zondag 5 juli 2015

Mik je wel op de goede doelgroep?

Een belangrijk onderdeel van een CRM-strategie is het aanbieden van het juiste product, op het juiste moment aan de juiste klant. Des te beter je dit kunt, des te groter de kans dat de klant op het aanbod in gaat. Bedrijven mikken daarbij vaak op de groep klanten met de hoogste kans op het kopen van het product. Dat is niet altijd de slimste aanpak.


Bij welke klanten maken we de meeste kans? 
Hiervoor worden responsemodellen ontwikkeld die voorspellen welke klanten de hoogste kans hebben om te reageren op een campagne voor een nieuw product. Bij het voorspellen van de slaagkans worden kenmerken van de klant meegewogen zoals leeftijd, productbezit, klikgedrag en klantduur.

Next Best Action bij ING
ING gebruikt al enkele jaren een ‘next best action machine’. Dat systeem bepaalt automatisch welke producten aan welke klanten aangeboden (kunnen) worden, zodra ze via telefoon of de website contact hebben met de bank. De next best actions worden vastgesteld op basis van het profiel van de klanten. Dat profiel wordt ontwikkeld door data van de desbetreffende klant te analyseren. Deze klantanalyse, waarin bijvoorbeeld ook informatie over het klikgedrag en eerdere aankopen worden meegenomen, bepaalt welke next best action het beste bij een klant past. Welk product en welke aanbieding past op het moment dat de klant contact opneemt het beste bij precies die ene klant? De actie wordt vervolgens door de telefoonmedewerker onder de aandacht van de klant gebracht, of automatisch via banners of pop-up’s als de klant de website bezoekt.

Hoogste kans op verkoop
Het responsmodel (voorspellingsmodel) rangschikt de klanten op grond van de hoogste kans op het kopen van het nieuwe product. Klanten met de hoogste kans, vaak de top-30-procent, worden vervolgens benaderd met een ‘aanbod op maat’ via telefoon, e-email, direct mail of aanbieding op de website.

Is dit nu een handige aanpak? Je zou zeggen van wel, maar de praktijk laat zien dat het slimmer kan. Dat zagen onderzoekers bij de Amerikaanse US Bank. Klanten uit de top-30-procent die WEL benaderd werden voor een nieuw product (groep A), kochten net zo vaak het nieuwe product als de klanten uit de top-30-procent die NIET benaderd werden (groep C). Conclusie van de onderzoekers luidt: klanten met een hoge kans om een product te kopen, kopen het product waarschijnlijk ook als ze niet benaderd worden. De groep klanten uit de top-30-procent die wel werden benaderd (groep A), scoorden qua verkoop beter dan een controlegroep, bestaande uit een willekeurige groep klanten die geen aanbod kreeg (groep B).

Hoogste kans op beïnvloeding
Nicolas Radcliffe en David Surry beschrijven in hun onderzoekspaper ‘Real-World Uplift Modelling with Significance-Based Uplift Trees’ een betere manier: het ‘uplift-model’. Met dit model ga je niet op zoek naar klanten met de hoogste kans op het kopen van het product (‘sure things’), maar ga je op zoek naar klanten waarbij je de hoogste kans hebt om het koopgedrag te kunnen beïnvloeden (‘persuadables’). Het zijn de klanten waar de kans om het aangeboden product te kopen, na het zien van een reclame-uiting, het meest toeneemt. Campagnes die zich richten op deze groep ‘persuadables’ scoren het best.

Uplift-strategie van Obama
De vijftig data-analisten van Obama maakten fantastisch gebruik van uplift-technieken. Dat schrijft Eric Siegel in zijn boek ‘Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die’.  Uplift-modellen stelden hen in staat te focussen op mensen die qua stemgedrag nog te beïnvloeden waren en waar campagne voeren het meest effect had. Ze bekeken welk type actie een bepaalde stemmer positief kon beïnvloeden, maar ze bekeken ook wie juist niet benaderd moest worden. Het resultaat was dat veel zwevende kiezers uit de ‘swing states’ uiteindelijk voor Obama kozen waardoor Obama de verkiezingen won. 

Moraal van het verhaal: kijk bij je campagnes naar klanten waarbij je de meeste kans hebt op het positief beïnvloeden van het koopgedrag.

Bron: Nicholos Radcliffe and Patrick Surry, Real-world uplift modelling with significance-based uplift trees, 2011. Eric Siegel, Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, 2013.



Geen opmerkingen:

Een reactie plaatsen