverwege te zitten.

Status volwassenheid marketing analytics

 

Voorbeeld 1: Hoe zet je een Churn Prediction model op?

Uit ervaring weet Ivo, dat het opzetten van churn modellen over het algemeen niet zoveel verschilt bij bedrijven. Of je het nu toepast bij verzekeraars of energiemaatschappijen, de methodiek is eigenlijk redelijk hetzelfde.

Dus hoe werkt het in de praktijk? Hoe zet je een churn model op?

Je kunt hiervoor de Analytics Project Flow methodiek volgen: Van idee tot actie.

The Analytics Project Flow

The Analytics Project flowPlan

De planningsfase is eigenlijk vrij simpel: wat is het doel van het model dat je gaat bouwen? Welk probleem ga je oplossen?

Bij een churn model is het antwoord redelijk voor de hand liggend: voorkomen dat klanten je product of dienst gaan opzeggen.

Data Gathering

Mogelijke indicatoren die aangeven dat iemand een vergrote kans heeft om te gaan churnen, kunnen zijn:

  • Ze nemen contact op met de klantenservice
  • Er vindt een verandering plaats in het contract
  • De klant zegt een ander product of dienst van je op
  • De prijs is gestegen
  • Het contract loopt bijna af

De volgende stap is om met de verschillende interne experts te gaan praten. Welke mensen zijn er allemaal binnen de organisatie, die iets kunnen vertellen over customer churn?

Wie kan jou bijvoorbeeld vertellen:

  • Hoeveel producten of diensten de klant afneemt?
  • Wat de contractvoorwaarden zijn?
  • Wat het websitegedrag is van de klant?
  • Hoeveel keer de klant contact heeft gezocht met de klantenservice of een accountmanager?
  • Of de klant klachten heeft geuit?
  • Hoe de markt is? Welke prijzen concurrenten hanteren?

Deze informatie wil je allemaal samenbrengen, zodat je het kunt gaan analyseren.

Het verzamelen van data

Data Exploration

Het opschonen, inzichtelijk maken en koppelen van data, is vaak een enorme uitdaging. Veel bedrijven maken namelijk nog gebruik van verouderde IT-systemen en processen.

Ivo vertelt dat bij een organisatie waar hij een project als deze heeft uitgevoerd, websitegedrag niet te koppelen was aan het CRM-systeem. Hierdoor kan het websitegedrag van klanten niet gemeten worden, wat een enorme tekortkoming kan zijn.

Data exploration

Waar je met zo’n project uiteindelijk heen wil, is dat je na verloop van tijd een goede dataset hebt. Hiermee kun je zien hoe het in die periode is gegaan en wat je eraan kunt doen om te voorkomen dat klanten bij je weggaan.

Deze inzichten gebruik je in de Engage fase van de Customer Lifecycle. Je kunt bijvoorbeeld een selectie maken van de 20 meest waarschijnlijke churns en deze leveren aan je accountmanagers. Ze kunnen deze klanten dan gaan opvolgen. Je kunt ze bijvoorbeeld ook opnemen in een speciale e-mailcampagne, die gericht is op het behouden van klanten.

Wees proactief en volg je meest waarschijnlijke churns op.

Het mooie aan churn modellen is dat je proactief je beleid kunt aanpassen. Verzekeraars wijzigen bijvoorbeeld vaak hun prijs. Met modellen kunnen ze doorrekenen welke invloed dit kan hebben op de churn.

Tot slot deelt Ivo een aantal opvallende generieke patronen. Jongeren churnen bijvoorbeeld sneller dan ouderen. Mannen churnen op hun beurt sneller dan vrouwen. Vrouwen lijken vaak toch loyaler dan mannen.

Voorbeeld 2: Recommendors (Relevantie)

We kennen allemaal wel websites die ons aanbevelingen doen voor producten, zoals AH.nl, Bol.com of Amazon.com. Deze aanbevelingen worden ‘Recommendors’ genoemd.

Ivo behandelde een project dat ze hebben uitgevoerd voor Rai Amsterdam. Zoals bekend organiseert Rai Amsterdam veel evenementen. Ze willen bezoekers en standhouders een goede ervaring bieden, door relevante bezoekers te koppelen aan standhouders. Een manier om dit te bewerkstelligen is door AI-gestuurde recommendors in te zetten.

De marketingdirecteur van Rai Amsterdam was erg enthousiast over recommendors en wilde dit graag implementeren in de evenementen app.

