-

Onderscheidende e-commerce strategie door gebruik van Google Cloud als marketing data warehouse

Het resultaat van een toekomstbestendige e-commerce strategie is dat je klanten weet te boeien en te binden aan je merk. Je dient als retailer te voldoen aan de verwachtingen van de veeleisende consument. Graag deel ik in dit artikel hoe je met Google Cloud als marketing data warehouse klanten nog beter kunt begrijpen om gedurende het volledige aankooptraject de klantervaring consistent, herkenbaar en relevant te laten zijn.

Omdat de concurrentie met schaalvoordelen vooral gefocust is op prijs, zal de verwachte druk op omzet en marge toenemen. Daarom is het van groot belang dat Nederlandse retailers zich niet alleen op prijs onderscheiden, maar ook door middel van gepersonaliseerde ervaringen om merkloyaliteit, klanttevredenheid en de aankoopfrequentie te stimuleren. 

Fundament van een onderscheidende e-commerce strategie

Je wilt als retailer de behoeften en motieven van klanten en leads inzichtelijk hebben, hierop acteren en het daarmee net iets beter doen dan de concurrent. Met behulp van van Google Cloud kun je dit realiseren. Het is o.a. mogelijk om web analytics data te combineren met CRM-, offline- en andere databronnen om het aankoopgedrag en toekomstige behoeften beter te voorspellen en relevante, intelligente aanbevelingen te doen.

Door het bouwen van een marketing datawarehouse geef je de organisatie en marketeers de klantinzichten die ze nodig hebben om hier vervolgens slim mee om te gaan en dit te gebruiken in marketing kanalen zoals search, display en email. Uiteindelijk wil je zo relevant mogelijk zijn in je uitingen en je geld zo efficiënt en effectief mogelijk besteden aan de juiste persoon op de juiste plek.

Waar Google Cloud als data warehouse in het verleden voornamelijk gebruikt werd om data te verzamelen voor strategische en tactische analyses, rapportages en inzichten is het nu ook mogelijk om deze waardevolle data te activeren middels bijvoorbeeld het Google Cloud Tentacles framework. Dit framework heeft al een aantal standaard connecties met het Google Marketing Platform beschikbaar. Hierover lees je later meer.

Hoe bouw je een marketing data warehouse?

De volgende architectuurdiagram illustreert hoe een cloud-based marketing data warehouse een cruciale rol speelt bij marketing analytics use-cases en om data te activeren in je marketingkanalen. Maar waar begin je bij het bouwen van een data warehouse? Je kunt dit proces in vijf stappen verdelen: data verzamelen, transformeren, analyseren, visualiseren en activeren. Hieronder zal ik dit verder toelichten.

1. Data verzameling

De eerste stap is om uit verschillende bronnen relevante data te verzamelen en op te slaan in BigQuery, de cloud data warehouse oplossing van Google. Door klant-, product-, marketing- en (online) gedragsdata uit verschillende bronnen bij elkaar te brengen kun je relevante inzichten verkrijgen voor zowel interne als externe stakeholders, maar ook kanalen activeren en journeys vormgeven. Google Cloud heeft data connectors met Google producten zoals Analytics 360, Campaign Manager en Display & Video 360, maar ook voor externe databronnen zoals Salesforce en Adobe. 

Het is enorm belangrijk om stabiele data connecties te hebben, zodat data op elk moment beschikbaar en up-to-date is. Een voorbeeld: je wilt namelijk niet dat een belangrijk dashboard het niet meer doet, omdat een data connectie niet meer werkt. Mocht je hier problemen mee hebben, zijn er verschillende manieren om correcte data te garanderen. Het zelf bouwen en het onderhouden van data connecties is iets waar je qua benodigde resources goed in kunt vergissen, vooral als het aantal connecties en de complexiteit toeneemt.

2. Data transformation

Als data uit verschillende bronnen beschikbaar is binnen BigQuery, is het noodzakelijk  de ruwe data transformeren naar bruikbare data. Je wilt namelijk een bepaalde consistentie aanbrengen in de totale dataset om data te combineren en gemakkelijk analyses uit te kunnen voeren. Een belangrijke uitdaging voor retailers is hoe ze een geïntegreerd beeld van hun klanten kunnen vormen via meerdere retailkanalen om hun koopgedrag en -patronen beter te begrijpen.

Deze transformatie begint bij het identificeren en kwalificeren van de doelgroep om een volledig 360-graden en consistent beeld van de klant te creëren. Dit vereist het verbinden van identiteiten tussen online en offline databronnen, apparaten en apps op basis van de activiteiten van een individuele klant, vaak met een onbekende identiteit.

Er zijn een aantal data transformatie-tools beschikbaar binnen Google Cloud. De een heeft een grafische interface (Data Fusion en Dataprep) en voor de andere (Dataflow & SQL) is wat meer technische (programmeer)kennis vereist:

3. Data analyse

Wanneer de data is opgeslagen en getransformeerd tot bruikbare data kun je aan de slag met de volgende stap: data analyseren en inzichten creëren maar ook is de weg vrij voor het maken van forecasts en voorspelmodellen. Hier gaat menig marketeershart harder van kloppen. Hier begint ook de onderscheidende factor van je e-commerce strategie. Elk bedrijf bouwt waardevolle data op, maar het gaat erom wat je vervolgens met deze data doet om je klant beter te begrijpen.

Allereerst is het mogelijk  om met zogeheten ‘beschrijvende analyses’ actuele en historische gegevens te analyseren om waardevolle klant- en marketing inzichten te realiseren. Ook kun je toekomstige resultaten voorspellen door ‘predictive analyses’, vaak op basis van machine learning (ML). 

Terwijl de meeste marketingorganisaties een sterke focus hebben op het uitvoeren van beschrijvende analyses, kan het verkrijgen van inzichten uit voorspelmodellen (predictive analyses) uit je marketing en klantgegevens juist veel extra waarde toevoegen aan je organisatie. Om predictive analyses uit te voeren, moeten geavanceerde technieken zoals statistische & machine learning analyses worden gebruikt. Zie hieronder een breed spectrum aan Machine Learning tools binnen Google Cloud:

Hieronder zie je hoe technische vaardigheid van een specialist of team (beginner tot expert) zich afzet tegen de verschillende Machine learning tools die beschikbaar zijn. De tools kunnen worden gebruikt om zowel predictive als beschrijvende analyses te maken:

Om het wat concreter te maken hieronder een aantal veelgebruikte modellen die wij vaak inzetten voor onze klanten. Je kunt de uitkomst van een model visualiseren en uiteindelijk activeren in je marketingkanalen.

4. Data visualisatie

De vierde stap op weg naar een data warehouse is om opgebouwde analyses en inzichten, bijvoorbeeld het gedrag van je website bezoekers en klanten, te visualiseren. 

Je wilt dashboards realiseren die bruikbaar zijn voor zowel marketeers als directie met actiegerichte inzichten. Hierdoor is iedereen in staat om datagedreven beslissingen te nemen. Er zijn tools voor dashboarding, zoals Google Data Studio waar BigQuery een native integratie mee heeft. Maar het is ook prima mogelijk om externe tools eenvoudig te koppelen met BigQuery. De meeste visualisatie tools hebben een standaard koppeling met BigQuery, denk bijvoorbeeld aan Microsoft PowerBI of Tableau. 

5. Data activatie

Hoewel het visualiseren van je data een geweldige manier is om inzichten te genereren en te delen is het ook mogelijk om de inzichten te gebruiken bij de opzet en optimalisatie van toekomstige campagnes.. Je kunt de performance en relevantie van je marketing kanalen bijvoorbeeld verbeteren door het toevoegen van doelgroepen waarop specifiek getarget kan worden. Ook is het mogelijk om business data (bijv. slimme productfeeds) toe te voegen om automatisch wijzigingen in biedingen door te voeren en advertenties nog meer personaliseren. Uiteraard kan dit alles geautomatiseerd worden vanuit het data warehouse.

Voor veel klanten verrijken we de audience strategie met doelgroepsegmentaties die we vanuit Google Cloud doorschieten naar Google Analytics 360 en/of direct naar de marketing kanalen (Google Ads / Facebook / Pinterest etc) om nog relevanter te zijn in search, display en video ads. Je kunt doelgroepen toevoegen om te targeten of juist uit te sluiten en hiermee geld te besparen. Zie hieronder een aantal doelgroep-use cases om je e-commerce strategie te verrijken en consumenten effectiever te bereiken.

Ik heb je handvatten gegeven om je e-commerce strategie te verbeteren en in vijf stappen concreet uitgelegd hoe je Google Cloud als marketing datawarehouse kunt inzetten. Heb je vragen? Stel ze gerust.

Over de auteur: Ted Hartkamp is digital strategy consultant bij Merkle Nederland.

Op Emerce is onlangs een eBook verschenen over selectiecriteria rond e-commerce platforms, nu gratis te downloaden: ‘Hoe selecteer je het juiste B2B Commerce platform in 2020?‘.

Deel dit bericht

1 Reactie

Wolter Tjeenk Willink - Traffic Builders

Goed en overzichtelijk artikel. Het belang van doordachte, stabiele dataconnectoren is inderdaad een must. Dit moet je als agency of adverteerder echt niet inhouse willen ontwikkelen en onderhouden. Niet alleen vanwege de kosten, maar ook omdat het je als marketing of e-commerce afdeling teveel afhankelijk maakt van IT resources, wat snel schakelen in de weg staat.

Wat verder heel vaak wordt onderschat is het belang van data unification. Oftewel zorgen dat je data uit verschillende bronnen wel met elkaar gecombineerd en vergeleken kunnen worden, bijv. op metriek en dimensieniveau. Relatief eenvoudige tools als Supermetrics of Funnel.io doen dit niet of vrijwel niet en alternatieven als Segment.com zijn erg technisch en kostbaar.

Wij gebruiken hiervoor daarom ons eigen platform, Datahive360, waarvan inmiddels diverse agencies en adverteerders actief gebruik maken. Hierin kun je data uit talloze advertising, analytics en custom data sources automatisch verzamelen, modelgestuurd unificeren en vervolgens gebruiken zoals je wil, zoals voor ML- of rapportagedoeleinden.

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond