Koopintentie voorspellen in real-time

De meeste bedrijven besteden een aanzienlijk deel van hun reclamebudget aan retargeting campagnes, maar opvallend is dat de meeste doelgroepen in deze campagnes op basis van intuïtie getarget worden. De retargeting doelgroepen worden voornamelijk samengesteld door middel van eenvoudige regels, zoals ‘alle mensen die de website hebben bezocht’ of ‘alle bezoekers die een product hebben bekeken’. Dit is de zwakke plek van remarketing en gaat terug tot het beroemde citaat van John Wanamaker.

De zwakke plek van remarketing

Vanuit zakelijk oogpunt willen we geen websitebezoekers retargeten die een specifieke interactie met de website hebben gehad. Veel liever retargeten we de bezoekers die het meest waarschijnlijk tot conversie overgaan wanneer ze opnieuw worden benaderd, en de advertenties dus ervaren als relevant en informatief (zie afbeelding 2). Als we inzicht kunnen krijgen in de koopintentie van een individuele bezoeker, kunnen we dit inzicht integreren in onze campagnes om alleen de relevante mensen te benaderen.

De logische verwachting is dat deze aanpassing het conversiepercentage positief zal beïnvloeden. Het voorkomt bovendien de bekende frustraties die irrelevante advertenties opwekken en verbetert de merkervaring van de geretargete persoon, omdat hij of zij de advertenties opvat als relevant. Dus hoe kunnen we het voornemen tot conversie van een websitebezoeker onmiddellijk vaststellen, zodat we dit kunnen gebruiken voor retargetingdoeleinden?

Ontwikkeling van een voorspellend model

Deze vraag kan worden beantwoord door het slim benutten van clickstream-data en diverse machine learning-technieken om een model te ontwikkelen dat de koopintentie van een individuele websitebezoeker real-time kan voorspellen. Dit klinkt misschien alsof er tal van geavanceerde technologieën met peperdure licenties voor nodig zijn, het tegendeel is waar. Wij maken uitsluitend gebruik van open-source technologieën om een dergelijk voorspellingsmodel te bouwen en te implementeren. De volgende stappen lichten het proces in het kort toe (zie afbeelding 3):

1. Als eerste verzamelden we de clickstream-data van 500.000 sessies (dit aantal kan verschillen per website), met alle interacties  van de bezoekers tijdens hun bezoek aan de website.
2. Daarna passen wij de algoritme-suite toe op de gegevens, om uit te zoeken welk algoritme het beste het browsergedrag herkent die kenmerkend is voor kopende klanten. Meer dan 30 verschillende indicatoren worden gebruikt om dit browsergedrag te herkennen, waaronder gegevens van de huidige en vorige website bezoeken van de gebruiker. Uiteindelijk, na talloze herhalingen en tests, wordt het algoritme dat het meest accuraat voorspelt welke bezoekers gaan converteren gebruikt op de website.
3. Nu moet het voorspellingsmodel in de website worden geimplementeerd, zodat het daadwerkelijk real-time voorspellingen kan doen. Het voorspellingsmodel wordt in de website geïmplementeerd met diverse JavaScripts via Google Tag Manager. Deze scripts zorgen ervoor dat er in real-time voorspellingen worden gedaan en dat de benodigde informatie wordt verzameld en opgeslagen van elke individuele bezoeker.
4. Nu we een voorspellingsmodel hebben dat de koopintentie van elke individuele bezoeker real-time voorspelt, kunnen we deze voorspellingen versturen naar alle gewenste advertentieplatformen waar deze gebruikt kan worden voor gerichtere retargeting.

De voorspellingen van het model gebruiken

Nu alles is geregeld, kunnen we de voorspelde koopintentie gebruiken om onze retargetingdoelgroepen in campagnes te verbeteren. Zo kunnen we voorkomen dat we irrelevante en ongeïnteresseerde bezoekers (weinig of geen koopintentie) benaderen en daarmee het conversiepercentage verbeteren. Het experiment dat we uitvoerden was bedoeld om te onderzoeken of het model relevante en waardevolle real-time voorspellingen kon doen. We stelden een grens vast om een goed onderscheid te maken tussen een zwakke en sterke koopintentie van websitebezoekers.

