Trigger based marketing automatiseren met predictive analytics

Consumenten raken steeds meer gewend in één oogopslag relevante en gewenste informatie uit te filteren en de ongewenste massacommunicatie te negeren. Het is daarom moeilijk met klanten in contact te komen en te blijven, tenzij een onderneming echt relevant is met de juiste content op het juiste moment.

Kennis van individuele klanten, de context waar zij zich in bevinden en het in kaart brengen van real-time gebeurtenissen, ook wel triggers genoemd, is een essentiële voorwaarde om dergelijke content op het juiste moment te presenteren. Bedrijven kunnen door de verregaande digitalisering van de klantinteractie en bedrijfsprocessen steeds meer triggers realtime registreren en analyseren. Met steeds slimmere algoritmen bepalen ze de next best action. In dit artikel beschrijft Michael Klazema samen met Bastiaan van de Rakt, Principal Consultant Marketing Intelligence, hoe trigger based marketing is veranderd, hoe een bedrijf op basis van predictive analytics de meest passende volgende actie kan voorspellen en hoe deze aanpak geautomatiseerd kan worden.

Wat is trigger based marketing?

Marketingacties op basis van triggers is niets nieuws. T-Mobile stuurde meer dan tien jaar geleden al een opblaasbare ‘HOERA’ vlag op je verjaardag met de tekst: ‘Gefeliciteerd: speciaal voor jou’. Een succesvolle campagne op basis van simpele demografische data.

Naast demografische gegevens, zoals je verjaardag, beschikken bedrijven over meer informatie zoals klachten en call center gesprekken. Ook zijn ze in staat steeds meer online data, zoals sentimentanalyses en klikgedrag te verzamelen. Allemaal triggers die samen bepalen welke volgende actie het beste past.

trigger-based-marketing

Er zijn veel verschillende typen triggers uit allerlei databronnen.

Veel marketing automation programma’s, zoals de suite van Adobe, maar ook e-mail marketingsoftware zoals MailChimp, gebruiken deze data als basis. Door middel van grafische workflows wordt de typische journey van een klant gemodelleerd en worden beslisregels ingevoerd voor het versturen van e-mails of het personaliseren van webpagina’s met content of aanbiedingen.

Marketing automation: begin met een heldere aanpak

Trigger based marketing wordt steeds complexer door de toenemende hoeveelheid data. Bedrijven moeten daarom goed nadenken over de doelstellingen, adoptie en het beheer van de systemen voordat ze met marketing automation beginnen. Soms zie je dat na de opstartfase, vaak ondersteund door externe adviseurs, nog maar weinig veranderingen en aanvullingen aan het systeem worden gemaakt. Dit komt bijvoorbeeld doordat er onvoldoende gebruik gemaakt wordt van trainingen, er sprake is van gebrekkige integratie met andere systemen of er simpelweg onvoldoende tijd en aandacht voor is. Kortom, het ontbreekt vaak aan een aanpak om de adoptie te vergroten.

Andere bedrijven schakelen snel op naar een breder en intensiever gebruik van de marketing automation functionaliteiten, omdat marketeers met meer triggers komen waarop ze willen reageren. Hierbij loop je als bedrijf echter het gevaar dat er na een jaar of twee een enorme hoeveelheid campagnes in het systeem zit. Inzichten in wat wel en niet werkt, leiden namelijk vaak niet tot aanpassing of verwijdering van oudere campagnes. Hierdoor kunnen er conflicten tussen campagnes ontstaan.

marketing-automation-user-flow

Als je handmatig beslisregels bedenkt op basis van de groeiende hoeveelheid triggers, ontstaat er een complexe workflow. (Inspiratie: Dotmailer)

Als je handmatig beslisregels bedenkt en in je marketing automation systeem zet, vuurt het systeem deze regels ‘los’ af op de klant. Hierdoor ontstaat, in potentie, een grote hoeveelheid uitingen, die de klant kan gaan ervaren als spam. Denk dus voor je begint goed na over hoe je slim om kunt gaan met de groeiende hoeveelheid data die het moeilijker maakt om handmatig de beste beslisregels te bedenken, analyseren en implementeren.

Predictive analytics bepaalt de meest passende volgende actie

Voor het bedenken, analyseren en implementeren van de beste beslisregels ligt wat ons betreft een zeer belangrijke rol voor predictive analytics. In plaats van een marketing automation systeem te configureren met een beperkt aantal beslisregels, moet je alle data combineren in een voorspellend model om de meest passende volgende actie (next best action) te bepalen.

