Abstracte achtergrond

Hoe til je datagedreven marketing naar een hoger plan?

Onderzoek van de DDMA laat zien dat er in datagedreven marketing nog een groot verbeterpotentieel braak ligt. Het goede nieuws: met data science en de PDCA-cyclus boek je snel resultaat. Een realistische case laat zien hoe die twee elkaar versterken.

De kern in het kort

  • In het Data-Driven Marketing Onderzoek 2021 van de DDMA is data bij 27% van de 162 onderzochte Nederlandse organisaties laagdrempelig toegankelijk voor de belangrijkste stakeholders, en heeft slechts 20% een centraal klantbeeld.
  • Predictive modeling is bij 40% van de organisaties in gebruik; prescriptive modeling bij slechts 5%.
  • Duurzame verbetering mislukt als de Check- en Act-stappen niet met dezelfde ijzeren discipline worden uitgevoerd als Plan en Do.
  • Twee voorwaarden maken Check en Act gemakkelijk: database-integratie van modellering en scoring, en metadatamanagement.
  • In een geïntegreerde omgeving zijn twee PDCA-cycli te combineren: het churnmodel selecteert de klanten die een persoonlijke aanbieding krijgen.

Er ligt nog een groot verbeterpotentieel braak

In het Data-Driven Marketing Onderzoek 2021 inventariseert de DDMA, de vereniging voor marketing en data, hoe volwassen organisaties zijn in het gebruik van data om klanten en hun behoeften gedetailleerd in kaart te brengen. Enkele uitkomsten:

  • Bij 27% van de 162 onderzochte Nederlandse organisaties is data laagdrempelig toegankelijk voor de belangrijkste stakeholders.
  • Slechts 20% van de respondenten heeft een centraal klantbeeld, ook wel 360-gradenklantbeeld genoemd.
  • Realtime personalisatie wordt bij 40% van de organisaties toegepast en staat bij 34% nog niet eens op de planning.
  • 40% gebruikt predictive modeling; bij 29% is het concept nog geen onderwerp van gesprek of zelfs volledig onbekend.

Duurzame procesverbetering vereist ijzeren discipline

Duurzame procesverbetering is al decennialang een uitdaging. Hoewel er sinds de jaren vijftig een krachtige, bewezen verbetermethode op basis van Plan-Do-Check-Act bestaat, leidt de PDCA-cyclus niet automatisch tot blijvende verbeteringen. De meeste organisaties starten de Plan- en Do-fase met enthousiasme, maar als Check en Act niet met dezelfde ijzeren discipline worden uitgevoerd, is de verbetering niet duurzaam. Dat gebrek aan discipline breekt organisaties uiteindelijk op.

Een datagedreven PDCA-cyclus is de sleutel

Met een datagedreven PDCA-cyclus krijg je doorlopend goede feedback over de resultaten van marketingacties (Check). Medewerkers kunnen zelf aan de knoppen draaien om acties aan te passen (Act), waardoor het procesdenken hecht verankerd raakt. Belangrijk is ook dat alle data (CRM, e-mailcampagnes, conversies, e-commerce) is geïntegreerd in een customer data platform (CDP), zodat een integraal klantbeeld ontstaat. Data science kan de Check- en Act-stappen vergemakkelijken, onder twee voorwaarden:

  • Database-integratie van predictive modeling en scoring. In plaats van met gedownloade bestanden te werken draaien de modellen rechtstreeks op de database, lezend en schrijvend.
  • Metadatamanagement. Alle informatie over de gebruikte modellen en modelparameters staat in de database en is te koppelen aan de resultaten.

Doelstelling 1: omzet verhogen door cross-selling

Neem een organisatie die vakantiehuizen verhuurt. Er wordt een plan gemaakt om de omzet te verhogen met een campagne van gepersonaliseerde e-mails met een aanbeveling voor een vakantiehuis waar klanten met een vergelijkbaar profiel ook zijn geweest. Er wordt een model gemaakt met het a-priori-algoritme (market basket analysis), dat dataspecialisten gebruiken om verbanden in verkoopdata te ontdekken. Op basis van historische transacties brengt het de affiniteiten tussen vakantiehuizen in kaart: hoe vaak heeft iemand die in huis 1234 is geweest ook 1235 bezocht? Komt dat vaak voor, dan is 1235 een zinvolle suggestie voor klanten die wel in 1234 maar daar nog niet hebben gelogeerd.

