Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
×

People-based marketing en manieren om de juiste doelgroep te vinden

People-based marketing start bij het leren kennen van je klanten, gebruikers of fans (in vervolg: klanten). Want zij zijn de gebruikers van je producten en diensten en zij ervaren de kwaliteit en customer experience. Zodra we onze klanten goed kennen en begrijpen, zijn we beter in staat om persoonlijke customer experience te bieden, loyale klantrelaties te ontwikkelen en daarmee een positieve bijdrage te leveren aan een duurzame bedrijfsstrategie. 

Data overload

Maar wat weten we nu eigenlijk van onze klanten? Er is zoveel data beschikbaar: demografische data, transacties (zowel offline als online) en interacties via e-mail, klantenservice of via een chatbot. Er is data van onlinesurfgedrag, reviews en van productgebruik. Er is zoveel data in zoveel verschijningsvormen en kwaliteit, dat we vaak door de bomen het bos niet meer zien. Wat we in ieder geval wel weten is dat niet alle klanten dezelfde behoeften of voorkeuren hebben of hetzelfde gedrag vertonen. Maar omdat het voor organisaties nog een grote stap is om van een 1-to-many strategie naar een 1-to-1 benadering te gaan, kiezen we ervoor om klanten te ordenen in verschillende groepen. Zodoende zijn we in staat om per groep met klanten een persoonlijke en relevante interactie aan te gaan. Door precies te weten welke kenmerken en gedrag elke groep heeft, kunnen deze groepen worden benaderd met op maat gemaakte communicatie. Zodoende sturen we niet langer iedereen dezelfde boodschap, met dezelfde vormgeving, via hetzelfde kanaal op hetzelfde moment. Maar welke methodes kunnen je gebruiken om klanten in groepen in te delen? De zes opties op een rij:  

Persona’s 

Dit zijn profielen van groepen klanten voorzien van een kernachtige omschrijving, vaak gerelateerd aan wensen en behoeften van klanten. Aan de hand van deze drijfveren kun je de productcommunicatie beter afstemmen op de doelgroep. Persona’s worden vaak weergegeven met behulp van een naam en een passende visualisatie. Niet zelden wordt daarvoor een voorbeeld uit de groep gekozen welke representatief is.  

Deze methodiek vergt een goed inbeeldingsvermogen in de drijfveren van klanten. Omdat deze methodiek vaak generiek is en meer gebaseerd wordt op kwalitatieve kennis, dreigt een simplificatie. De groepen komen tot stand op basis van aannames en meestal kan de indeling niet worden gevalideerd. Voor een communicatiestrategie zijn persona’s een goed middel. Wil je echter doelgroepen intensief inzetten voor onder andere conversiedoeleinden, dan adviseren we om gebruik te maken van bijvoorbeeld audiences.  

Audience 

De term audience komt voort uit de digitale marketing en refereert aan de platformen die gebruikt worden voor targeting van doelgroepen. Een audience kan ingezet worden bij campagnes over meerdere digitale kanalen heen. Een veel gebruikte toepassing is retargeting, waarbij advertenties worden getoond op basis van voorgaand gedrag, zoals bijvoorbeeld websitebezoek. We zijn in staat om dezelfde unieke klant te volgen over verschillende platformen heen, door slim gebruik te maken van de data waar audiences uit samengesteld zijn en met behulp van technologie, zoals een DMP/CDP. Anderzijds is het ook mogelijk om remarketing audiences samen te stellen, bijvoorbeeld van klanten die een online aankoop niet hebben afgerond. Of van klanten die ergens in de funnel zijn afgehaakt.  

Deze toepassingen vereisen unieke klantherkenning en identificatie, zowel on-site als in externe platforms. Tot dusverre werd vaak gebruik gemaakt van first en third-party cookies. Met de komst van ITP (Intelligence Tracking Prevention) en ETP (Enhanced Tracking Prevention) worden de mogelijkheden voor klantherkenning middels met name third party cookies echter sterk beperkt. Maar deze maatregelen gaan ook invloed hebben op onder andere de bewaartermijn van first party cookies en daarmee op de toepassing en timing van retargeting en remarketing. Meer details hierover vind je in dit artikel.

Omdat de mogelijkheden steeds meer worden beperkt, is het raadzaam je voor te bereiden op een ‘cookieless future’. En in dat geval kun je ervoor kiezen om meer gebruik te maken van CRM-data, zoals bijvoorbeeld met de methode van segmentatie.  

Segmenteren 

De segmentatie methode wordt gebruikt om klanten in groepen in te delen op basis van hun overeenkomsten. Een indeling maak je met behulp van kenmerken en business-ruling. Bij deze methode leun je als marketeer ook sterk op de domeinkennis, zoals de branche waarin je actief bent. Zo kun je groepen indelen op basis van bijvoorbeeld leeftijd, opleidingsniveau en de locatie waar ze wonen. Afhankelijk van de kwaliteit en rijkdom van je data, kun je ook segmenteren op het aantal jaar dat iemand reeds klant is, op betaalgedrag of het kenmerk dat iemand deelneemt aan je loyalty programma.

Segmenteren kun je ook heel goed toepassen in B2B marketing. Denk om te beginnen aan het onderscheid in bedrijfsgrootte (FTE), branche en vestigingsgebied. Wil je nog specifieker segmenteren, dan kun je kenmerken toevoegen, zoals het aantal vestigingen of de kredietwaardigheid. Wanneer je meer kenmerken toepast, zal de segmentatie meer gedetailleerd zijn, waarbij de omvang van de doelgroepen afneemt. En des te meer je in staat bent om de interacties zo relevant mogelijk te maken en af te stemmen op de behoeften van de doelgroep.  

