Editors’ note: Onlangs zat Nicolas Van Vijnckt, Head of Partnerships – Benelux van Selligent, samen met twee experten in marketingautomatisering: Alexei Kounine, VP Product Management & Innovation (Selligent), en Michael Straathof, Commercial Director & Co-founder bij Selligent-partner 100%EMAIL, voor een panelgesprek over het belang van data en hoe artificiële intelligentie merken en marketeers vandaag kan helpen. Deze onderwerpen worden op synergetische wijze benaderd, zowel vanuit technologisch oogpunt (Alexei) als vanuit het perspectief van de marketeer en marketingconsultant (Michael). Het gesprek is te bekijken als meerdelige reeks op onze blog en we hopen dat je de inzichten praktisch en inspirerend vindt.
NVV: Marketeers hebben heel wat vragen over data en AI. Voor velen klinken deze onderwerpen nog altijd relatief vaag, als buzzwords. Zijn deze nieuwe, boeiende ontwikkelingen relevant voor alle digitale marketeers? Vraagt het gebruik van AI een duidelijk afgebakende context? Kan ik dit wel betalen en is mijn organisatie er klaar voor? Deze en vele andere vragen worden besproken door onze twee experts. Ze geven hun eigen specifieke visie en brengen zo een unieke synergie tot stand tussen technologie en strategie.
NVV: AI-gestuurde en gepersonaliseerde ervaringen staan centraal bij het benaderen van je doelmarkt. Michael, hoe zie jij dat merken vandaag denken over het gebruik van data? Zijn ze zich bewust van de waarde van data en welke data interessant is om te beheren?
MS: Dank je, Nicolas. In 2021 leven we in een datagestuurd tijdperk, of je het nu hebt over marketing, verkoop, productontwikkeling of service. In alles wat we vandaag doen, komen we in aanraking met data. Het doet me denken aan mijn vader, die een winkeltje runde in Den Haag. Hij kende elke klant uit het hoofd: zijn naam, waar hij woonde, wat hij laatst had gekocht, zijn interesses. En hij vroeg zijn klanten ook feedback. Eigenlijk is wat marketeers doen vandaag en wat mijn vader toen deed, nog altijd hetzelfde. Het verschil is dat het volume van beschikbare data is geëxplodeerd.
Er is vandaag meer dan uitsluitend menselijke intelligentie. We evolueren naar artificiële intelligentie. Al die data moet je op de juiste plek kunnen bewaren. En je wilt die data ook kunnen benutten: profielgegevens, interesses, wat mensen laatst hebben gekocht. Je wilt die data opslaan en, belangrijker nog, gebruiken, zodat de klant zich herkend voelt. Dat is de belangrijkste reden waarom we allemaal zo focussen op data in marketing en waarom merken zo veel nadenken over data.
Wat is belangrijk om te beheren? We hebben het over demografische data, maar er kan ook data van derden worden toegevoegd. Weet je met welke auto hij rijdt, welke nieuwsbrieven hij leest, of welke andere interesses hij of zij heeft?
NVV: Je hebt het eigenlijk over consumentengedrag. Het verhaal van je vader toont dat een klant een bijzonder uniek persoonlijk profiel heeft. Vandaag, in een veel grotere, gedigitaliseerde economie, zien we dat terugkeren in alle soorten data die we verzamelen. Natuurlijk willen we niet alleen data uit het verleden vastleggen, we willen ook toekomstig gedrag beïnvloeden – upselling vergemakkelijken, churn voorkomen, enz. Alexei, wat Michael zegt, heeft dat een invloed op hoe je jouw gegevens structureert en flexibel maakt om toekomstbestendig te zijn
AK: Ten eerste hebben we het over consumentengedrag en het soort data dat een consument als spoor achterlaat. Het Selligent-platform analyseert deze data en doet op basis daarvan voorspellingen.
Twintig jaar geleden was de trend dat consumenten profielen hadden die je kon segmenteren, en kon je vrij eenvoudig één e-mail sturen om veel verschillende mensen te bereiken. Als marketeer volg je de betrokkenheid op basis van interacties met de consument. Mass mail werkte in die tijd, omdat e-mail nog een nieuw gegeven was. Naarmate consumenten meer kanalen gingen gebruiken, lieten ze ook meer digitale sporen achter, gedragsgebonden data: vooral views, kliks, enz.
De tweede trend waren omnichannel data: hoe geef je één consument en zijn interactie met één campagne weer, maar ook: hoe geef je één consument weer vanuit een dataperspectief, over alle verschillende kanalen heen? Je kijkt niet naar een massa mensen op één kanaal, maar naar één persoon op verschillende kanalen. Hier zien we concepten zoals het universele consumentenprofiel of ‘gouden profiel’ opduiken. En samen daarmee kregen we steeds complexere data. Vraag is dus hoe je al die miljoenen interacties opslaat en hoe je er voorspellingen mee doet. Bij Selligent slaan we alle gegevens van elke consument over alle kanalen heen op, als een soort stermodel, waarmee je gemakkelijk kunt segmenteren en voorspellen.
