Terug naar Blogs
Blog Img

​Marketingtechnologie organiseren om de klant beter te bedienen

Wil je personalisatie kunnen toepassen, dan moet je de klant begrijpen. Iedere interactie binnen de customer journey helpt je daarbij. Dankzij een central customer view neem je datagebaseerde beslissingen en verbeter je de klantervaring. In het webinar ‘Organizing technology to monetize on customer experience’ van Visser & Van Baars gingen experts van Crystalloids, de ANWB en Google Cloud in op de vraag: hoe organiseer je je marketingtechnologie en -analytics om de klant beter te kunnen bedienen? Een samenvatting.

Jan Hendrik Fleury: flexibele, future-proof marketingtechnologie

Het webinar op 1 juli 2021 wordt afgetrapt door Jan Hendrik Fleury. Als commercial director bij Crystalloids helpt hij klanten als ANWB, Calvin Klein en Rituals om meer uit hun data te halen door customer data platforms (CDP’s) te bouwen voor data, analytics en engagement, vooral op basis van de Google Cloud. Daarnaast is hij lid van de commissie Data, Decisions & Engagement (DDE) van de Data Driven Marketing Association (DDMA), een brancheorganisatie die 335 organisaties helpt om hun data-driven marketing op een hoger plan te tillen.

Fleury benadrukt eerst het belang van customer centricity en een central customer view: “Geef je de klant een naadloze klantervaring, dan is hij bereid om data met je te delen. Daardoor kun je relevanter zijn in de hele customer journey, betere beslissingen nemen en zo een concurrentievoordeel pakken.” Fleury legt in zijn online lezing uit hoe je zorgt voor voldoende data, datastromen automatiseert, kwaliteitschecks kunt doen én hoe je een flexibele en future-proof cloud- en marketingtechnologiestack realiseert.

Alles begint bij data

De cruciale eerste stap is vanzelfsprekend het verzamelen van data. Fleury: “Dat kan eigen data zijn of externe data via een data management platform. Vervolgens moet je de juiste privacytoestemming hebben en dat ook kunnen beheren.” In de enterprise data layer, die gefaciliteerd wordt door platformen zoals Google BigQuery of Amazon Redshift, vinden processen als identity management, tag management en beheer van metadata plaats.

Heb je alle ingrediënten voor een central customer view, zoals demografische gegevens en gedrag? Dan kun je gaan modelleren, denk daarbij aan lookalike modelling, propensity modelling, engagement modelling of churn prediction. Vervolgens ga je microtargeten, waarbij je de content verspreid via owned, paid of earned kanalen.

Een logische architectuur voor data en analytics

Wat is een logische architectuur voor data en analytics? En wat zijn de eisen voor een analytical datastore zoals Google BigQuery, Snowflake en Amazon Redshift? Dat is lastig samen te vatten in enkele zinnen, zo blijkt uit Fleury’s uiteenzetting van de architectuur van Body&Fit – dat gebruikmaakt van real-time serverless data en een analytical CDP in de Google Cloud.

Hoe werkt dat nou in de praktijk, geld verdienen door te personaliseren? Heel kort door de bocht: je hebt je data, die match je met de customer transaction ID en score je met een AI-platform. Hierop kun je twee strategieën toepassen: audience en bidding. Op basis van je data en de gekozen strategie kun je datagebaseerde beslissingen nemen.

Een zestal takeaways

Fleury sluit zijn lezing af met zes takeaways:

1. Begin met een duidelijke visie en datastrategie en zoek daarvoor steun in de directie.

2. Prioriteer de belangrijkste user stories en stem ze af met het programmamanagement.

3. Wacht niet totdat je ‘alles’ hebt, want je kunt een hoop bereiken zónder dat alle data beschikbaar is.

4. Begin snel, durf te falen en wees agile.

5. Voorkom dat je in een vendor lock-in komt omdat je een all-in pakket voor je CDP hebt gekozen. Koppel liever applicaties op losse basis en bewaar je data en analytics op een centrale plek.

6. Pas privacy en security by design toe en wees transparant naar de klant. Door de controle die ze over hun data hebben, vertrouwen ze je en zijn ze bereid om hun data te delen.