De Do-fase bevat vier stappen:

  1. Bouw de rule set.
  2. Bouw het scoringmodel.
  3. Selecteer klanten.
  4. Voer de campagne uit.

In het scoringmodel wordt de selectie van suggesties bepaald; huizen die altijd bezet zijn kunnen bijvoorbeeld worden uitgefilterd. Alle criteria (welk model, welke parameters, welke klanten, welke huizen) worden als metadata in de database opgeslagen, zodat de prestaties van het model eraan te relateren zijn. Per klant wordt vastgelegd welke aanbeveling met welk model is gedaan. In de Check-fase worden de reacties (opens, clicks en boekingen) per klant vastgelegd, samen met de informatie over campagne, rule set en scoringmodel. Omdat alles centraal in een CDP staat, zijn in de Act-stap de volgende Plan- en Do-fasen te bepalen.

Doelstelling 2: churnreductie

Het tweede voorbeeld betreft de loyaltymanager in dezelfde organisatie. Churn, klanten die overstappen naar andere aanbieders, zal altijd optreden, maar het is belangrijk die te beperken: een nieuwe klant werven kost een veelvoud van het behouden van een bestaande klant. Om churn te beperken bepaal je per klant de kans op churn en richt je je op klanten met een hoog risico. In de Plan-fase wordt de doelstelling bepaald, bijvoorbeeld een reductie van 10%, wat een goede schatting vereist van de churn die zonder campagne zou optreden.

  1. Bouw een goed voorspellingsmodel, inclusief de te gebruiken predictoren.
  2. Verzamel en prepareer de predictoren voor alle klanten.
  3. Bereken het churnrisico per klant en identificeer klanten met een hoog risico.
  4. Voer de campagne uit op de geïdentificeerde klanten.

In de Check-fase wordt het resultaat van de campagne vergeleken met het churnpercentage dat zonder campagne zou zijn opgetreden. Omdat alle informatie centraal is opgeslagen, zijn in de Act-fase opnieuw de volgende Plan- en Do-fasen te bepalen.

De twee toepassingen vergeleken

Beide volgen hetzelfde PDCA-patroon met een ander model.

Cross-selling

Churnreductie

Doel

Hogere omzet

Minder verloren klanten

Model

Market basket analysis

Voorspellingsmodel met predictoren

Output

Aanbevolen huis per klant

Churnrisico per klant

Check

Opens, clicks, boekingen

Churn versus geen campagne

Soort vraag

Wat past bij deze klant?

Wie staat op het punt te vertrekken?

Data science biedt ongekende mogelijkheden, mits geïntegreerd

De Check- en Act-stappen schieten er nu vaak bij in, en dat is een gemiste kans. De drempel is aanzienlijk te verlagen door de benodigde informatie gemakkelijk beschikbaar te maken. Dat vraagt een integrale benadering: naast machine learning en diepgaande kennis van statistiek zijn data- en database-integratie even essentieel. Zonder integratie in de IT-organisatie en expertise in SQL, ETL, data cleaning en databaseprogrammeren kunnen datascientists niet maximaal bijdragen.

Door de specialistische kennis te concentreren in een data science-team ligt het gevaar van silovorming altijd op de loer.

In zo’n silo worden nuttige experimenten gedaan in R- of Python-notebooks, maar zonder hechte integratie met systemen, databases en applicaties kan de organisatie er niet ten volle van profiteren. Het is wenselijk dat medewerkers buiten het data science-team aan knoppen kunnen draaien en modelparameters kunnen evalueren of aanpassen. Alleen zo kan de organisatie continu verbeteren.

Metadata en database-integratie

Leren van een marketingcampagne vereist dat resultaten zoals click-to-open-rates, click-through-rates, conversieratio’s en churnrates te relateren zijn aan het gebruikte model en de scoringcriteria, per klant en per campagne. Dat lukt niet met spreadsheets; het vraagt volledige database-integratie. Alle informatie over een model (algoritme, regressiecoëfficiënten, test- en trainingssets, script) en over een campagne (selectiecriteria, tijdstip, onderwerpregel) is dan met een databasequery te relateren aan klantdata. Idealiter vindt het scoren binnen de database plaats.

Met het oog op de AVG is het geen optie om met datasets heen en weer te schuiven.

