Contents
Wat zijn propensity-modellen?
Propensity-modellen, ook wel waarschijnlijkheidsmodellen of responsmodellen genoemd, zijn waar de meeste mensen aan denken bij voorspellende analyses. Deze modellen helpen bij het voorspellen van de waarschijnlijkheid van een bepaald type koopgedrag van klanten, bijvoorbeeld of een klant die op uw website surft waarschijnlijk iets zal kopen. Dit helpt marketeers om alles te optimaliseren, van de frequentie van het verzenden van e-mails tot de tijd van het verkooppersoneel tot geld, inclusief kortingen.
Een voorbeeld van een bedrijf dat voorspellende analyses gebruikt met behulp van het propensity-model: online dierenapotheek PetCareRx bedient eigenaren van gezelschapsdieren al meer dan 15 jaar. Het verkoopt veel producten die klanten op verschillende tijdstippen van drie maanden tot twaalf maanden opnieuw moeten bestellen. Zoals de meeste detailhandelaren, koos PetCareRx voor een one-size-fits-all marketingbenadering en bood een vaste kalender met kortingen en promoties aan alle klanten. Maar niet alle klanten zijn hetzelfde en velen willen in verschillende tijden van het jaar kopen.
Met behulp van voorspellende analyses kon PetCareRx kortingen differentiëren tussen klanten, wat leidde tot hogere verkopen en retentie zonder hogere kosten. Klanten werden gerangschikt op basis van hun waarschijnlijkheid om te kopen. Op basis van die rangschikking kon PetCareRx bepalen welke kortingen de optimale respons van elke klant zouden opleveren en minimale kortingen aanbieden via e-mail of postkaarten per post aan klanten die al geneigd waren te kopen en grotere kortingen bieden voor klanten die minder geneigd waren om te kopen . De chirurgische promoties zorgden voor een toenemende marge van klanten die al gemotiveerd waren om te kopen en voor extra inkomsten van klanten die voorheen geen prikkel voelden om te kopen.
Dankzij deze en andere voorspellende marketingcampagnes steeg de kwartaalomzet met 38 procent ten opzichte van het jaar ervoor steeg de winst met 24 procent en het klantbehoud met 14 procent. Bovendien stelden de veranderingen PetCareRx in staat om de responspercentages van de campagne meer dan te verdubbelen zonder het marketing- of promotiebudget met een enkele dollar te verhogen.
Waarschijnlijkheid gebruiken om voorspellingen te kopen
Om te voorspellen welke prospects klaar zijn om hun eerste aankoop te doen, evalueert een koopkansmodel niet-transactieklantgegevens, zoals hoe vaak een klant op een e-mail heeft geklikt of hoe de klant omgaat met uw website. Deze modellen kunnen ook rekening houden met bepaalde demografische gegevens. In consumentenmarketing kunnen ze bijvoorbeeld geslacht, leeftijd en postcode vergelijken met andere waarschijnlijke kopers. Bij zakelijke marketing kunnen relevante demografische gegevens de volgende zijn: branche, functietitel en geografie.
Zo werkt het: de modellen vergelijken het gedrag vóór de aankoop van potentiële kopers met het gedrag vóór de aankoop van duizenden of miljoenen eerdere klanten die uiteindelijk kochten, en vergelijken attributen zoals welke e-mails ze hebben geopend en naar welke producten ze de meeste tijd hebben besteed aan het zoeken Bij. De prospects die zich het meest gedragen zoals de vorige kopers, worden getagd als “kopers met een hoge waarschijnlijkheid” en marketeers kunnen vervolgens de manier waarop ze met hen omgaan veranderen om de kans op het sluiten van een verkoop te vergroten. Zodra u gewapend bent met deze gegevens, kunt u prioriteit geven aan uw investering in elke potentiële klant.
De kans om te kopen voorspellen voor nieuwe kopers
Voor consumentenmarketeers stelt de waarschijnlijkheid om te kopen u in staat om te beslissen hoeveel korting u aan een bepaalde klant zou kunnen toekennen, omdat mensen die al eerder geneigd zijn om te kopen, niet zo’n agressieve korting nodig hebben als klanten die minder snel zullen kopen . De modellen worden vervolgens in de loop van de tijd beter, naarmate bedrijven meer gegevens verzamelen en automatisch testen of voorspellingen daadwerkelijk werkelijkheid worden.
