De klant bepaalt, 1 op 1 marketing

Binnen marketing is personalisatie de afgelopen jaren steeds belangrijker geworden. Waar veel traditionele communicatie vaak vanzelfsprekend is, geeft online media ons de kans doelgroepen goed in kaart te brengen.

‍

We weten veel van (potentiële) klanten en kunnen de boodschap daarom steeds beter laten aansluiten op hun wensen, wat een bewezen positief effect heeft op de omzet. Bovendien wordt personalisatie door klanten inmiddels ook van ons verwacht. Hoewel de mogelijkheden om te personaliseren steeds meer vanzelfsprekend worden en er inmiddels wordt gesproken over hyperpersonalisatie, zien we dat het in de praktijk nog bijna tot niet wordt toegepast.

‍

Personalisatie geeft bedrijven een voorsprong op concurrentie. Bedrijven zijn in staat de markt op z’n kop te zetten door een hyper gepersonaliseerd aanbod te leveren, of een hele goede persoonlijke match te creëren tussen een aanbieder en de consument, die tenslotte een steeds kortere aandachtspan heeft. Het succes van de Uber Eat en Airbnb’s van deze wereld is dus voor een groot deel toe te schrijven aan de mate van personalisatie die zij kunnen leveren.

‍

Data verzamelen en opslaan

Traditionele bedrijven beseffen dat ze op het vlak van personalisatie de laatste jaren links en rechts zijn ingehaald en willen ook daarom mee gaan in de tijd.. Maar als we kijken naar wat er in feite aan personalisatietrajecten wordt opgezet, is er maar een handvol klanten waarbij we bijvoorbeeld met behulp van machine learning en algoritmes aan 1-op-1-personalisatie werken.

‍

Toegegeven, voor veel bedrijven is dat wellicht nog een te grote stap en is een goede eerste stap het centraal verzamelen en opslaan van de data van alle kanalen en verbeterpunten met de klant. Dit kan in een datamagazijn, een opslag of middels een DMP (data management platform), zodat er een totaalbeeld ontstaat van de klant. Het op orde hebben van die datasets is de basis. Wanneer een bedrijf haar datamagazijn en de cloud goed inricht heeft, zijn ze al heel goed op weg. DMP’s worden op dit moment nogal onderschat en worden eigenlijk pas interessant voor grote bedrijven die hard groeien en met een groot verschil aan datanetwerken.

‍

Van segmentatie naar machine learning

De eerste stap is het netjes in kaart brengen van alle data. Vervolgens kunnen marketeers en CRO-experts die data gaan opdelen in aparte onderdelen. Denk aan de indeling man-vrouw, waar iemand woont, interesses en of iemand al is ingeschreven voor de nieuwsbrief.

‍

Als die data eenmaal wordt verrijkt en er een compleet user profile ontstaat, kunnen er nog veel complexere onderdelen gemaakt worden. Uiteindelijk worden die onderdelen en scenario’s zo specifiek dat het voor mensen lastig wordt om ze nog op basis van regels te identificeren en analyseren. Dat is het moment dat de verandering gaat plaatsvinden en dan moet de machine learning van pas komen.

‍

Personalisatie-maturity

Als ‘industrie’ zijn we inmiddels in de fase belandt waarin de toepassing van machine learning normaal is en maken we veel nieuwe systemen op basis van wat de klant wil. We voorspellen dan bijvoorbeeld wat mensen interesseert op basis van eerdere aankopen of zoektochten. Die voorspelling wordt gebruikt in het personaliseren van de website en media door gebruik van reclames. De ontwikkeling in de rijpheid van data en personalisatie gaan dus hand in hand. Als die ontwikkeling gereed is, kan het verstandig zijn met een DMP te gaan werken. Dat maakt het mogelijk door de nauwkeurig gemaakte doelgroepen en onderdelen te herkennen en ze zowel cross-device als cross-channel dezelfde, gepersonaliseerde boodschap aan te bieden. In dit proces van ‘personalisatie maturity’ hebben verschillende teams – marketeers, data scientists, CRO-experts – hun afzonderlijke focus, maar werken ze samen naar hetzelfde doel toe: het zo interessant mogelijk maken voor de consument.

‍

Hierbij moet benadrukt worden dat het gaat om de personalisatie van zowel de media als de platformen, zoals de website en de app. Het is allebei een belangrijk aanknooppunt voor veel bedrijven.

‍

Machine learning als een commodity

Personalisatie kan niet los gezien worden van de ontwikkelingen in machine learning. We zijn inmiddels al in een fase dat veel tools en software voor machine learning door bijvoorbeeld Google, Sales force en Adobe standaard worden meegeleverd in hun softwarepakketten. Die zijn toepasbaar op de zelfde soort zaken en kunnen met een druk op de knop worden geactiveerd. In die zin is machine learning een massaproduct geworden, iets wat door bedrijven op grote schaal wordt gebruikt, in tegenstelling tot een in ontwikkeling zijnde technologie waarin nog veel wordt geïnvesteerd. Die tools zijn gewoon beschikbaar in het CRM en data ware house, en kunnen in principe door iedereen worden gebruikt.

‍

Data scientist out of belangrijker dan ooit?

De vraag is dan ook wat dat betekent voor het werk van de data onderzoeker, die in dit proces van sales forecasting etc eigenlijk niet meer nodig is. Maar tegelijkertijd groeien bedrijven steeds verder in hun personalisatie maturity en ontstaan er meer ‘problemen’ die machine learning als commodity niet kan oplossen. Dit betekent dus dat er op termijn juist méér data onderzoekers nodig zijn om machine learning op al die unieke zaken en uitdagingen toe te passen.

‍

Kortom, door de groeiende vraag wordt machine learning geautomatiseerd en beschikbaar gemaakt in grote softwarepakketten, maar uiteindelijk komen er veel meer user cases die een data scientist nodig hebben om juist geïnterpreteerd te kunnen worden. De beweging van internet is niet te stoppen. Het duurt niet lang meer voor winkelcentra een compleet beeld geven van elke stap die de bezoekers zetten. Dat geeft enorme hoeveelheden data, die het mogelijk zullen maken hele specifieke personalisatie trajecten op te starten. Daarin wordt de rol van de data onderzoeker alleen maar groter.

‍

Babysteps

Toegegeven, dit is voor veel bedrijven nog echt geen optie. Een realistischer plan is het op orde hebben van datasets. De eerste vraag die een organisatie zichzelf kan stellen is: hoe word ik interessanter voor mijn doelgroep? En daarmee dus specifiek voor alle onderdelen binnen die doelgroep. Van daaruit kunnen dan steeds meer stappen worden gezet richting personalisatie. Het is een proces, stap voor stap.

‍