Hoe goed zou het zijn als je de waarde van een klant kan bepalen op het moment dat deze zijn of haar eerste aankoop doet? Karen Clemens Sørensen is global head of search bij Pandora beschrijft welke stappen Pandora zette om dit doel met behulp van AI te veranderen in werkelijkheid.
De zoekstrategie bij Pandora was jarenlang volwassen en effectief, gebaseerd op hoeveel effect de uitgaven aan advertenties hadden. We waren gewoon erg goed in het genereren van verkoopresultaten. Toch maakten onze marketingmodellen één ding heel duidelijk: de echte groei was niet afkomstig van terugkerende consumenten, maar van nieuwe klanten.
Dit inzicht stelde ons voor een uitdaging. Het was nodig om de focus te verleggen van simpelweg het doen van transacties naar het binnen halen van klanten met meer waarde. Het ging niet zozeer om het vinden van méér nieuwe klanten, maar om het aantrekken van de juiste. Klanten die keer op keer zouden terugkeren voor het doen van nieuwe aankopen.
Vanuit mijn rol als global head of search bij Pandora en samen met mijn team en partners bij iProspect werd snel duidelijk dat we iets moesten aanpassen. Dat kwam in de praktijk neer op het niet langer focussen op het behalen van directe omzet, maar op de focus verplaatsen naar omzet die we in de toekomst zouden kunnen genereren.
De uitdaging: overstappen van vaste omzet en prijzen naar kopen op basis van waarde
Een zoekopdracht naar een product brengt consumenten heel vaak heel dichtbij het doen van een aankoop. Dat is een natuurlijk proces. Het betekent ook dat een groot deel van jouw uitgaven aan advertenties gaat naar mensen die sowieso iets bij je zouden kopen. Dat geld juist inzetten voor het bereiken van mensen die nog niet eerder bij jou kochten, lijkt een nuttige zakelijke keuze.
Moet je daarmee alle nieuwe klanten op een grote hoop gooien? Nee, want niet elke klant vertegenwoordigt dezelfde waarde. Iemand die een enkele ring koopt als eenmalig cadeau, heeft een hele andere langetermijnwaarde dan iemand die een mooie armband koopt voor zijn of haar geliefde. De kans dat de laatste categorie terug komt voor een nieuwe aankoop is een stuk groter.
Binnen Pandora was behoefte aan een dynamische manier om onderscheid te maken tussen een klant met in potentie veel waarde en iemand die eenmalig iets koopt. Dat onderscheid moest al bij de eerste klik duidelijk zijn. Het betekende meer aandacht geven aan de toekomstige terugkerende klant of verzamelaar dan aan de eenmalige koper.
De reis: de sleutelaspecten ontdekken in de toekomstige waarde van een klant
Iets wat ontstond als een eenvoudig idee groeide al snel uit tot een reusachtigs project, in de positieve zin van het woord. Onze eerste aanname was dat productkenmerken een sterke voorspeller zijn van een hoge customer lifetime value (CLV), ofwel wat je aan een klant verdient in de loop der jaren.
Om die aanname te staven namen we een duik in onze historische data. We analyseerden ruim negentig miljoen transacties van twintig miljoen klanten wereldwijd. De resultaten verrasten ons nogal. Nicolai Hjelmager, directeur strategie en innovatie bij iProspect, legt uit waarom: “Terwijl we bij de start van het project onze focus legden op demografische data of specifieke producten, schetste de data die we analyseerden een heel ander beeld. Verreweg de belangrijkste voorspeller van toekomstige klantwaarde was het bedrag in het eerste winkelmandje.”
Dit inzicht op basis van eigen data bleek allesbepalend. Ons team moest zijn aanpak herzien. Voor het bouwen van het CLV-model hebben we het CrystalValue raamwerk van Google gebruikt. Vanaf dit punt wordt het verhaal iets technischer. CrystalValue is een door Google data scientists ontwikkeld algoritme dat gebruik maakt van Google Cloud Vertex AI. Deze tool helpt adverterende bedrijven met het voorspellen van de customer lifetime value (pLTV).
Bij het uitzoeken welk tijdsbestek tot de beste voorspellingen leidde hebben we behoorlijk wat tijd gestoken in het spelen met variabelen en het testen van periodes. De ene keer kozen we voor een jaar of twee jaar, soms ook voor vier jaar. Dit vergrootte ons inzicht.