Zo onderhoudt de grote Europese fabrikant van huishoudelijke apparaten Arcelik een callcenter waar medewerkers een lijst krijgen van klanten die binnen enkele maanden waarschijnlijk klaar zijn om een nieuwe wasmachine te kopen. Agenten bellen deze klanten vervolgens met aanbiedingen zoals een jaar lang gratis wasmiddel bij aankoop van een wasmachine. De tactiek werkt goed voor weloverwogen aankopen, zoals koelkasten of auto’s, en grotere items, zoals luxe modekleding.
Een high-end schoenenmerk geeft winkelmedewerkers ook lijsten met klanten die ze kunnen bellen. De winkelmedewerkers hebben al een sterke relatie met hun klanten opgebouwd, maar ze kunnen nog succesvoller zijn als ze gewapend zijn met voorspellende analyses. Medewerkers kunnen nu zien welke klanten waarschijnlijk geïnteresseerd zijn in een bepaalde stijl wanneer de schoen van een nieuw seizoen uitkomt, op basis van het gedrag van klanten in het verleden of hoe vergelijkbaar hun koopgedrag is met dat van andere klanten. Medewerkers kunnen vervolgens met die informatie contact opnemen met klanten. Een telefoontje kan ongeveer zo gaan: “Hallo Joe, het is een tijdje geleden dat we elkaar hebben gesproken. Ik wilde je alleen laten weten dat er een nieuwe hardloopschoen voor langlaufen is die je misschien wel leuk vindt. Het is vergelijkbaar met de schoenen die je twee jaar geleden kocht, maar dan van een nieuw materiaal. Ik heb een paar voor je opzij gelegd in jouw maat. Als je tijd hebt, kun je misschien op weg naar huis van je werk langskomen om een kijkje te nemen? Wie wil er nou niet zo’n telefoontje of e-mail ontvangen van zijn persoonlijke shopper?
Zoals gerapporteerd door de New York Times en anderen, gebruikte president Barack Obama neigingsmodellen, met name neiging om op de Democratische Partij te stemmen, om hem te helpen herverkiezing te winnen in 2012. Zijn vrijwilligersstaf kon onmogelijk elke kiezer in het land ontmoeten, dus de uitdaging was om de onbesliste kiezers te vinden. Het had geen zin om tijd of geld te besteden aan het najagen van diehard Republikeinen die toch niet van gedachten zouden veranderen, of diehard Democraten die waarschijnlijk al op Obama zouden stemmen. Integendeel, met behulp van propensity-modellen vond Obama’s team van datawetenschappers die kiezers die twijfelden maar toch konden worden overtuigd. Vervolgens concentreerden ze zich op het vinden van reeds sterke Obama-aanhangers in de sociale kring van de twijfelende kiezer en vroegen hen tijd door te brengen met de twijfelende kiezer om hun standpunten uit te leggen.
Voorspelling van de koopkans voor terugkerende kopers
Wat heb je aan geld uitgeven om nieuwe klanten te werven als ze maar één keer kopen en niet terugkomen? Op basis van de koopbereidheid van een klant is het niet alleen belangrijk om de koopkans voor nieuwe kopers te voorspellen, maar het is net zo belangrijk om de koopkans voor terugkerende kopers te voorspellen. Jouw doel is om ervoor te zorgen dat klanten keer op keer terugkomen. Het zijn tevreden en loyale klanten die een grote levenslange waarde hebben, en veel klanten met een grote levenslange waarde zorgen voor grote inkomsten en winsten voor uw bedrijf.
Het voorspellen van de koopkans van terugkerende kopers is een stuk eenvoudiger dan het voorspellen van de koopkans van nieuwe kopers, omdat er veel meer informatie beschikbaar is. Het model voor de waarschijnlijkheid om te kopen voor herhaalde aankopen evalueert zowel eerdere transacties als andere interacties die vergelijkbaar zijn met het model voor prospects. De toegevoegde informatie afkomstig van de eerste aankoop kan echter de nauwkeurigheid van het koopkansmodel voor herhalingsaankopen aanzienlijk verbeteren, in vergelijking met een vergelijkbaar model voor prospects. In tegenstelling tot de eerste aankoopvoorspellingen, maken herhaalaankoopvoorspellingen gebruik van alle interacties van de klant, zoals eerdere aankopen, geretourneerde aankopen en telefoontjes naar de klantenservice.