Nu zitten we in een fase waarin we zo veel data hebben dat, als je gepersonaliseerde ervaringen wilt bieden, je deze data moet gebruiken en precieze voorspellingen moet doen over wat de beste content is, wat de beste verzendtijd is voor een specifieke campagne, enz. Als het je eenmaal lukt om prognoses te maken, dan bied je elke consument al een relevante ervaring aan. Op dit punt zijn de meeste merken vandaag aanbeland. De volgende stap gaat over real time, alles doen wat we nu doen, maar dichter bij het moment waarop een consument betrokken zou zijn. Je ziet dus een evolutie van massamarketing en één campagne voor vele miljoenen contacten, naar heel specifiek en in real time door voorspellingen en dus AI.
NVV: Je hebt het over betrokkenheid op basis van interactie met de consument, waarvoor je een omnichannel aanpak nodig hebt. Omnichannel is vandaag niet echt meer een keuze. Je klanten verwachten afstemming op elk contactpunt en dat kan alleen als je zorg draagt voor je data. Data zijn ontegensprekelijk een troef voor je bedrijf. De markt wordt zich steeds bewuster van het gebruik van AI in digitale marketing. Zal dat de komende jaren verder evolueren? Staan we nog maar aan het begin of niet – en verwacht je een impact hiervan op de marketingprestaties?
MS: Ik zie een aantal bedrijven die hier ver in ontwikkeld zijn, maar ook vele die geen flauw idee hebben. Ze zijn wel bezig met het opslaan van data, maar weten niet precies hoe ze die moeten gebruiken. Voorspellingen maken, doen wij nu al meer dan veertig jaar. Het punt is dat we zo veel meer datapunten in dit koopbereidheids model hebben opgenomen dat het voor tools, maar ook voor datasets steeds lastiger wordt. Het is vandaag dus echt een goed moment om na te denken over hoe we dit efficiënter kunnen doen, zodat onze infrastructuur al deze gegevens kan beheren. Maar misschien nog belangrijker is dat marketeers weten wat ze moeten doen met al dat ‘goud’ dat ze in handen hebben.
Dus ja, er bestaan enkele heel goede voorbeelden. De vraag is hoe we dit beter benaderbaar kunnen maken voor de massamarketeers, die bij elk contactmoment, zoals Alexei al zei, in real time relevant willen zijn. Op dat contactmoment wil je met de juiste content uitpakken. Surfen ze naar je website, bellen ze naar je contactcenter of wil je een advertentie via Facebook of LinkedIn sturen? Welk kanaal je ook gebruikt om in contact te komen met de consument, je wilt zo relevant mogelijk zijn op basis van de koopbereidheid van die consument.
NVV: Na dit interview volgt een webinar en gaan we dieper in op deze voorbeelden. Alexei, wil je iets toevoegen aan wat Michael net vertelde over de maturiteit van verschillende merken wanneer het over AI gaat?
AK: Wel, ik ben het eens met Michael dat veel merken zich op een ander niveau bevinden. Maar als je een merk bent dat AI niet beschouwt als een belangrijk onderdeel van de manier waarop je je marketing runt, dan maak je een grote fout. Machine learning is namelijk de volgende golf waarin mensen dingen gaan automatiseren. We hebben het dan over het bezorgen van omnichannel ervaringen aan één enkele klant. Wat je eigenlijk wil, is voorspellingen doen per individuele consument op een veel fijnmaziger manier.
Om even terug te komen op mijn vorige voorbeeld: het was mogelijk om dat te doen voor miljoenen contacten in één keer, door een bericht te sturen naar zoveel mensen. Wil je een gepersonaliseerde ervaring bieden, dan moet je data over die consumenten verzamelen via verschillende kanalen. Je hebt een feedback loop nodig die data van alle kanalen verzamelt. Nog meer dan vroeger heb je tools nodig om de beslissingen in je marketingtraject te automatiseren. We zijn het gewend om regels te gebruiken: is iemand tussen die en die leeftijd, dan stuur je dit bericht, anders stuur je dat bericht. Maar dit is een erg laag personalisatieniveau. Wat je eigenlijk wil, is dat systemen op een veel fijnmaziger manier voorspellingen doen per individuele consument.
Ik verwacht dat de meeste merken AI-gestuurde tools gebruiken, ook al weten ze niks van AI. Het gaat erom out of the box de alternatieve automatisatietechnieken te gebruiken die vandaag bestaan en beschikbaar zijn via platformen zoals Selligent.
NVV: We zien vandaag al dat veel marketeers nadenken over AI, maar nog hun twijfels hebben. “Mijn merk is niet groot genoeg, ik heb te weinig data. Het soort data levert me geen nuttige inzichten op.” Vaak komen ze met argumenten om geen AI te gebruiken. Alexei, jij had het over fijnmazigheid. Kun je klein starten en dan groeien in het proces?
