personalisatie-valkuilen

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.