Het juiste kortingsniveau kiezen met behulp van Waarschijnlijkheid om te kopen
Er zijn twee belangrijke toepassingen voor het voorspellen van de koopkans: op welke klanten moet worden gefocust en hoeveel geld, inclusief kortingen, aan elke klant moet worden uitgegeven.
Het zorgvuldig kiezen van uw doelgroep is belangrijk als u de ROI van marketing wilt optimaliseren, omdat het bereiken van klanten duur kan zijn. Een direct mail- of belcampagne die $ 1 per klantinteractie kost en een aankooppercentage van 2 procent heeft, kan bijvoorbeeld $ 50 per persoon kosten voordat er zelfs maar een korting wordt gegeven. Als u uw doelgroep kunt targeten en de communicatie relevanter kunt maken, kan het aankooppercentage aanzienlijk hoger zijn, bijvoorbeeld 10 procent, waardoor de kosten om elke koper te bereiken aanzienlijk worden verlaagd. Naast het kiezen van de juiste mensen, kunt u het aankooppercentage verhogen door relevante aanbevelingen of inhoud op te nemen en op het juiste moment met klanten te communiceren. Door te focussen op relevantie kunnen bedrijven minder afhankelijk worden van hoge kortingen. Met behulp van deze strategie is het mogelijk om kortingen aanzienlijk te verlagen als onderdeel van hun strategie om klanten te werven.
De onderstaande grafiek laat zien hoe een grote Amerikaanse detailhandelaar het aantal klanten dat door hoge kortingen werd gelokt kon terugbrengen van 36 procent naar 27 procent, ver onder het branchegemiddelde van 31 procent.
Percentage klanten geworven met kortingen
Kortingen en andere prikkels kunnen in noodzakelijke gevallen nog steeds als zoetstof worden gebruikt, zoals het targeten van een klant die heeft haar karretje verlaten. We raden u echter aan om niet aan iedereen kortingen te geven, anders traint u uw klanten om aan kortingen te wennen.
Begin in plaats daarvan met aanbevelingen en herinneringen en gebruik kortingen alleen als je ze nodig hebt. Het gebrek aan begrip van de individuele klant leidt tot algemene kortingen, waardoor de totale winstmarges aanzienlijk worden verlaagd. Slechts ongeveer 20 procent van de klanten zijn ‘kortingsjunkies’, mensen die alleen aankopen doen als ze korting krijgen, volgens een analyse van 150 detailhandelaren. Ongeveer 15 procent betaalt over het algemeen de volle prijs voor de meeste van hun producten, terwijl de meerderheid van de klanten daar ergens tussenin zit, blijkt uit de gegevens. Door het gedrag van hun klanten te analyseren, kunnen marketeers bepalen welke klanten mogelijk meer aanmoediging nodig hebben in de vorm van een geschenk of korting. Het kan marketeers ook helpen om klanten te markeren die toch terugkomen om te kopen, dus er is geen extra financiële aanmoediging nodig. Dit model helpt om zowel de omzet als de winstgevendheid van elk lid van uw klantenbestand te maximaliseren.
Gerichte kortingen zijn goed voor het bedrijfsleven en goed voor klanten. Door chirurgisch op kortingen te mikken, voorkomen detailhandelaren marge-erosie, wat op zijn beurt de prijsverhogingen vermindert die detailhandelaren normaal gesproken zouden moeten nemen om de lagere winstmarges goed te maken. Die praktijk verlaagt effectief de prijzen voor alle klanten. Dit is een eenvoudige maar zeer krachtige paradigmaverschuiving voor marketeers die zich traditioneel richten op productlijnen, merchandising en one-size-fits-all kortingen. Gedrags- en levenscyclusgegevens die op klantniveau beschikbaar zijn, in combinatie met het voorspellende inzicht in de koopkans, stellen marketeers in staat chirurgische kortingen toe te passen om de marge en de levenslange waarde voor de klant te maximaliseren.
Ook als u een stimulans of korting gaat opnemen om een klant te werven, te behouden of te reactiveren, hoeft u niet verder te gaan dan het kortingsniveau dat klanten gewend zijn te zien. Met voorspellende analyses kunt u aanbiedingen afstemmen op het kortingsniveau dat eerdere aankopen van klanten heeft veroorzaakt. Klanten met een grote kans om te kopen, krijgen mogelijk een lagere korting, maar misschien ook andere voordelen, zoals vroege toegang tot producten om meer aankopen te stimuleren. Klanten met een lage kans om te kopen of klanten die alleen met korting kopen (een op gedrag gebaseerd cluster) kunnen een hogere korting krijgen.