AK: Zeker wel! En of ze gelijk hebben om AI niet in overweging te nemen? Zeker niet! Het is namelijk heel makkelijk om out-of-the box tools te gebruiken waarmee je heel eenvoudige dingen kunt doen. Ik geef je een voorbeeld. Stuur je een campagne naar zo’n tienduizend mensen, dan denk je misschien: “Mijn publiek is niet groot genoeg om machine learning tools te gebruiken.” Dat is wat je zou denken als je een team datawetenschappers had dat zit te wachten op data die binnenstromen vanuit je e-mail marketingtool. Maar zo mag je daar helemaal niet over denken.
Je kunt dit vanuit twee invalshoeken bekijken. Om te beginnen is e-mail slechts een van de vele kanalen die je kunt inzetten om individueel gedrag bij te houden. Een tweede facet dat echt goed werkt met e-mails, is een website, want die bevat data die intrinsiek goed matchen met e-mails. Klik je in een e-mail, dan kom je op de website terecht en zo verder. Door e-maildata te ontvangen, gekoppeld aan webdata, kun je je e-mailmarketing verbeteren, door machine learning tools te gebruiken bovenop alle data die je hebt verzameld. En dat werkt, ook voor kleinere klanten met een beperkt aantal producten, met weinig internetverkeer en zo verder.
Een andere invalshoek om dit te bekijken is: “Goh, ik ben een klein merk, ik heb de middelen niet voor machine learning tools, omdat het veel te technisch en ingewikkeld is”. Mijn antwoord is dat je niet moet kijken naar het samenstellen van een team met datawetenschappers, maar eerder kant-en-klare tools uit je marketing automatisering moet gebruiken die jou machine learning aanbieden, zonder het vervelende proces van het inhuren van data- en machine learning-experts. De meeste oplossingen voor marketingautomatisering vandaag, waaronder uiteraard Selligent, bieden tools aan die data gebruiken om voorspellingen te doen.
NVV: Michael, hoe kan jij op basis van je ervaring als marketeer AI introduceren bij een merk?
MS: Het is een kwestie van tijd voor de meeste marketeers gewend raken aan deze nieuwe soort technieken. In je persoonlijke leven ben je er al vertrouwd mee op een heleboel verschillende manieren. Kijk ik televisie, bijvoorbeeld Netflix, welke soort films krijg ik dan te zien in mijn top 10? Dat is AI. Luister ik naar Spotify, welk muziekgenre krijg ik dan vandaag in mijn playlist? Dat is AI. Ga ik naar de supermarkt, dan voorspelt die welke boodschappen ik deze week nodig heb. Ook dat is AI. Er bestaan vandaag al zo veel op data gebaseerde technieken in ons dagelijkse leven dat het slechts een kwestie van tijd is voor marketeers er echt mee aan de slag gaan. En het is niets nieuws, het maakt het leven makkelijker en efficiënter voor marketeers.
Als ik met die merken praat die met 100% e-mail werken, vraag ik: “Welke contactmomenten heb je dan? En welke soort data verzamel je en hoe koppel je dat aan je volgende beste aanbieding?” De meesten hebben wel een idee zodra je hen uitlegt hoe ze het moeten gebruiken. Je hebt ook geen honderdduizenden euro’s nodig om ermee aan de slag te gaan.
NVV: Wat je zegt is dat je niet alleen naar de data zelf moet kijken, maar ook naar de technologie. Je gaf ons enkele voorbeelden van use-cases. Wat mag je realistisch verwachten qua return on investment? Verschilt dat van sector tot sector?
MS: We hadden het net over e-mail en als je het op een relevantere manier doet dan de ‘batch and blast’-methode, dan is de terugverdientijd één tot 40. Hoeveel geef je uit aan reclame op Google of Facebook, terwijl je eigenlijk je first-party data ook op een efficiëntere manier kan gebruiken? Die vraag stel ik altijd wanneer ik te horen krijg: “Ik heb geen budget.”
NVV: Laten we even kijken hoe je een project kunt aansturen. Welke context heb je nodig voor een succesvol AI-project? Kun je overwegen om te werken met de data en technologie die je al in huis hebt? Moet je de dataprocessen herbekijken? Wat zouden je doelen of doelstellingen kunnen zijn?
MS: Alles begint met het definiëren of zichtbaar maken van het klantentraject voor je marketingteam. Breng al deze contactmomenten, de informatiebehoefte in elke fase en de kanalen die je gebruikt in elke fase van het klantentraject in kaart. En als je dan een idee hebt over de manier waarop je in contact wilt komen met je klanten, bekijk dan hoe de data zijn georganiseerd en over welke technologie je beschikt om het marketingautomatiseringsproces te vergemakkelijken.
Teken je ideale klantentraject uit, kijk wat er nu gebeurt, of de klanten tevreden zijn of niet, en schrijf daarna op wat je topprioriteit is om dit te optimaliseren. Welke fase van je klantentraject levert jou op korte termijn de meeste waarde op? Begin hier, start in maand één, begin met het optimaliseren van dat moment in het klantentraject.
Language
© 2023 Marigold Engage
Marigold: where relationships take root.