Arnold Moeken: omni-channel personalisatie bij de ANWB

Een mooi voorbeeld van personalisatie in de praktijk is het omni-channel personalisatieprogramma van de ANWB, dat de organisatie de DDMA Customer Data Award opleverde. Manager van het Customer Analytics Department bij de ANWB en lid van de DDE-commissie van de DDMA Arnold Moeken vertelt tijdens het webinar over dit programma.

Met bijna 5 miljoen leden zit de ANWB op een schat aan klantdata. “Voorheen hadden we alleen een aantal individuele initiatieven; in 2016 zijn we begonnen met een omni-channel personalisatieprogramma om beter gebruik te kunnen maken van klantcontacten over alle kanalen”, blikt Moeken terug.

Juiste proposities, moment, kanalen, manier

“Het doel van het programma is om de juiste proposities, op het juiste moment, via de juiste kanalen en op de juiste manier aan te bieden”, aldus Moeken. Dat begint allemaal, natuurlijk, met data. Na het verzamelen en extraheren van data wordt intelligentie toegevoegd. Daardoor is de ANWB in staat om – in combinatie met de juiste content en dankzij de marketing proposition engine en dashboards – de beste proposities voor te schotelen aan leden en klanten.

Dit is een continue loop, legt Moeken uit. “Via ons dashboard monitoren en optimaliseren we constant onze proposities.” Ook de modellen worden overigens constant aangescherpt. Daarvoor heeft de ANWB een model factory met meer dan 200 algoritmes die dagelijks voorspellen hoe waarschijnlijk het is dat klanten bepaalde diensten of producten kopen.

Ambitie en visie zijn alles

Moeken hamert erop dat ambitie en visie alles zijn: de organisatie moet tot één collectieve personalisatievisie komen en de ambitie hebben om het personalisatieprogramma tot een succes te maken. Moeken: “Voorheen waren alle initiatieven silo’s binnen onze organisatie. Gelukkig hebben we collectief ingetuned op de ambitie en konden we alle kanalen verbinden en optimaliseren.”

Een aantal randvoorwaarden is volgens Moeken van belang. “Je hebt bijvoorbeeld structurele en relevante proposities nodig. Het allerbelangrijkste bij ons was echter governance.” Het programma dat op basis van de ambitie en visie is opgesteld, zo legt Moeken uit, was multidisciplinair met marketing-, IT- en business line-afdelingen.

Vijf principes en een zevenlagig model

De ANWB heeft vijf architecturale principes ontworpen:

1. Gecentraliseerde data

2. Gecentraliseerde analytics

3. Gecentraliseerd campagnemanagement

4. Gecentraliseerd CDP / identity management

5. Gecentraliseerd contentmanagement.

Die principes zijn vervolgens vertaald in een zevenlagig personalisatiemodel: touchpoints, content delivery, content management, CDP, campagnemanagement, analytics en data. Op zijn beurt is dit model weer onderverdeeld in een analytische en een operationele CRM-aanpak.

Analytische CRM-aanpak: technologie

Moeken: “Voorheen hadden we BlueConic, Portrait en wat custom-made dingen. We kampten echter met een hoop problemen, zo konden we bijvoorbeeld niet schalen. Toen zijn we begonnen met een nieuw centraal dataplatform: AWS.”

Daarnaast heeft de ANWB met KNIME een nieuw analytics-platform geïntroduceerd en met IBM Watson een nieuw campagnemanagementplatform omarmd, dat inmiddels is ingeruild voor Unica Campaign. Gaandeweg heeft de ANWB alle marketingtechnologie steeds meer gecentraliseerd.

De belangrijkste lessen

Of het personalisatieprogramma zijn vruchten heeft afgeworpen? De cijfers en feiten spreken voor zich: zowel de share of impressions en share of clicks op de website als de CTR binnen de app zijn bijvoorbeeld met meer dan 200 procent gestegen en zelfs het gedrukte magazine Kampioen wordt nu gepersonaliseerd.

Moeken sluit af met een aantal belangrijke lessen voor organisaties die willen personaliseren:

1. Heilig geloven in personalisatie gaat boven een businesscase.

2. Zorg dat je de juiste kennis en expertise hebt. Heb je die niet, besteed het dan uit – zoals ANWB heeft gedaan bij Crystalloids.