Veel modellen, zoals market basket analysis, (logistische) regressie en discriminantanalyse, zijn prima te implementeren in SQL-procedures, R-scripts of Python-notebooks die de modelparameters uit de metadatatabel lezen. Als alle data in de database-omgeving beschikbaar is, is de informatie voor Check en Plan gemakkelijk in een dashboard te tonen.

Combinatie van twee PDCA-cycli

Nog een voordeel van de integrale benadering is dat processen te combineren zijn. In een geïntegreerde omgeving kun je het selecteren van klanten voor een retentiecampagne delegeren aan het churnmodel: klanten met een hoog risico krijgen een aantrekkelijke persoonlijke aanbieding uit het cross-sellingmodel. Die koppeling is heel goed te automatiseren. Elke dag of week kunnen de 1.000 klanten met het hoogste churnrisico worden geselecteerd voor de persoonlijke aanbieding. De modellen zijn periodiek te verbeteren terwijl het geautomatiseerde proces gewoon doorloopt.

Predictive versus prescriptive

Uit het DDMA-onderzoek bleek dat de toepassing van prescriptive modeling achterblijft: slechts 5% van de organisaties gebruikt het. Predictive gaat over de vraag wat we kunnen verwachten; prescriptive over de vraag wat we moeten doen.

Hoe Diamond Decisions marketing, data science en PDCA koppelt

Diamond Decisions zorgt dat Check en Act dezelfde aandacht krijgen als Plan en Do. Bij business modeling leggen we de marketingdoelen en indicatoren vast, bij data-analyse integreren we modellen, metadata en klantdata in één omgeving, en beslissers krijgen een dashboard met knoppen waaraan ze zelf kunnen draaien.

Conclusie: datagedreven marketing met PDCA

Door goed geïmplementeerde PDCA-cycli te koppelen aan de principes van data science kan elke organisatie datagedreven marketing handen en voeten geven en naar een hoger plan tillen. De PDCA-cyclus, een klassieker uit de jaren vijftig, en data science vormen een goed geoliede tandem. De belofte van datagedreven marketing is te groot om nog langer te dralen.

Spreek de auteur

Herman van DellenHerman van Dellen
Diamond Decisions

Bespreek je vraag met Herman

Vertel welke beslissing beter moet. In een vrijblijvend gesprek laten we zien waar jouw data het meeste oplevert.

Plan een kennismaking →

Stap 3 van onze aanpak

Diamond Data Analytics

Een datawarehouse dat begint bij jouw belangrijkste beslissingen en klaar is voor conversational AI: al in 24 uur een werkend prototype.

Bekijk Data Analytics →

Veelgestelde vragen

01

Wat is datagestuurde marketing?

Marketing waarbij klantdata uit alle kanalen wordt samengebracht en gebruikt om aanbiedingen te personaliseren, gedrag te voorspellen en het effect van elke actie te meten, zodat campagnes worden bijgestuurd op feiten in plaats van aannames.

02

Wat is het verschil tussen predictive en prescriptive modeling?

Predictive modeling beantwoordt de vraag wat we kunnen verwachten, bijvoorbeeld welke klanten waarschijnlijk vertrekken. Prescriptive modeling beantwoordt de vraag wat we moeten doen, bijvoorbeeld welke aanbieding we welke klant doen.

03

Waarom is metadata belangrijk bij marketingmodellen?

Metadata legt vast welk model, welke parameters en welke selectiecriteria zijn gebruikt voor welke campagne en klant. Alleen dan zijn resultaten te relateren aan keuzes, zodat je leert wat werkt en de volgende cyclus kunt verbeteren.

04

Hoe begint een mkb-bedrijf met datagedreven marketing?

Breng klant-, order- en e-maildata samen in één database, begin met één doelstelling zoals retentie of cross-selling, leg per campagne vast wat je deed en wat het opleverde, en evalueer na elke campagne voordat je de volgende start.

Verder lezen

Bronnen

Over de auteur

Herman van Dellen

Herman van Dellen

Herman is een zeer ervaren data scientist die machine learning en statistiek al jarenlang toepast op gebieden als CRM, BI en datawarehousing. Hij bouwde zijn carrière op bij IBM, waar hij de Business Intelligence Services Unit oprichtte.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.

Schrijf je in voor de Masterclass