Leestijd: 3 minuten

De crux van Data Science in marketing zit hem in het begrijpen en doorgronden van de manier waarop marketing waarde kan toevoegen aan de organisatie. Pas als je dit inzicht hebt, kun je dit vertalen naar een goed Data Science-model.

Gedrag voorspellen met een Propensity-model

Bovenstaande stap wordt in de praktijk regelmatig overgeslagen. Logisch want als organisatie wil je snel aan de slag om resultaten te bereiken. Wat je bijvoorbeeld ziet is dat de Data Scientist wordt ingeschakeld om een Propensity-model te maken op basis van statische data. Een Propensity-model voorspelt het koopgedrag in een bepaalde periode. Het voorspellen van de volgende stap die een klant zal nemen, is echter niet waarmee je de meeste waarde kunt behalen. Eerst zul je onderliggende vragen moeten beantwoorden als: hoe waarderen we een klant, welk klantgedrag zien we en hoe kunnen we dat beïnvloeden? Pas als je daar de antwoorden op hebt, wordt het mogelijk om de juiste modellen te trainen en deze intelligente beslissingen te laten nemen. Ik neem jullie mee in mijn ervaring.

Onlangs ben ik gevraagd om de effectiviteit van een campagne te vergroten met behulp van slimme, datagedreven algoritmes. Met een simpel out-of-the-box model kon ik al snel een subset van 40% van de prospects definiëren die 80% van de conversie opleverde en de ROI verdubbelde. De vlag kon uit, niet slecht voor een dag werk… dacht ik. De reactie van de marketeer: “Dus dan mis ik 20% van de potentiële conversies? No way!”.

Terug naar de tekentafel

Alle Data Scientists zijn wel eens tegen deze tegenstelling aangelopen. De meeste marketeers zijn altijd op zoek naar extra omzet op korte termijn. Minder vaak wordt er naar de Customer Lifetime Value gekeken en zelden is er een strategie die voor elke prospect de optimale marketingmix bepaalt. Aan de andere kant zien we Data Scientists die vaak primair gedreven worden door innovatieve technieken en zo nauwkeurig mogelijk modelleren, veel te simplistisch denken over marketing en graag veel tijd besteden aan diepgaand onderzoek naar het meest optimale model. Met tot gevolg: suboptimale marketing en onnodige uren van Data Scientists. Terug naar de tekentafel dus…

Wat we eigenlijk wilden bereiken was een gebalanceerde mix van marketingactiviteiten, zodat de organisatie op korte én lange termijn in waarde groeit. Laten we dit doel eens verder onder de loep nemen.

Van Propensity Value naar Lifetime Value: intelligente beslissingen op basis van netto contante waarde

Bij de klant in dit voorbeeld werd ‘waarde’ gedefinieerd als 12x het bedrag van de maandelijkse factuur. Dit lijkt een makkelijke vuistregel en is eenvoudig op te nemen in analyses en rapportages. Deze nauwe definitie heeft echter twee onbedoelde bijeffecten:

  1. Er wordt vanuit gegaan dat alle klanten 12 maanden lang betalende klant blijven. Er wordt geen rekening gehouden met koopjesjagers of juist hele trouwe klanten. Een trouwe klant is daarmee evenveel waard als een koopjesjager met alle bijbehorende verkeerde beslissingen tot gevolg.
  2. Prospects zijn niets waard totdat ze klant worden. Dit heeft tot gevolg dat overkill of irrelevante marketing geen negatief effect heeft op de (potentiële) waarde van de prospects. En dat werkt vervolgens weer ongewenst hoge campagnedruk in de hand.

Je raadt het al, het eerste model werd geen Propensity-model maar een (Customer) Lifetime Value-model. Hiermee creëerden we een netto contante waarde van de verwachte omzetten voor alle periodes in de toekomst, ook voor suspects en prospects. Dit stelde ons in staat om intelligente beslissingen te nemen.

Van instroom en uitstroom naar duurzame groei

Bij het voorspellen van ‘groei’ werd eigenlijk alleen naar instroom en uitstroom gekeken. Het waarderen van up-sell, cross-sell en deep-sell stond nog in de kinderschoenen. Met de komst van het Customer Lifetime Value-model konden we ook groei en krimp sterker definiëren. Alle significante wijzigingen in Customer Lifetime Value hebben we geïnventariseerd en gecategoriseerd. Dit leverde concreet en benoembaar, maar bovendien te waarderen klantgedrag op. Uiteraard waren instroom en uitstroom nog steeds erg belangrijk, maar ineens werd ook het belang van up-sell, cross-sell, deep-sell en loyale klanten duidelijk en konden we de waarde van klantgedrag benoemen. Bovendien zagen we wat het gedrag van prospects waard is, bijvoorbeeld als iemand zich inschrijft voor een nieuwsbrief, of wat het kost als iemand een opt-out geeft. Deze inzichten hebben vooral aangezet tot een verbreding van de marketingactiviteiten en een gebalanceerde KPI-set voor het management.

Van gedrag voorspellen naar gedrag beïnvloeden

Toen werd het pas echt interessant, want we wisten welk klantgedrag we wilden beïnvloeden. In plaats van het optimaliseren van de doelgroep binnen één campagne, konden we een marketingmix maken waarbij voor elke klant of prospect de beste actie met de beste content gedefinieerd kon worden.

Samenvattend is dit een heel goed werkbare aanpak waarbinnen een Data Scientist de marketing kan optimaliseren in lijn met de belevingswereld van de marketeer. Bovendien is de organisatie hiermee in staat om met een gebalanceerde KPI-set intelligente beslissingen te nemen.