In eerste instantie wordt op basis van alle historische klantdata en triggers een 360 graden klantbeeld opgesteld. Op basis van dit klantbeeld, de bestaande triggers en vooropgestelde business doelen wordt voor elke mogelijke actie (of combinatie van acties) een initiële kans van slagen gemodelleerd. Op het moment van binnenkomen van een nieuwe trigger worden al deze modellen opnieuw doorgerekend en geëvalueerd. Deze real-time evaluatie zorgt voor een continue bijgewerkte ranking van alle mogelijk gecombineerde acties. Het systeem voert de beste actie automatisch uit als de predictive analytics engine de kans van slagen ten opzichte van tevoren vastgestelde doelen hoog genoeg acht. Het model kan dus ook voorspellen dat er geen volgende actie nodig is, omdat de beste gecombineerde actie geen positieve invloed heeft voor die specifieke klant. De next best action is dan dus helemaal niets doen!

trigger-predictive-analytics-algorithm-next-best-action

Nadat de actie is uitgevoerd wordt deze informatie voor die klant toegevoegd, maar ook bijgewerkt in alle algoritmes (zelflerend systeem). Bij de volgende trigger wordt dezelfde cyclus weer doorgelopen. Naarmate er voor een klant meer triggers worden verwerkt en geëvalueerd wordt het algoritme steeds slimmer en zal hij steeds betere acties kiezen, conflicterende acties mijden en op de juiste momenten niet tot actie overgaan.

Deze triggers hebben vele typeringen en verschillende bronnen. Een illustratie: je weet bijvoorbeeld dat een concurrent binnenkort een nieuw product lanceert en zijn positieve sentiment op social media stijgt. Daarnaast weet je dat de klant behoefte heeft aan een upgrade van zijn huidige product, dat nu nog zes maanden loopt. Er zijn veel mogelijkheden voor een volgende actie. Op basis van een zelflerend algoritme wordt bepaald dat voor de hoogste cross-sell kans of opportunity met behoud van customer experience het beste is de klant niet actief te benaderen, maar als hij/zij op de website komt wel de content aan te passen. Partijen als Optimove, Custora of AVARI (voorheen RetentionGrid) bieden al oplossingen aan die marketingacties op basis van predictive analytics kunnen aansturen.

Geautomatiseerde acties betekent investeren in je marketing technologie stack

Uiteindelijk dient deze aanpak natuurlijk op alle klanten toegepast te worden zonder veel handmatig werk. In de praktijk komen hier nogal wat uitdagingen bij kijken. Grote organisaties hebben moeite met het integreren van verschillende soorten marketing automation software op één platform. Dat komt omdat de achterliggende infrastructuur en ‘backbone’ vaak niet praat met de software die de interactie met klanten aan de voorkant regelt. Hierdoor gaan waardevolle inzichten uit triggers verloren.

Organisaties die nog met oude content managementsystemen werken, moeten een architectuur met een customer data managementsysteem als middenlaag voor hun marketing technologie platform overwegen. Voorbeelden hiervan zijn Lotame en IgnitionOne/Knotice. Deze middenlaag integreert data uit verschillende systemen aan de achterkant in software naar de voorkant, bijvoorbeeld door middel van API’s.

Idealiter moet zo’n customer data managementsysteem informatie uit verschillende bronnen kunnen herkennen als een persoon. Zo voorkom je dat je klanten dubbel telt, maak je het mogelijk de conversie-attributie per persoon in kaart te brengen en ontwikkel je een 360 graden beeld van de klant.

Op deze middenlaag sluit je customer experience marketingtechnologie aan die de interactie met de klant aan de voorkant bepaalt. Denk hierbij aan e-mail marketingsoftware zoals het al eerdere genoemde MailChimp of SEO software zoals Yoast. De aansluiting zorgt ervoor dat deze software gebruik kan maken van de inzichten uit het customer datamanagementsysteem. Zo kan je bijvoorbeeld een lead nurturing campagne opzetten met MailChimp op basis van een database van klanten, waarin triggers zoals een bezoek aan de pricingpagina een variabele vormen voor de berekening van de meest passende volgende actie.

Conclusie

Vroeger bepaalden bedrijven (geautomatiseerde) marketingacties op basis van een enkele gebeurtenis of trigger. Door de toenemende hoeveelheid data wordt het moeilijker deze marketingacties te automatiseren met handmatig geprogrammeerde triggers.

Om deze acties te kunnen automatiseren, hebben bedrijven enerzijds een middenlaag in hun marketingtechnologie nodig, die alle signalen registreert en ontsluit. Anderzijds is er logica nodig die door middel van predictive modelling next best actions aanbeveelt en deze integreert in de marketingtechnologie aan de voorkant. Met deze aanpak kan je als bedrijf beter voldoen aan de (groeiende) klantverwachting en deze misschien zelfs overtreffen. Dit levert duurzaam waarde op voor klant en organisatie.

 

Als eerste op de hoogte van het laatste nieuws over digitale marketing transformatie? Schrijf je in voor onze blog update.

#marketing automation #predictive analytics #trigger based marketing