Hierin schuilt ook meteen de uitdaging. Want op welke manier vind je de juiste combinatie van kenmerken, waarmee je een doelgroep tot stand brengt waarvan je de motieven en het gedrag kunt voorspellen? Het is onmogelijk om dit voor tientallen of zelfs honderden kenmerken te doen. We maken daarom vaak gebruik van een methode waarbij we maar met een beperkte set aan kenmerken werken: de RFM-methode. 

RFM 

Met de RFM-methode ordenen we de klanten op basis van hun waarde en activiteit, met behulp van transactionele data. Daarbij hanteren we drie dimensies:  

Recency: de periode sinds de laatste aankoop, uitgedrukt in dagen, weken of maanden. 

Frequency: het aantal unieke transacties, binnen een bepaalde periode. 

Monetary value: de waarde van alle aankopen, uitgedrukt als het gemiddelde of als de totale financiële waarde van alle transacties, over een bepaalde periode (bijvoorbeeld: voorgaande twaalf maanden). 

Door de data op deze drie dimensies te combineren ontstaan verschillende groepen.

Een indeling met behulp van RFM is een effectieve manier om klanten te ordenen. Omdat je alleen gebruik maakt van transactionele data, is de eenvoud echter ook meteen de zwakte. Want je negeert belangrijke andere indicatoren, zoals de inhoud van de transacties (basket), of er gebruik is gemaakt van korting of een voucher, de betaalwijze of de locatie van de transactie (offline of online). Daarmee is RFM voornamelijk een sortering op basis van de waarde en de relatie. Voor bijvoorbeeld een contactstrategie kan dit bruikbaar zijn. Voor een content-strategie of voor het optimaliseren van de customer journey is RFM minder geschikt. Daarvoor heb je meer details nodig over de kenmerken van de klanten en hun gedrag en wellicht zelfs van hun motieven. Wanneer je deze data wilt toepassen, kun je bijvoorbeeld gebruik maken van clustering.  

Clustering 

Met clustering vinden we nieuwe doelgroepen door machine learning en statistische modellen in te zetten. Van iedere klant bezitten we een reeks aan kenmerken ofwel variabelen. Met behulp van algoritmes onderzoeken we relaties op basis van de afstanden tussen deze dimensies. Het clusteralgoritme wijst het cluster toe dat vergelijkbaar is met de andere objecten (klanten) in hetzelfde cluster. Clustering scharen we onder de zogenaamde unsupervised machine learning technieken. Voorbeelden hiervan zijn K-Means en Gaussian mixture model. 

Aanbevelingen doen

Afhankelijk van het aantal in te zetten variabelen, kan het clusteralgoritme ook een aanbeveling doen van het optimale aantal groepen (clusters). In de praktijk streven we doorgaans naar een maximum van circa 8-10 groepen. Meer groepen is moeilijk hanteerbaar, omdat je per groep toch maatwerk verwacht in termen van aanbod, content en contactstrategie. Mocht het model een aanbeveling doen voor minder groepen, bedenk dan dat dit gevolgen heeft voor het onderscheid tussen de groepen.  Doorgaans passen we in het algoritme circa 15-20 variabelen toe. Het is voor de uitkomst van de clustering dus cruciaal om de selectie van variabelen zo goed mogelijk te faciliteren en uit te voeren. Dit is bij uitstek een stap in het proces waarin de product owner, marketeer en data scientist heel goed moeten samenwerken. Tezamen bepalen zij welke variabelen worden gebruikt om het model te bouwen voor de clustering. We noemen deze variabelen de zogenaamde drivers van het model, ook wel prescriptive variabelen genoemd. Zodra de variabelen zijn vastgesteld kan het model gebouwd worden. Als het model eenmaal is gevalideerd, dan levert de uitkomst een set met clusters op. Aan de hand van de drivers kun je de clusters beschrijven. Wat is het meest dominante kenmerk in een cluster, of welke unieke combinatie van variabelen overheerst en bepaalt daarmee de samenstelling van een cluster? Voor de beschrijving van de clusters kun je ook andere variabelen inzetten. Het gaat dan om klanteigenschappen ofwel de zogenaamde “descriptive” variabelen. In dat geval spreken wij van personalities. 

Personalities 

Personalities zijn het beste te omschrijven als data-driven persona’s. Dit zijn clusters waarbij we naast de drivers ook nadrukkelijk de descriptive variabelen bij de beeldvorming over de clusters betrekken. Wanneer je zoveel rijke informatie van je klanten ter beschikking hebt, moet je die gebruiken. Daarmee heb je nog meer middelen om een klantbeeld te schetsen welke is gebaseerd op het uitgebreide gedrag van een groep klanten (clusters).  

Met de drivers, of prescriptive variabelen delen we de klanten in groepen in (clusters). Met de verklarende, of descriptive variabelen geven we kleur aan deze clusters. Hiermee geven nog meer handvatten aan marketeers om nieuwe proposities te bedenken. We bieden campagnemanagers meer triggers om journeys te ontwerpen en personaliseren. Ook krijgen creatives daardoor een rijke input om echt data-driven content te ontwerpen waarmee merken zich onderscheiden en een duurzame indruk achter laten.  

De juiste doelgroep 

Grofweg onderscheiden we dus een zestal manieren voor het vinden van de juiste doelgroep: persona’s, audiences, segmenteren, RFM, clusteren en personalities. Welke methode voor je het beste werkt, hangt onder andere af van de doelstelling van je doelgroepenbeleid, de kwaliteit van de aanwezige data, de mate van identificatie over alle kanalen en media heen en van de beschikbare technologie en marketing automation. Welke methode je ook hanteert, het is altijd een stap dichter bij het realiseren van een relevante, klantgerichte interactie of customer experience. 

 

Dit artikel is origineel gepubliceerd op Emerce.nl