De marketingwereld is complex geworden. Bedrijven worstelen om te voldoen aan de wensen van de steeds veeleisender wordende consument. Vaak wordt er gezegd: met data los je marketingproblemen op! Maar met welke data? En welke problemen los je eerst op en welke daarna? Dus: hoe zet je de eerste stappen richting een datagedreven commerce organisatie?
Waar bevinden zich jouw data? Als je wilt groeien naar een data gedreven organisatie is dit de meest basale vraag. Want hoe kun je data driven zijn zonder data? Systeembeheerders, IT’ers of ander technisch personeel kunnen je helpen bij het in kaart brengen van een lijst met databronnen. Je kunt hierbij denken aan:
Door de databronnen in kaart te hebben en te koppelen, ontstaan datasets die gebruikt worden voor analyses. De analyses geven inzichten die de input vormen voor verbeterde marketingactiviteiten.
Na het in kaart brengen van de data zijn er verschillende analyses die jouw digitale marketing activiteiten kunnen verbeteren. Het is afhankelijk van de focus van jouw digital commerce activiteiten welke analyse voor jouw organisatie geschikt is. Deze en andere analyses zijn mogelijk:
Identiteit data is geschikt voor small-scale personalisatie. Hiermee geef je antwoord op de vragen: “Hoe geef ik mijn potentiële klanten een betrokken gevoel?” en “Hoe vergemakkelijk ik hun aankoopproces?”. Identity data zet je in om je klant het gevoel van herkenning te geven. Dit doe je door de site en marketing uitingen aan te passen aan de voorkeuren van je klant. Met de voorkeuren van je klant, zorg je ervoor dat je relevante uitingen serveert. Een klant met de voorkeur voor hardlopen moet je niet primair voetbalshirts aanbieden, maar juist hardloopkleding. Hierdoor is de kans groot dat deze klant een herhaalbestelling plaatst. Met het geslacht en de leeftijd van iemand pas je de tone of voice van je communicatie aan. Hierdoor voelt iemand zich gerespecteerd.
Met interactie-data beantwoord je vragen zoals: “Waar komt mijn webverkeer vandaan?”, “Welke websiteonderdelen werken het beste?” en “Welke type gebruiker plaatst bestellingen?”. Door je web analytics data te analysen ontdek je knelpunten in het aankoopproces van je site bezoekers. Zo leer je aan de hand van de betrokkenheid KPI’s, zoals het bouncepercentage, aantal pagina’s en sessie kwaliteit score welke interacties niet aansluiten bij de verwachting van de bezoeker. Deze interacties ga je vervolgens aanpakken met je conversie ratio optimalisatie en content team. Tevens gebruik je interactie-data om je marketinginzet te optimaliseren. Wanneer je webshopbezoeker producten in bijvoorbeeld de categorie keukenspullen heeft bezocht gebruik je deze gegevens om de bezoeker beter te targeten via online advertising of je email inhoud (gerichte content over, in dit geval, keukenspullen) te verbeteren.
Hoe tevreden zijn je klanten nu echt? Op social media delen consumenten hun échte mening. Dat loopt uiteen van frustratie over een slecht product tot blijdschap over een excellente dienstverlening. Nadat je de reacties van social media ophaalt kan je met behulp van machine learning (natural language) achterhalen hoe positief men praat over je merk. Door het sentiment over de tijd te volgen kan je de effectiviteit van je marketinginspanningen en procesverbeteringen in kaart brengen. Daarmee helpt een sentiment analyse om verbeteringen door te voeren die écht het verschil maken voor je klanten.
Met je order data heb je de mogelijkheid om een market basket analyse uit te voeren. In een market basket analyse wordt onderzocht welke producten gezamenlijk gekocht worden. Door deze data met hoge frequentie te gebruiken, zorg je ervoor dat je onsite productaanbod, zoals “andere kochten ook” of “dit past hier goed bij”, gebaseerd is op up-to-date gegevens. Hierdoor zal je orderwaarde per bestelling stijgen.
Een geavanceerde analyse op order data is de RFM analyse. Deze wordt gebruikt om inzichtelijk te maken hoe recent, hoe vaak en voor welke waarde jouw klanten bij je kopen. De verschillen in aankoopgedrag worden in groepen ondergebracht. Marketingactiviteiten worden vervolgens toegepast op de eigenschappen van de klantgroep. Stel bijvoorbeeld dat een klantgroep regelmatig koopt voor kleine bedragen. Deze groep ga je dan overhalen producten gezamenlijk te kopen, omdat je hiermee je overhead en verzendkosten reduceert. De groep die heel lang geleden voor het laatst iets bij je hebben gekocht ga je heractiveren met een aparte campagneflow. De klantengroep die regelmatig voor grote bedragen bij je koopt ga je weer anders benaderen. Deze ambassadeurs nodig je bijvoorbeeld uit voor een VIP-avond of vraag je je merk uit te dragen door het weggeven van gratis producten.
Korting geven wil je alleen wanneer je hierdoor meer winst genereert. Op basis van je historische productverkoop gegevens bepaal je de prijselasticiteit van je producten. Met een prijselasticiteit analyse bepaal je welke prijsdalingen het beste hebben gewerkt. Vervolgens pas je je kortingsbeleid hierop aan.
Heb je hulp nodig in jouw groei naar een data driven commerce organisatie? Neem gerust contact met ons op!