In mijn drie eerdere artikelen over digital marketing analyse besprak ik de rolverdeling binnen het team, de analyses die analisten uitvoeren en de belangrijke rol daarin van data. In dit laatste artikel in deze reeks beschrijf ik de wijze waarop digital marketing analisten hun analyseresultaten in productie kunnen brengen. Daarmee bedoel ik de mogelijkheden die analisten hebben direct aanpassingen te doen in de customer journey, de website personalisatie, userflow en content, online advertising en recommendations. Onderstaand geef ik vier voorbeelden.

1. Optimalisatie van e-mailmarketing 

E-mailmarketing is de ‘workhorse’ van de digital marketing kanalen. Al meerdere keren dood verklaard maar nog springlevend. E-mailmarketing levert al snel rendement op, maar er valt zeker te optimaliseren.

Wanneer je vooraf bepaalt wat de kosten per e-mail zijn en de baten vaststelt, bijvoorbeeld door de transactiewaarde te berekenen kort nadat klanten de e-mail ontvangen, kan je uitrekenen wat het rendement van de mailing is. Deze berekening kan je zo complex maken als je zelf wil, het gaat erom dat je een KPI hebt waardoor je kan vaststellen of de mailing rendeert.

Daarmee kan je direct gaan optimaliseren op basis van het: 

• vergroten/verkleinen van de doelgroep;
• aanpassen van de e-mail: beeld/copy/cta’s;
• verzendmoment;
• etc.

Marketeers worstelen al jaren met het idee: moeten we inactieve klanten (die zelden een e-mail openen) uitsluiten of blijven benaderen. Vanuit reputatie oogpunt is het beter niet te veel te mailen naar inactieven, maar het zou zo mooi zijn als je deze groep toch weer actief weet te krijgen. Om die reden kan het interessant zijn klanten in te delen in activiteit segmenten. Denk aan: opent bijna elke mail, opent wel eens een mail, opent zelden een mail en is helemaal inactief. Door de campagneresultaten van deze groepen te vergelijken zie je verschillen. Sommige e-mails doen het relatief goed in de inactieve segmenten: die kan je blijven sturen. Uiteraard werk je de activiteit-segmentatie na elke campagne bij.

Voor bovenstaande analyses heb je toegang nodig tot de volledige database met e-mail resultaten. E-mail service providers kunnen je een dagelijkse dump of een realtime API leveren waarin je alle benaderde klanten met opens en clicks terugvindt. Wanneer je ook wil meten hoe een respondent converteert op de website kan je gebruik maken van tools zoals Segment of Google analytics 360 die je op klantniveau het volledige klikpad aanleveren. Daarmee kan je in het volledige pad van e-mailresponse naar website het bezoekgedrag per klant analyseren.  

Met het analyseresultaat kan je automatische campagnes opstellen op basis van de combinatie tussen e-mailresponse en webgedrag. Denk aan een automatische e-mail die de producten nog eens aanprijst waarop de klant klikte in de eerste e-mail en bekeek op de website maar niet kocht. 

Meer weten hierover? Luister de podcast van Target Internet waarin zij uitleggen hoe zij optimaliseren voor het online aanbieden van trainingen. 

2. Website personalisatie

In optimalisatie tools kan je webpagina’s aanpassen om varianten te testen. Het is relatief eenvoudig om html, css en zelfs javascript aan een webpagina toe te voegen zonder de gehele website aan te passen. Ideaal voor een A/B- test maar ook handig voor het personaliseren van websites. 

De gedachte achter het personaliseren van websites is dat verschillende doelgroepen met verschillende informatiebehoeften een website bezoeken en dat daarom de behoefte aan informatie gedurende het aankoopproces verschilt. Door middel van personalisatie kunnen dan verschillende overtuigingstechnieken ingezet worden per doelgroep.

In Google Optimize kan je bijvoorbeeld op basis van URL parameters, source van de bezoeker, moment van de dag, locatie, device en doelgroep personaliseren. De mogelijkheden zijn eindeloos. Hier vind je een goed artikel over de personalisatie mogelijkheden via een website optimalisatie tool zoals Google Optimize.

3. Optimaliseren van de customer journey

Veel digital marketing analyses zijn gericht op het optimaliseren van de customer journey. Waar je in eerder genoemde voorbeelden e-mailmarketing optimaliseert of de website verder personaliseert, kan je door dit te combineren nog beter inspelen op het zoekgedrag van de consument. Met tools zoals Squeezely kan je audiences maken van websitebezoekers op basis van de fase in het aankoopproces en hiervoor e-mail triggers en advertising audiences genereren. Squeezely kan dan automatisch ‘abandoned’ website/basket e-mails versturen, bezoekers retargeten op internet of bij een volgend webbezoek de producten tonen die zijn bekeken maar niet gekocht.  

4. Recommendation engine

In mijn tweede artikel noemde ik de analyses die kunnen worden gedaan om een recommendation model op te stellen. Het recommendation model is bij uitstek een digital marketing tool die zijn waarde oplevert als deze live kan worden ingezet. Dat is niet eenvoudig: de aanbevolen producten moeten beschikbaar zijn en de aanbevelingen moeten niet te lang op zich laten wachten. Omdat deze modellen zelflerend zijn moeten ze goed gecontroleerd worden: hoe het model werkt moet je kunnen interpreteren. De resultaten van het model moet je kunnen uitleggen. Hiermee voorkom je dat het model onzinnige waarden gaat voorspellen op basis van incomplete of verkeerde data of dat de resultaten zelfs ingaan tegen wetgeving en goede smaak. 

Het in productie brengen van recommendation modellen is daarnaast complex omdat er veel data en rekenkracht komt kijken bij het snel kunnen serveren van aanbevelingen. Digital marketing analisten hebben hierbij meestal de hulp nodig van developers. Tegelijkertijd worden er steeds betere model deployment services aangeboden door data science en machine learning platformen zoals o.a. Knime, Rapidminer en Dataiku waardoor het data analyse team steeds meer zelf kan. 

Samenwerken

Tot voor kort lag het nog niet zo voor de hand dat digital marketing analisten de resultaten van analyses ook direct vertaalden naar de praktijk: analisten leverden hun rapportage op en marketeers verwerkten de resultaten in marketing en communicatieplannen. Dankzij de meetbaarheid van online gedrag, beschikbaarheid van optimalisatie/test tools, website personalisatie en recommendation modellen kunnen resultaten direct in de praktijk gebracht worden. Dit maakt de digital marketing analyse werkzaamheden veel interessanter: analisten zijn betrokken bij de marketing uitvoering en werken nauw samen met marketing(communicatie) afdelingen.

In mijn vier artikelen voor Webanalisten heb ik een beeld geschetst van digital marketing analyse; de kennis die er voor benodigd is, hoe je daarin samenwerkt met collega’s, welke analyses gemaakt kunnen worden en hoe de resultaten in de praktijk gebracht kunnen worden. Ik hoop dat ik je enthousiast heb kunnen maken voor dit leuke vakgebied!