De uitvoering

De evenementen in Rai Amsterdam worden bezocht door veel mensen. Deze bezoekers hebben allemaal een batch met barcode, waarmee ze worden gescand bij elke stand waar ze een gesprek hebben. Hierdoor wordt het gedrag van de bezoekers inzichtelijk.

Deze data werd gekoppeld aan gegevens als functie, geslacht en leeftijd en aan de interesses die men van tevoren heeft aangegeven. Vervolgens werd de data opgeschoond en inzichtelijk gemaakt:

Bezoekerstabel recommendors

Met een clusteralgoritme werden alle karakteristieken uitgewerkt en met een scoringsmodel inzichtelijk gemaakt hoe vergelijkbaar ze met elkaar zijn.

In onderstaand tabel is bijvoorbeeld Bezoeker 1 redelijk gelijk aan Bezoeker 2, maar niet aan Bezoeker 3:

Gelijkenissen in kaart brengen

Hierdoor is het mogelijk om op basis van overeenkomsten tussen profielen, de bezoekers te gaan adviseren over welke stand interessant is voor hun.

Als je Bezoeker 1 bent, dan is de kans 50% dat je Stand 3 interessant vindt, omdat mensen met een vergelijkbaar profiel, Stand 3 ook interessant vinden:

Aanbevelingen op basis van profiel

Dit kun je vervolgens verwerken in de evenementen app en zo bezoekers en standhouders de ultieme ervaring bieden:

Aanbevelingen relevante stands

 

Het resultaat

Ivo refereert naar wat Tiffany Bova (Salesforce) eerder op de dag vertelde in haar keynote: de techniek is meestal niet het probleem, het zijn mensen en processen die vaak het struikelblok zijn.

De techniek is meestal niet het probleem, het zijn mensen en processen die vaak het struikelblok zijn.

De marketingdirecteur van Rai Amsterdam was enorm enthousiast over recommendors, maar zijn team en de aanwezige processen waren er eigenlijk nog niet klaar voor. Voordat het project van start gaat, moet er eigenlijk nog goed over nagedacht worden hoe je een dergelijk project het best kan laten landen binnen de organisatie.

Recommendors en de maturity curve

Het voorbeeld van Rai Amsterdam, kun je ook plotten op de eerdergenoemde maturity curve.

Wil je als organisator van evenementen, starten met het doen van aanbevelingen? Dan kun je bijvoorbeeld voor en na het evenement een e-mail sturen naar alle bezoekers, met interessante standhouders.

Bereik je echter een hogere mate van volwassenheid, dan kun je op basis van profiel en gedrag real-time aanbevelingen doen in de evenementen app.

Recommendors maturity curve

 

Hoe start je een analytics project?

Het is heel belangrijk om een analytics project planmatig aan te pakken. Een belangrijke fase is de ‘Opportunity identification’, oftewel het definiëren van het probleem dat je wilt gaan oplossen.

Hier is het eigenlijk al misgegaan bij Rai Amsterdam. Het project werd gestart op basis van enthousiasme en het geloof in recommendors. Ze hadden er echter verstandig aan gedaan om eerst een paar belangrijke vragen te beantwoorden. Welke processen gaan we ondersteunen? Is de organisatie er wel klaar voor? Welke beslissingen gaan we nemen op basis van deze inzichten?

Data driven transformation program

Na de ‘Opportunity identification’ fase, ga je een ‘Proof of Concept’ opzetten.

In het geval van churn modellen kan een ‘Proof of Concept’ al voldoende zijn, omdat hier wordt geïdentificeerd waarom jouw klanten producten of diensten bij je opzeggen. Hier kan dan al proactief op gehandeld worden.

Een ‘Proof of Concept’ kan voor veel B2B organisaties al voldoende zijn.

Zeker voor kleine B2B-bedrijven met grote klanten, is het prima om bij ‘Proof of Concept’ te blijven. Ben je echter een organisatie met veel klanten, dan kun je een grotere mate van volwassenheid nastreven om je processen volledig te kunnen automatiseren.

Analytics projecten blijven een spanningsveld tussen Data Science, IT en de rest van de organisatie. Het is belangrijk om samen doelen te stellen en de neuzen dezelfde kant op te krijgen.

De belangrijkste takeaways:

  • Start met het identificeren van het probleem dat je wilt oplossen
  • Begin met laaghangend fruit
  • Realiseer dat een marketing analytics project tijd kost
  • Je hoeft niet meteen de volgende Booking.com te worden, stel jezelf realistische doelen!