De oplossing: bouw een voorspellend AI-model en integreer dit in Google Ads
Het ontwikkelen van een voorspellend model is een ding, dit werkbaar maken in de snelle wereld van zoekmachineadvertenties is iets heel anders. Voor we daarmee aan de slag zijn gegaan, hebben we ons AI-model gevoed met gevalideerde historische data van honderdduizend eerste aankopen waarvan we ook al de CLV kenden tot twee jaar na de eerste aankoop. “We hebben ons daarbij gericht op een intensieve fase van testen en leren. Die fase bestond uit het continu spelen met variabelen. Dat deden we net zolang tot de voorspellingen van het model zo goed als overeenkwamen met de realiteit van de historische data”, vertelt Hjelmager. “Bij een afwijking van niet meer dan 2,6 procent voelden we het vertrouwen om de theorie om te zetten in de praktijk.”
De volgende stap binnen het project bestond uit het toepassen en dus integreren van onze voorspellingen in de biedstrategie. Met CrystalValue lieten we onze op maat gemaakte CLV voorspellingen direct in het Google ecosysteem lopen. Dankzij een Floodlight configuratie binnen Search Ads 360 konden onze biedalgoritmes niet alleen de directe omzet van een nieuwe klant zien, maar ook de verwachte toekomstige uitgaven. Je moet de Floodlight-configuratie zien als het centrale zenuwstelsel voor jouw volgactiviteiten. Het zorgt voor gesynchroniseerde conversiedata en maakt dat elk onderdeel van jouw advertentiecampagne het juiste doel nastreeft.
Het resultaat was dat onze biedingen automatisch en op een slimme manier werden aangepast. Zodra het model een consument opmerkte met de kenmerken van een hoge toekomstige waarde, zou ons bod meegroeien. Omgekeerd zou het bod dalen bij iemand die vermoedelijk maar een keer iets zou kopen. We werkten niet langer reactief, maar investeerden proactief in groei op de langere termijn.
De resultaten: omzetgroei en meer waardevolle klanten aantrekken
De verandering van een kortetermijn- naar een langetermijndenkwijze vraagt om wat geduld. Toch heeft onze nieuwe op CLV-gebaseerde biedstrategie nu al impact. In een van onze grootste afzetmarkten, de VS, leidde de implementatie van de nieuwe strategie tot een stijging in de omzet met 3,6 procent. Die stijging was niet het resultaat van een groter budget, maar van het optimaliseren van onze bestaande advertentie-uitgaven.
In Duitsland zagen we het aantal nieuwe klanten met 1,32 procent toenemen. Dat lijkt een kleine stijging, maar het staat gelijk aan een enorme kwalitatieve verbetering. De reden: we halen nu een groter percentage klanten binnen met meer omzetpotentie voor de langere termijn.
Hoewel we nog maar net zijn gestart met dit project, hebben we er nu al een positief gevoel over. De echte waarde van de nieuwe klanten is pas over een paar jaar zichtbaar, maar nu al zien we een flinke overeenkomst tussen onze verwachte CLV en het werkelijke koopgedrag van de nieuwe klanten.
Mijn advies aan elk merk dat een vergelijkbaar project wil starten is tweeledig. Zorg er ten eerste voor dat jouw historische data accuraat en toegankelijk is. Dit vormt de basis voor alles, maar het vereist ook dat je over goede processen beschikt op het gebied van datakwaliteit en data governance. Ten tweede moet je bereid zijn om veel tijd en middelen in het project te steken. Zelf hadden we het geluk dat we over een omgeving beschikten waarin we konden testen en leren en soms fouten konden maken.
Wat mij betreft ligt de toekomst van marketingprestaties echt in deze overstap van kortetermijnresultaten naar een vooruitziende blik over de langere termijn. Het draait simpelweg niet om het binnenhalen van zoveel mogelijk klanten, maar om het aantrekken van de juiste consumenten. Dankzij de hulp van AI kunnen we dat nu ook heel gericht uitrollen.
Karen Clemens Sørensen is global head of search bij Pandora. Ze is er verantwoordelijk voor de opzet en de uitvoering van de wereldwijde zoekstrategie van het merk. Clemens richt zich nadrukkelijk op het koppelen van inzicht enerzijds aan het nemen van actie anderzijds. Dat moet zich uitbetalen in eenduidige en succesvolle digitale ervaringen.
Reacties 0