Een multichannel-retailer van sportartikelen stuurde al zijn klanten op gezette tijden gedurende het jaar 50 procent opruimingskorting. Deze campagne werd ingegeven door de wens om oude inventaris op te ruimen. Met andere woorden, het was een product- of merchandisinggerichte campagne, geen klantgerichte campagne. Deze campagne trainde klanten om te wachten op de grote jaarlijkse uitverkoop en bracht de detailhandelaar enkele dollars op. Met behulp van voorspellende analyses analyseerde dit bedrijf de waarschijnlijkheid om te kopen en kortingsgevoeligheid van al zijn klanten. Als een klant waarschijnlijk koopt met een aanbieding van 25 procent korting, hoeft u hem geen 50 procent korting te geven. Met behulp van voorspellende analyses identificeerde de retailer het juiste kortingsniveau voor verschillende groepen klanten. Nu stuurt de winkelier nog steeds kortings-e-mails op gezette tijden, maar hij stuurt verschillende kortingsniveaus naar verschillende groepen klanten. Het verzendt net genoeg om de klant te laten kopen, maar niet te veel om onnodige marge weg te geven. Met deze aanpak kon de detailhandelaar een algehele omzetstijging van 20 procent realiseren.
Voorspellende leadscores voor zakelijke marketeers
Als u in zakelijke marketing werkt, kunt u ook prioriteit geven aan uw investering met behulp van waarschijnlijkheid om modellen te kopen. U kunt ervoor zorgen dat uw verkoopteam het grootste deel van hun tijd doorbrengt met de prospects die de grootste kans hebben om koper te worden. Dit kan een enorme impact hebben.
Beschouw het volgende voorbeeld in marketing bedrijfssoftware. Stel dat u een gratis proefversie voor uw software heeft. Niet alle mensen die zich aanmelden voor uw gratis service hebben een serieuze intentie om te kopen. Het is niet ongebruikelijk dat 70 procent van de aanmeldingen voor een gratis proefperiode gewoon uit nieuwsgierigheid wordt gedaan zonder een onmiddellijke behoefte of budget om te kopen. Nog eens 20 procent zijn serieuze beoordelaars en 10 procent twijfelt: ze kunnen alle kanten op. Als u willekeurig mensen uit een lijst belt, misschien op basis van de bedrijfsgrootte, is het gemakkelijk in te zien hoe u uw hele dag kunt verspillen aan prospects die niet serieus zijn. Het is vooral belangrijk om prioriteit te geven aan uw tijd als u kleine en middelgrote bedrijven bedient, waarvan er miljoenen kunnen zijn.
Het belangrijkste verschil tussen het voorspellen van de waarschijnlijkheid om consumenten- en zakelijke marketing te kopen, is te wijten aan de aard van het aankoopbeslissingsproces. In de meeste zakelijke marketing is het beslissingsproces lang en complex.
Vergelijkt de weloverwogen en snelle besluitvormingsprocessen.
Bij een weloverwogen aankoop, waar de meeste zakelijke marketing onder valt, duurt het beslissingsproces langer en omvat het veel interacties tussen de marketeer en de koper. Dit vereist speciale aandacht voor alle prospects binnen de beslissingstrechter. Daarom wenden zakelijke marketeers zich tot alle interacties en signalen van prospects om te bepalen wie het meest waarschijnlijk zal kopen en daarom tijd en aandacht waard is.
Het onderstaande geeft een overzicht van methoden voor het scoren van leads die verder gaan dan voorspellende methoden.
Leadscoremethoden voor zakelijke marketeers
Omdat de vervangings- en leveringscycli voor leveranciers, deals, diensten en producten lang kunnen duren, zijn de meeste B2B-marketeers hypergefocust op het werven van nieuwe klanten, in plaats van bestaande klanten zover te krijgen komen terug, waar waarschijnlijkheid om eerste aankoopmodellen te kopen belangrijker zijn.
Voorspellende modellen zijn niet de enige manier om prospects te prioriteren voor zakelijke marketeers. Voorspellende modellen zijn echter verreweg het meest nauwkeurig en relatief eenvoudig te gebruiken.