Relevantie is steeds belangrijker bij marketing campagnes en al helemaal in het geval van e-mail marketing. Doordat e-mails onvoldoende relevant zijn schrijven mensen zichzelf uit, openen ze aparte e-mailaccounts voor nieuwsbrieven of negeren ze ongelezen mails in hun inbox. Als je aandacht wilt krijgen van een consument dan is relevantie noodzakelijk. Minder berichten versturen, maar zorgen dat de berichten die je verstuurd aansluiten bij de wens van de klant.
Vanuit de behoefte aan meer relevantie ontstaat de noodzaak voor meer personalisatie. Zo schreef ik al eerder dat het mogelijk is om verschillende persoonlijke berichten onder te brengen in een gepersonaliseerde nieuwsbrief. Daarmee bereik je bewezen meer resultaat.
Daarom zijn wij bezig met manier waarop je campagnes kan verbeteren met machine learning. Deze coming up gaat over de mogelijkheden van machine learning voor e-mail marketing campagnes en de manier waarop je kunt starten met machine learning. Waar begin je, hoe gaan we het toepassen en wat zijn de randvoorwaarden.
De aanpak
Vanuit Basedriver hebben we gegevens van zo’n 100.000.000 verzonden e-mailberichten. Wij geloven dat het met behulp van deze gegevens en machine learning algoritmes mogelijk is om marketeers te helpen betere campagnes te maken.
Het plan in het kort: we zetten een machine learning server neer die we voeden met historie van campagnes, abonnementen, producten, gedrag en profielen. Aan dit systeem kunnen we vervolgens vragen stellen in de vorm van machine learning algoritmes. De vragen leveren we terug zodat marketeers die kunnen gebruiken bij het maken van campagnes.De volgende stap is het definiëren van de vragen die we het systeem gaan stellen. Hierbij hebben we vooral gekeken naar praktische toepassingen die direct invloed hebben op het resultaat. Op basis van dit onderzoek zijn we uitgekomen op drie relevante vragen.
Wat is voor een ontvanger het beste moment om een e-mail te krijgen
Iedere campagne heeft een verzendmoment. Op een bepaald moment kies je er als marketeer voor om je campagne te versturen. Vaak wordt er goed nagedacht over het beste moment, echter we zien ook dat het verzendmoment bepaald wordt door de dagelijkse praktijk. De trein die verlaat is of de teammeeting die uitloopt.
Al eerder hebben we tests gedaan waarbij we klanten een e-mail verzonden op ongeveer hetzelfde tijdstip als ze de vorige e-mail geopend hebben. Dit leverde al zo’n 10% meer geopende mails op. Met machine learning willen we nog wat verder gaan. We vragen het algoritme te berekenen wat per persoon per campagne het beste verzendmoment is. Als marketeer geef je een eerste en laatste verzendmoment aan, het systeem bepaald vervolgens welk moment daarbinnen voor de ontvanger het beste past.
Welk volgend product of abonnement kan je het beste aanbieden
Veel bedrijven hebben al systematieken om klanten een volgend product of abonnement aan te bieden. Met name abonnementsbedrijven zijn heel ver met het berekenen van Next Best Offers. Echter het bepalen van het beste volgende aanbod is zeer kennisintensief en daarom moeilijk bij te houden. Bij veel bedrijven blijft het daarom beperkt tot handmatige lijstjes, producten uit een aanpalende categorie of lijsten die periodiek bijgewerkt worden.
Een goed machine learning algoritme kan automatisch bepalen wat op een bepaald moment het meest kansrijke volgende product is, gebaseerd op aankoophistorie, wederom klikgedrag en natuurlijk het aankoopgedrag van de andere profielen in de database.
In welke content is iemand geïnteresseerd
Als je een nieuwsbrief ontvangt over fietsen, ben je dan meer geïnteresseerd in racefietsen of mountain biken? Hoe herken je dat en blijft die interesse over tijd hetzelfde? Vaak blijken systemen voor content interesse gebaseerd op vrij simpele regels. Meer dan vijf keer klikken op een artikel over racefiets en je ontvangt nooit meer iets anders.
Met machine learning kan het antwoord op een dergelijke vraag veel intelligenter beantwoord worden. Misschien hangt de content interesse ook wel af van de woonplaats. Of het abonnement wat je eerder hebt afgesloten. Misschien is leeftijd wel relevant? Als het lukt om een betere voorspelling te doen van de interesse van een klant, dan kunnen we dus ook veel relevantere aanbiedingen versturen.
Randvoorwaarden voor succes
Het klinkt natuurlijk te mooi om waar te zijn, volledig geautomatiseerde inzichten die direct tot jouw beschikking staan. Misschien is het dat ook wel. Er zijn echter wel een aantal randvoorwaarden waar we aan moeten voldoen om te bepalen of dit systeem gaat werken.
Performance
Ten eerste moet het systeem een beetje snel zijn. We verwerken enorme hoeveelheden data en die moeten wel makkelijk toegankelijk zijn voor marketeers.
Alle data in de machine learning applicatie is anoniem. We willen wel inzichten verzamelen, echter de meest persoonlijke informatie houden we zoveel mogelijk op één plek.
Bruikbaarheid
De inzichten moeten aan bestaande systemen toegevoegd kunnen worden, zonder dat dit systeem helemaal op de schop moet. Anders heb je wel inzicht maar wordt het niet gebruikt.
Resultaat
De belangrijkste: campagnes die gebaseerd zijn op inzichten uit machine learning moeten aantoonbaar beter resultaat opleveren in de vorm van opens/clicks/verkopen of klanttevredenheid. Om dat te onderbouwen gaan we begin volgend jaar een aantal A/B tests uitvoeren op basis van inzicht.