Daarna zetten we een experiment op waarbij we de huidige doelgroep voor retargeting, die bestond uit alle mensen die een product bekeken of een product aan hun winkelwagen toevoegden, in twee groepen splitsten. De eerste groep was de groep met een zwakke voorspelde koopintentie en de tweede groep een sterke voorspelde koopintentie.

Voor beide groepen gold dezelfde biedstrategie, hetzelfde frequentiebereik en beide groepen werden via Facebook benaderd met dezelfde advertentie. De hypothese voor dit experiment was als volgt: ‘Het conversiepercentage van de groep met een sterke koopintentie is significant hoger dan dat van de groep met een zwakke koopintentie’. We analyseerden het verschil in resultaat tussen beide groepen en de uitkomst was indrukwekkend.

Het is geen verrassing dat de groep met een sterke koopintentie een derde uitmaakt van de totale groep die werd geretarget. Daarentegen is het wel interessant dat het verschil in conversiepercentage tussen de twee groepen aanzienlijk is. Met andere woorden, als we alleen de bezoekers retargeten die zijn geclassificeerd als bezoekers met een sterke koopintentie, zouden we een stijging van 236 procent in conversieratio genereren, wanneer wij deze vergelijken met de groep met een zwakke koopintentie (zie afbeelding 4 hieronder). Maar wanneer de doelstelling is om de omzet te optimaliseren, zouden we niet adviseren om de bezoekers die zijn geclassificeerd als bezoekers met een zwakke koopintentie uit te sluiten, omdat ook in deze groep kopers zitten. Wel zouden we adviseren om deze groep anders te behandelen (bijv. met een andere biedstrategie, frequentiebereik etc.).

Hoewel het model nog geen perfecte voorspellingen doet, bevestigt het eerste experiment dat het model in staat is om betrouwbare voorspellingen te doen over de koopintentie van bezoekers. Nu is de volgende vraag: ‘Hoe kunnen we de voorspelde koopintentie in campagnes gebruiken om het conversiepercentage te verbeteren of om meer omzet te genereren?’ Momenteel voeren we experimenten uit om het antwoord op deze vraag te vinden en zijn we op zoek naar technisch slimme corporate marketeers en managers met een pioniersgeest die zich bij onze speurtocht aansluiten.

Alternatieve toepassingen

Dit model kan verschillende doelen dienen. Zo kan het worden gebruikt om dynamische content te leveren om de website te personaliseren. Daarnaast kan de voorspelde koopintentie worden gebruikt voor uitbreiding van de rapportages. Aangezien we met deze metric (koopintentie) niet alleen enkele interacties meten, maar de werkelijke intentie van websitebezoekers, is het een veel rijkere metric die inzicht biedt in het algemene voornemen van een specifieke groep bezoekers. Verder is er maar een kleine aanpassing nodig om dit model geschikt te maken voor het voorspellen van de verwachte omzet die een bezoeker waarschijnlijk oplevert wanneer hij of zij opnieuw wordt benaderd, of welk frequentiebereik moet worden gebruikt voor retargeting van elke individuele bezoeker.

Tot slot, door het slim benutten van big data, machine learning en open-source software, is het mogelijk om een voorspellingsmodel te ontwikkelen dat onlinemarketeers helpt om een zo relevant mogelijke doelgroep te benaderen en niet-geïnteresseerde bezoekers met rust te laten. Zouden we dat niet allemaal willen?

De uitkomsten van het voorspellingsmodel kan worden gebruikt om het conversiepercentage aanzienlijk te verbeteren en om budgetten efficiënter in te zetten. Daarnaast kan het voorspellingsmodel verschillende doelen dienen en bijvoorbeeld worden gebruikt voor dynamische content, rapportages of het voorspellen van de verwachte omzet van elke bezoeker. Dit biedt technisch slimme marketeers een nieuwe dimensie om te innoveren en creatief te werk te gaan.

Met andere woorden, dit model is geschikt voor tal van verschillende toepassingen en creëert daarmee een nieuw speelveld in online marketing, waarin zakelijke vraagstukken kunnen worden vertaald in dataoplossingen met behulp van machine learning en data.