Van segmentatie naar overreding

Van segmentatie naar overreding

Alle gebruikersdatabases hebben hun beperkingen. Ze groeien, maar veel minder snel dan noodzakelijk is om alle instanties die ze willen gebruiken in stand te houden. Soms zijn er te weinig actieve internetgebruikers in een bepaalde markt en soms komt hun activiteit gewoon niet overeen met de activiteiten van het bedrijf. En in het slechtste geval is er sprake van een combinatie van beide. Er moet dan dus wat gebeuren: de database moet worden verbeterd.

Kanalen die je in staat stellen om snel te communiceren, zoals e-mail, zijn altijd in trek geweest omdat je er snel resultaat mee kunt boeken: Laten we ons bericht maar naar alle abonnees sturen, dat levert dan in elk geval wat op! Toch is gebleken dat het geen zin heeft om alle contacten steeds opnieuw op dezelfde manier aan te spreken. Het staat ons succes in de weg en de resultaten worden steeds matiger.

Vergeet bovendien aanbieders van internetdiensten, zoals Google, Microsoft en Yahoo, niet. Zij willen dat zo veel mogelijk gebruikers zich aanmelden voor hun e-maildiensten. Daarom proberen ze, waar mogelijk, te meten hoe veel betrokkenheid jouw bericht bij hun gebruikers veroorzaakt. Dat werkt ongeveer net zoals bij hun zoekmachines: ze zoeken naar manieren om de resultaten te tonen die gebruikers verwachten of waarderen en waar gebruikers naar alle waarschijnlijkheid op zullen klikken.

Van segmentatie naar overreding

Het is dus aan ons om onze gebruikers te leren kennen, zodat we weten wat ze willen en wanneer ze dat willen.

Oké, maar ik heb verschillende segmentatiestrategieën geprobeerd en uiteindelijk leveren ze me niets op. Die opmerking hebben we meer gehoord: er zijn veel marketingmedewerkers bij grote bedrijven die dit probleem kennen. En segmentatie is duur of we hebben niet de juiste tools om dat goed te doen.

Segmentatie is niet duur, maar wel arbeidsintensief. Je hebt een opgeruimde en gestructureerde database, een goed uitgewerkt proces en een goede productstrategie nodig. Registreer alle gegevens van je klanten op één centrale locatie, gebruik je gezond verstand en kies voor een methode. En: sluit de lus door specifiek verkeer naar specifieke landingspagina’s te sturen – dat levert je systeem waardevolle informatie op. Dat kost je dus energie, geen tijd.

Segmentatie levert echt rendement op. Je moet niet alleen letten op het aantal verkopen dat je ermee genereert, maar ook op andere KPI’s die verband houden met kwaliteit, zoals het aantal geannuleerde bestellingen of de reactiviteit van de abonnees. Een kleine database met actieve gebruikers is veel meer waard dan een grote database met inactieve gebruikers. Nog steeds weegt de omvang van de database het zwaarst, maar het zal niet lang meer duren voor er vooral wordt gekeken naar de activiteit van de gebruikers.

Segmentatie is bovendien helemaal niet moeilijk. We kunnen gebruikersgegevens tegenwoordig veel nauwkeuriger gebruiken tegen veel lagere kosten. Op dit moment is het begrip “Big Data” heel trendy. We kunnen nu veel meer gegevens registreren, opslaan en analyseren, waardoor we het doel van onze communicatiestrategie veel nauwkeuriger kunnen vaststellen. Bovendien kunnen we het doel ook in realtime aanpassen, wanneer dat volgens onze modellen zou moeten.

Big Data, waarom duurde het zo lang?

Waarom duurde het zo lang voor Big Data trendy werd? Segmentatie was altijd gebaseerd op statische en beperkte gegevenssets die gemakkelijk verzameld en herkend konden worden. Denk bijvoorbeeld aan demografische gegevens, zoals gegevens over de bevolking, het geslacht en de leeftijd. Bedrijven overwogen om een database uit te breiden met extra gegevens van gebruikers, zoals hun adres. Ze waren echter pas écht goed als ze ook de telefoonnummers van hun gebruikers hadden.

Na segmentatie volgde analyse van de reactiviteit. Bedrijven stelden regels samen op basis van het gedrag van gebruikers bij communicatie in het verleden. Er ontstond een cirkel waarin berichten werden verstuurd, reacties werden gemeten en segmenten opnieuw werden geëvalueerd. Er moesten verschillende soorten reacties op verschillende soorten berichten binnen specifieke tijdskaders worden gemeten. Dat maakte de zaken wat complex en klonk dynamisch in vergelijking met statische gegevens, zoals het postadres en geslacht van gebruikers.

De term dynamisch kreeg de lading van veranderen en enorm groeien. Daarmee zijn we bij Big Data. We zijn inmiddels in staat om de database met gebruikers in te richten aan de hand van gebruikersprofielen. Daardoor kunnen we de volgende stap van gebruikers voorspellen op basis van wiskundige modellen. Inmiddels zijn we hard op weg van statistische extrapolatie – een willekeurige steekproef uit een normale verdeling die ons iets kan vertellen over het gedrag van de groep – naar het meten van de hele steekproef en het voorspellen van individuele gedragingen op basis van wiskundige verbanden. Vergeet de beschrijvende statistieken voor groepen: er zijn nu inferentiële statistieken voor afzonderlijke gebruikers.

Door deze technieken toe te passen op tastbare gegevens en door veel zaken te vereenvoudigen, kunnen we nu dynamische A/B-tests uitvoeren. We kunnen gaandeweg het proces de manier waarop we met onze gebruikers communiceren veranderen op basis van datgene wat hen het meest interesseert op een specifiek moment. Dat klinkt toch veel beter dan het aanspreken van gebruikers op basis van een geëxtrapoleerde steekproef?

Neem bijvoorbeeld overtuiging. Diverse auteurs hebben principes beschreven die gedragsveranderingen stimuleren en ons overtuigen om iets te kopen, om ergens op te klikken, enzovoorts. Voorbeelden daarvan zijn:

  1. De schaarsheid van een product: er zijn nog maar enkele artikelen op voorraad
  2. Producten die gekozen zijn door experts
  3. Producten die worden gekocht omdat anderen ze ook kopen
  4. Best verkochte producten

Als we een combinatie van deze principes aan onze gebruikers toevoegen, krijgen we een profiel waaruit blijkt hoe ontvankelijk ze zijn voor onze berichten. We noemen dit het “overtuigingsprofiel”. We kunnen vervolgens onze berichten afstemmen op dit overtuigingsprofiel.

Klinkt goed, maar hoe werkt het precies? We kunnen de interactie van alle gebruikers meten en op basis daarvan een profiel ontwikkelen. De gebruikers zijn in eerste instantie “neutraal”. Daarom versturen we de berichten statistisch. Vervolgens worden op basis van de reacties profielen gemaakt, aangepast en verbeterd. Zo leren we steeds meer over onze gebruikers kennen en krijgen we inzicht in de overtuigingsprincipes waarmee we ze kunnen beïnvloeden.

Webpower heeft de betrouwbare aflevering van e-mailnieuwsbrieven hoog in het vaandel. Wij zetten ons in om onze klanten beter te laten communiceren met hun gebruikers. Daarom kochten we vorig jaar december Science Rockstars, een revolutionaire startup op het gebied van overtuigingsprofielen. De resultaten van hun onderzoeken worden voortdurend verwerkt in ons platform.

We sturen dus niet zomaar e-mails.


Share this article

Israel Garcia
Israel Garcia