3. Architectuur is het basisingrediënt, bedenk van tevoren waar je heen wilt. Dat voorkomt een vendor lock-in.

4. Samenwerking is cruciaal: in plaats van werken in silo’s, werkt de ANWB nu als één bedrijf.

Rokesh Jankie: een architectuur voor marketing-analytics

Tot slot komt een lid van de AI-commissie van de DDMA aan het woord: Rokesh Jankie, die in het dagelijks leven Google Cloud Sales Engineering Manager is bij Google Cloud in Amsterdam. Hij gaat in op vragen als: hoe doe je dat nou écht, een architectuur opzetten voor marketing-analytics? En hoe haal je waarde uit data?

Jankie noemt drie use cases voor marketing-analytics die momenteel een hot topic zijn: het begrijpen van de customer journey op basis van trendspotting, self service analytics en klantsegmentatie, het voorspellen van marketinguitkomsten aan de hand van lifetime value (LTV) prediction en purchase prediction, en het personaliseren van de klantervaring via sentiment monitoring, datagedreven segmentatie en een personalization engine.

LTV prediction: zelf aan de slag

Jankie legt uit dat dataprofessionals die alleen SQL meester zijn heel goed zelfstandig aan de slag kunnen gaan met lifetime value prediction. Nadat je data hebt verzameld, voer je die in bij een cloud-trainer. Daarvoor kun je pretrained of eigen modellen gebruiken. De data wordt vervolgens getransformeerd en geanalyseerd, waarna je kunt visualiseren met een tool als Google Data Studio of Tableau.

Dan activeer je de data, oftewel: je verzilvert de waarde van de data door inzichten om te zetten in acties die de klantervaring verbeteren. Dat kan bijvoorbeeld via advertentieplatformen, e-mailplatformen, contentoptimalisatie, CRM-platformen en sociale platformen.

“Het interessante: in een wereld waarin de cloud een centrale rol vervult in de bedrijfsvoering, zie je dat het makkelijk is om meerdere informatiebronnen te raadplegen om een blik van 360 graden op je klant te krijgen”, aldus Jankie.

Stappenplan voor customer LTV-berekening

Als basis om zelf de customer lifetime value te berekenen, gebruik je een data warehouse zoals Google BigQuery of Amazon Redshift. “Als data scientist heb je te maken met mensen die datasets kopiëren. Die zijn al snel terabytes groot, waardoor je een subset nodig hebt. Maar welke data kies je dan? En is dat een goede representatie van de hele dataset? Bij Google hebben we gezegd: waarom niet het modelleren – het AI-deel – naar de data brengen in plaats van de data naar het model?”, aldus de Google-specialist.

Zijn werkgever heeft dat gedaan met BigQuery ML, waarmee je machine learning-modellen kunt creëren en uitvoeren via standaard SQL-queries. Jankie somt de voordelen op: voorspellende modellen bouwen zonder aannames doen op basis van de data, snel iteraties doorvoeren, volop mogelijkheden om achteraf te optimaliseren en de mogelijkheid om algoritmes van onder andere TensorFlow, K-means Clustering en Matrix Factorization te gebruiken. Bovendien kun je schalen zonder operationeel gedoe, gelden er slechts minimale vereisten vanuit IT, hebben gebruikers minder machine learning-kennis nodig en zijn er gecentraliseerde governance- en monitoring-tools voorhanden.

Jankies conclusie: BigQuery ML zorgt voor democratisering van machine learning (ML), onder andere omdat data-analisten modellen kunnen bouwen met bestaande BI-tools en spreadsheets en ze alleen maar SQL-kennis hoeven te hebben.

Tot slot: AutoML

Jankie besluit zijn lezing door kort in te gaan op Googles AutoML, een tool om custom ML-modellen te trainen met slechts minimale moeite en ML-expertise. “AutoML kun je gebruiken voor onder meer de customer lifetime value en het voorspellen van de customer conversion en churn. Dankzij de grafische user interface hoef je niet te kunnen programmeren om ML-toepassingen te kunnen gebruiken: upload gewoon een sheet en selecteer de correcte kolom, daarna genereert AutoML het model dat het beste bij je data past.”