Eerder las je al over hoe Gmail steeds meer op Google Search lijkt. Daaruit blijkt dat relevantie in e-mailmarketing de komende tijd nog belangrijker gaat worden dan het al is. Om dat goed te doen, heb je meer data nodig. Data waarvan we de hulp van Machine Learning kunnen gebruiken om te verwerken. Maar: hoe doe je dat?
Al met al wordt het steeds belangrijker om relevant te mailen. Zo voorkom je dat de e-mail ergens in de donkere krochten van de inbox belandt. Of je de aandacht van je ontvangers (en daarmee de klik) krijgt, hangt af van de relevantie van de boodschap op dat moment. Hiervoor heb je in e-mail gemiddeld maar 8 seconden de tijd. Dit is namelijk de gemiddelde aandachtsspanne van de mens. In tegenstelling tot het web, heb je in e-mail niet de mogelijkheid om filters en heen- en weer klikken te ondersteunen. Je e-mail moet een goede uitnodiging zijn voor het feestje (de conversie) dat op de website plaatsvindt. Zolang je ontvanger het gevoel heeft dat jouw e-mails relevant zijn, zullen ze deze trouw openen en hoef je je dus geen zorgen te maken. Maar hoe blijf je constant relevant?
Om relevant te blijven is het belangrijk dat je jouw doelgroep zo goed mogelijk begrijpt. Wat willen ze hebben? Wat willen ze lezen? Wat hebben ze nodig? Om deze behoeftes te achterhalen, kun je gebruik maken van data van wat je klanten in het verleden hebben gedaan. Op basis van deze data kun je namelijk een inschatting maken van de toekomstige behoeften van je klanten. Hierbij geldt: hoe meer data je hebt, hoe beter je de behoeften van je klanten kan begrijpen. Daarmee kan data je helpen om je ontvanger de juiste boodschap op het juiste moment te sturen.
Van data tot beslissing, de huidige situatie:
Het probleem is dat de marketeer nu in alle stappen van het beslissingsproces betrokken is. De marketeer verzamelt data over het gedrag van klanten en analyseert vervolgens welke behoeften klanten of doelgroepen hebben. Op basis daarvan stelt de marketeer hypotheses op, valideert deze en implementeert de uitkomsten. Met andere woorden: marketeers kijken nu handmatig in de data op welke manier ze het beste aan de behoefte van hun klanten kunnen voldoen. Vervolgens passen ze deze kennis handmatig toe in hun marketinguitingen.
Het handmatig bepalen welke content je naar welke doelgroep stuurt is inefficiënt en duurt erg lang. Daarnaast helpt meer data je weliswaar om je klanten beter te begrijpen, maar maakt een grote hoeveelheid data het ook moeilijker om alle data handmatig te verwerken. Daarbij gaan waardevolle inzichten verloren.
Van data tot beslissing in de toekomst:
Als je alle data over je klanten toch op een efficiënte manier wil gebruiken kan je Machine Learning gebruiken. De Machine Learning algoritmes kunnen veel sneller en beter je data verwerken dan jijzelf en geven je de inzichten die je nodig hebt. Terwijl de algoritmes vertellen voor wie welke content relevant is, kan jij je als marketeer weer bezighouden met de leuke dingen: de creatieve boodschap en de gewenste output.
Machine Learning kijkt in het verleden naar welke kenmerken samenhangen met een bepaalde output of doel. Bijvoorbeeld: klanten die net op de website zijn geweest en binnen een dag de nieuwsbrief ontvangen, hebben een hogere open ratio dan gemiddeld. De gewenste output kan heel eenvoudig het plaatsen van een order of het openen van een e-mail zijn, maar kan ook specifiek gaan om orders met een hoge orderwaarde of producten met een hoge voorraad. Als het algoritme deze kenmerken heeft gevonden, optimaliseert het je content zo dat de kans op de gewenste output zo hoog mogelijk is. Hierbij kan het algoritme keuzes maken in:
Als je beschikt over data scientists en data engineers, dan kan je zelf een Machine Learning algoritme trainen en de resultaten gebruiken binnen je e-mail service provider (ESP). Maar, het is makkelijker om hiervoor gebruik te maken van een data management platform (DMP) of een personalisatie- en marketing automation tool. Binnen deze tool worden dan slimme selecties gemaakt die vervolgens worden doorgezonden naar je e-mailservice provider (ESP). Vanuit jouw ESP worden vervolgens relevante boodschappen verzonden via e-mail naar de juiste ontvangers. Op die manier ga je van een one-to-all naar een 1:1 communicatiestrategie en zul je dus ook hoger scoren in de inbox.
Het voordeel van Machine Learning (en een specifieke tool) is dat het veel beter in staat is om op een efficiënte manier complexe verbanden te leggen. De tijd van het zelf uitdenken van business rules gaat dus plaatsmaken voor zelflerende oplossingen. Veel branches hebben de kracht van Machine Learning al omarmd, denk hierbij aan de gezondheidszorg en Human Resources. Maar ook in e-commerce wordt steeds meer gebruik gemaakt van Machine Learning. Nu jij nog. Machine Learning neemt veel tijdrovende taken weg zodat jij je als marketeer kan richten op de strategie en de branding. Maar waar begin je? Lees hiervoor ook ons eerder verschenen blog over marketing automation waarin we je inzicht geven in de implementatie en randvoorwaarden scheppen om marketing automation goed toe te kunnen passen.
Machine Learning wordt dus je beste vriend en persoonlijke assistent als het gaat om relevant blijven voor jouw doelgroep! Zie je het belang van relevantie en het gebruik van Machine Learning in, maar weet je niet zo goed waar je moet beginnen? Geen zorgen! Bij De Nieuwe Zaak helpen we je graag bij het opzetten van een goede datastrategie of het kiezen van de juiste tooling. Onze data consultants hebben ervaring met verschillende personalisatie tools en data management platformen, zoals Datatrics en Blueconic. Neem contact met ons op voor een vrijblijvende afspraak of bekijk een van onze cases.