Door Jens Brokaar
Stel je voor, Jasper heeft interesse in het kopen van een auto. Hij heeft een automerk op het oog en is rond aan het kijken op de website welke auto bij hem past. Jasper wilt echter pas een auto kopen na het ontvangen van zijn volgende salaris. Je ziet dat daarom dat hij navigeert op de website maar nog niet tot actie overgaat.
Voorheen werd leadscoring gedaan op basis van regels. Iemand wordt bestempeld als een “goede lead” of iemand wordt bestempeld als een “slechte lead”. Dit alles zonder ruimte voor een grijs gebied. Het bepalen of het om een goede of slechte lead gaat werd uitgevoerd met een handmatige actie. Het webgedrag werd geanalyseerd en op basis hiervan segmenten gecreëerd. Slechte leads hadden geen toegevoegde waarde en kwamen in het afvoerputje terecht. In deze situatie zou Jasper worden gezien als een “slechte lead” en zou hij niet worden opgevolgd.
De marketingwereld heeft gelukkig niet stil gezeten en ingezien dat iedere lead van een bepaalde waarde kan zijn. Waar leadscoring voorheen bestond uit handmatige acties, datacrunch en analyses, wordt het tegenwoordig geautomatiseerd uitgevoerd aan de hand van slimme business ruling. De automation tools focussen zich daarom steeds meer op het voorspellen van het online gedrag. De belangrijkste doelgroepskenmerken (binnen de branche) worden uitgelicht en bijgehouden en deze kenmerken, of criteria, worden hierbij gescoord.
Het bovenstaande kunnen we classificeren als de klassieke vorm van leadscoring.
Naast deze klassieke vorm van leadscoring bestaat ook Predictive leadscoring. Dit gaat nog een stapje verder. Dit houdt in dat scoring wordt toegepast aan de hand van machine learning. Algoritmes in het systeem nemen de scoring over en leren van veranderingen in het gedrag van de leads.
En met wie hebben we nu te maken?
Bij leadscoring maak je gebruik van expliciete en impliciete criteria. De expliciete criteria zeggen iets over de bezoeker zelf (bijvoorbeeld: leeftijd, woonplaats, geslacht). De impliciete criteria gaan over alle contactmomenten die de persoon heeft met de uitingen van communicatie, bijvoorbeeld via e-mail en social media.
Door het combineren van deze criteria ben je in staat de complete doelgroep te categoriseren, in segmenten te plaatsen en daarmee efficiënter in te zetten voor targeting. De business ruling kun je volledig configureren aan de hand van jouw business, waardoor je de algoritmes succesvol hun werk kan laten doen.
Wat doet de websitebezoeker?
Voor de marketeer biedt analyse interessante inzichten. Welke trends kun je ontdekken? Zijn er elementen die voor meer conversies zorgen dan andere? Je genereert bijvoorbeeld meer conversies uit gerelateerde producten dan het bezochte product zelf of misschien kan het zijn dat 80% van de websitebezoekers vanuit de homepage direct naar één specifieke categorie navigeert.
Volg de bezoeker en koppel een score aan de contactmomenten die er zijn. Met deze score, de “engagementscore”, kun je meten hoe geïnteresseerd jouw klanten en prospects zijn.
Zou je dit gedrag matchen met de eerder genoemde expliciete en impliciete criteria dan ontstaat er een interessante en waardevolle profilering.
Door het combineren van de doelgroepsdefinitie en de engagementscore kan de glazen bol erbij worden gepakt. Er ontstaan patronen die voor de ene categorie heel goed werken en voor de andere totaal niet.
Blijf het proces ook analyseren middels je dashboard. Het is erg belangrijk je KPI’s te meten en te kijken waar het nog beter kan. Dit zie je snel genoeg waarna je met een kleine aanpassing al een groot verschil kan maken.
Volg de voetsporen
Het ontdekken van de rode draad in de route die de bezoekers nemen om tot een conversie te komen is natuurlijk het gouden ei voor iedere organisatie. Je kunt dit goed wegschrijven in de customer journey om zo het te verduidelijken van de stappen die men onderneemt om tot een conversie te komen en zo kan er een fasering worden toegepast.
Sterker nog, je kunt de bezoeker zelfs beter gaan sturen. Zodra je het inzicht hebt verkregen dat een groot deel van de doelgroep via een specifieke route navigeert, kun je de touchpoints bijhouden. Vervolgens kun je kijken of je de customer journey kunt optimaliseren of verkorten.
De kunst is uiteindelijk om scoring te koppelen aan deze fasering. Et voilà, er ontstaat een heuse strategie waarmee je de doelgroep op haar wenken kunt bedienen.
Maar dan nu, machine learning!
De stip aan de horizon: het gebruik maken van algoritmes.
Dit is hetgeen waar wij met elkaar naar toe willen. Automation tools gaan zelf nadenken over de informatie die wordt vergaard, koppelen hier een opvolgactie aan en bepalen daarmee de strategie. Hierdoor zal de uiteindelijke focus gaan verplaatsen van: het herkennen van trends, naar: het bepalen van trends.
Als het zover is moeten wij bij het bedienen van de tools gaan nadenken over het aansturen van de strategie. Dat de tools het grotendeels overnemen betekent dat er voor ons een nog belangrijkere taak is weggelegd:
“Dicht bij je eigen visie en missie blijven en je niet laten beïnvloeden door alle verkregen inzichten.”
Het is dus logisch dat de automation leveranciers een afslag nemen richting het voorspellen van gedrag. Je leert te luisteren naar de doelgroep om ze daarna beter te leren kennen en van dienst te kunnen zijn. Uiteindelijk gaat dit een verandering teweegbrengen in de marketing sector waarbij complete communicatiestrategieën 180 graden zullen omkeren.
Tot het zover is blijven we leren van de machines in plaats van andersom.
Jens Brokaar is eCRM consultant binnen Ematters. Hij is specialist op het gebied van e-mailmarketing en datamanagement en werkt aan mooie opdrachten voor onder andere de Vrije Universiteit, Zorg & Zekerheid en Domino’s.