-

Belang kwaliteit B2B-data blijft maar toenemen – wat te doen?

De verwachtingen van marketing automation zijn groot. Het is echter goed realistisch te blijven: de automatisering van marketing is namelijk geen kant-en-klaar wondermiddel. Die staat en valt bij de data en kwaliteit ervan. Hoe speel je hierop in?

De verwachtingen van marketing automation software zijn vaak hooggespannen. Maar marketeers kunnen niet zomaar CRM-data en wat ingekochte leads in software stoppen om vervolgens te denken er vanzelf prospects uitrollen. Een marketing automation platform is echt zo slim als je deze zelf maakt, benadrukte Thomas Koletas van Madison Logic onlangs.

Dat doe je in eerste plaats door mensen te laten interacteren met content. Als de grootste klacht is dat verkoopklare leads in praktijk toch niet zover zijn als gedacht, moeten marketing en sales nog veel meer samen optrekken. Zij kunnen gezamenlijk zorgen voor de nurturing – iemand met content richting aankoopbeslissing begeleiden. Daarbij richten beide partijen zich niet op het sluiten van de deal, maar over het ‘opleiden’ van de prospect.

‘De strategie is veruit het belangrijkste en grootste uitdaging voor marketing automation’, zegt Jaap Jacobs van marketingbureau Fingerspitz. Zonder weloverwogen keuzes kan het namelijk zijn dat je op de verkeerde momenten communiceert. ‘Het komt voor dat CRM-software niet wordt gekoppeld aan de automation engine of dat salesmedewerkers niet doorvoeren dat er contact is geweest. Er worden dan berichtjes gestuurd om te acquireren terwijl er al contact is geweest. Ook algoritmes helpen niet als er mensen aan te pas komen.’

Zelflerende mechanismen vragen om hoge datakwaliteit

Het belang van kwalitatieve data neemt in marketing automation zienderogen toe. Niet alleen omdat dit de kwaliteit van leads vergroot, ook omdat de aard van marketing automation met de tijd verandert. In het beginstadium zal vooral gewerkt worden met als-dan regels – onderneemt de lead actie ‘x’, toon dan content ‘y’ of zorg voor reactie ‘z’. Maar neemt het aantal leads toe, dan groeit – omwille van de gepersonaliseerde experience – ook het aantal campagnes.

Dat kan veel slimmer, beseffen ook de bedrijven achter automation-software. Zij bereiden hun software langzaam voor op de tijd dat de customer journey wordt ingevuld door zelflerende mechanismen – zogenaamde machine learning. Ter verduidelijking: ook Netflix schrijft geen regels om een volgende filmaanbeveling te doen, schreef een automation-bedrijf onlangs. Nee, algoritmes leren van het kijkpatroon van personen met een vergelijkbaar profiel.

Hoewel er nog wat discussie bestaat over hoeveel je aan zelflerende systemen over kunt laten, is iedereen het over twee dingen eens: het draait minder om leads met regelgestuurde automation tot een volgende stap te bewegen; en daarvoor moet in de nieuwe situatie met nog meer data, zowel gestructureerde als ongestructureerde, worden gewerkt.

Om een kijkje in de toekomst te geven: in de nieuwe generatie automation-tools stelt de marketeer een doel in, bijvoorbeeld conversie. Het platform kijkt vervolgens met behulp van machine learning welke tactieken hebben gewerkt om vergelijkbare leads te begeleiden. De benodigde stappen worden hiervoor volautomatisch gezet. Met een regelgebaseerd systeem is dat onbegonnen werk, wordt er geconcludeerd. Vele vormen van data kunnen vandaag de dag al voor een persoonlijke customer journey zorgen. ‘Maar het wordt pas een zichzelf aanpassende journey, als machine learning wordt ingezet.

Voorbereiding

De beste voorbereiding is om hiervoor bewustwording te creëren in de organisatie, zegt Jacobs. ‘Dat betekent dat je alle betrokkenen goed moet opleiden. En dat je met name uitlegt wat het uiteindelijk oplevert. Je moet de organisatie achter je hebben staan om marketing automation goed in te voeren.’ Cruciaal is dat marketing en sales direct goed afstemmen wat een ‘sales qualified lead’ is. ‘Wanneer is een lead voldoende interessant om er een afspraak mee te maken? Om het overzicht te bewaren, is het prettig om één iemand verantwoordelijk te maken als lead qualifier’, zegt Jacobs.

Omdat de implementatie vooral organisatorisch veel teweeg brengt adviseert hij altijd klein te beginnen. Test dus eerst of marketing automation wel werkt in de betreffende organisatie. Wordt er nu groots geïnvesteerd, maar wordt de datakwaliteit vergeten dan loopt ieder bedrijf daar vroeg of juist laat – bijvoorbeeld bij de omarming van machine learning – tegenaan.

Deel dit bericht

1 Reactie

Christian Vriens

Al enkele jaren bieden wij met ons IQNOMY platform via machine learning content die bij de bezoeker past. We zijn machine learning bij emailmanagement applicaties in 2003 gaan toepassen om de inhoud van emails te lezen. En inderdaad bij machine learning geldt rotzooi erin = rotzooi eruit. Dus datakwaliteit is erg belangrijk.

Wat de we afgelopen jaren hebben gezien dat gepersonaliseerde content op de website ook nieuw is voor marketeer. Onze ervaring is dat deze marketeer het moeilijk vindt om niet in de hand te hebben wat deze gebruiker gaat zien. Hij of zij wil namelijk tijdens live laten zien aan anderen wat er veranderd als je een bepaald gedrag vertoond. Klein starten zoals je beschrijft is dan de oplossing. De eerste cases starten met regels, data verzamelen en in een volgend stadium machine learning toepassen. Start small, think big.

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond