Personalisatie: rule-based versus machine-learning

Dat het zinvol is om je klanten persoonlijk aan te spreken op je website, in e-mailcampagnes en in advertising, daar twijfelt niemand meer aan. In de praktijk worden er twee personalisatiemethodes gebruikt: rule-based en machine-learning. Wanneer zet je welke methode in?

Het nut van personalisatie kun je vanuit veel verschillende hoeken bekijken en aantonen. Zo onderzocht Segment het effect ervan op de consument. Klanten die een gepersonaliseerde winkelbeleving hebben, gaan vaker over tot herhaalaankopen. Ook vertellen zij eerder over hun ervaring op social media en tegen familie en vrienden.

Econsultancy deed onderzoek naar welke kanalen je moet personaliseren om de grootste conversie te realiseren. Ofschoon de meeste marketeers zich bezighouden met het personaliseren van e-mail, blijkt dat personalisatie in zoekmachinemarketing het meeste effect heeft, volgens 39 procent van de ondervraagde marketeers.

Een ander onderzoek van Hubspot toont aan dat het personaliseren van de call-to-action, ongeacht het kanaal, 202 procent beter converteren dan standaardversies.

En zo kunnen we nog wel even doorgaan. Dat personalisatie zinvol is, zal geen marketeer betwisten maar hoe ga je ermee aan de slag? Er zijn twee opties: rule-based en machine-learning personalisatie.

Rule-based personalisatie

De meeste marketing automation-toepassingen zijn rule-based, oftewel de werking wordt bepaald door als-dan-scenario’s. Bijvoorbeeld: als een websitebezoeker zich in de regio Utrecht bevindt, laat dan een evenement zien dat daar in de buurt wordt gehouden. Of: toon alleen producten die op voorraad zijn.

Als je de content en campagnes die je serveert alleen op basis van regels inricht moet je alle scenario’s uitdenken en heel veel aannames doen. Dat is erg veel werk. Een beetje webshop of reisorganisatie heeft meer dan tweeduizend variabelen die een rol spelen in personalisatie. Als je daarvan alle correlaties zelf moet uitdenken om ze in business rules te gieten, ben je wel even bezig. Rule-based personalisatie is dan ook niet geschikt voor product- of contentaanbevelingen en fijnmazige segmentatie.

Het belangrijkste voordeel van rule-based personaliseren is dat je je boodschap kunt afstemmen op bepaalde segmenten als dat van toepassing is. Daarnaast heb je inzicht in en invloed op de aanbevelingen.

Nadeel is zoals gezegd dat je de regels handmatig moet instellen en up-to-date houden. En je moet keuzes maken welke segmenten je een gepersonaliseerde beleving gaat bieden – allemaal is ondoenlijk. Bij het opzetten van rule-based personalisatie worden bovendien vaak aannames gedaan over correlaties die in de praktijk anders blijken te zijn.

Machine-learning personalisatie

Bij machine-learning personalisatie ‘voed’ je algoritmes met data die daarmee op zoek gaan naar patronen. Op basis daarvan wordt bepaald welke boodschap de klant of prospect te zien krijgt. Dit gaat veel verder dan rule-based personalisatie. Het algoritme komt tot veel fijnmazigere segmenten dan wat je als marketingteam kunt uitdenken, zelfs tot op het niveau van een-op-een communicatie. Bijvoorbeeld het inzicht dat vrouwen van vijftig tot zestig jaar die in Groningen wonen, een relatief laag inkomen hebben en op maandag de site bezoeken sale items willen zien en zijn te overtuigen met schaarste. Hoe specifieker je bent, des te beter zijn de resultaten.

Het grote voordeel van personaliseren met behulp van machine-learning is dat je vrijwel elke bezoeker een-op-een kunt bedienen met content. Je kunt je website/app/e-mailcampagnes snel personaliseren en het verloopt automatisch. En er komt weinig handwerk bij kijken vergeleken met rule-based personalisatie. Maar om er alles uit te halen wat erin zit, moet je wel een goede strategie opstellen, een krachtig platform uitkiezen en de tijd nemen om algoritmen te trainen.

Combinatie is het sterkst

Marketing automation is vandaag de dag over het algemeen nog rule-based maar eigenlijk zou je machine-learning leidend moeten maken. Het meeste denkwerk wordt dan door het algoritme gedaan maar tegelijkertijd kun je het overrulen als dat logisch is. Het heeft namelijk niet zoveel zin om een algoritme te trainen op voorspelbare zaken zoals de levertijd van een product of iemands verjaardag. Dan kun je beter de regel instellen dat op die specifieke dag een felicitatiemail moet worden verstuurd.

In automotive kun je bijvoorbeeld als regel in stellen dat er de komende vier maanden geen zomerbanden mogen worden aangeboden. Dit kan met behulp van machine-learning ook, maar het duurt lang voordat de correlatie tussen de tijd van het jaar en de bandensoort wordt gevonden. Dan kun je het algoritme beter trainen op het zoeken van (vanuit ons als mensen bezien) minder voorspelbare patronen, zoals; bij welke weersvoorspelling laat welk type klant zijn banden omwisselen? En heeft het inkomen van die klant of het feit dat hij een zakelijke rijder is hier invloed op?

Het zou bijvoorbeeld zo kunnen zijn dat iemand die twee keer een wit t-shirt koopt, bij de derde transactie voor zwart gaat. Machine-learning vindt die correlatie vanzelf en weet bovendien precies wat de kenmerken zijn van mensen die twee keer wit en dan zwart kopen. Als je dat scenario met je marketingteam moet uitdenken, kost dat veel te veel tijd. Bovendien zou je regelmatig moeten controleren of zwart nog steeds de modekleur is zodat je content blijft passen bij de marktdynamiek. Die tijd kun je ongetwijfeld beter benutten, dus waarom zou je de technologie niet voor je laten werken?

Headerfoto: Benjamin Elliott op Unsplash