data and personalized profiling

Prospecten scoren met data & personalized profiling  

29/10/2019

Personalized profiling, scoring en het bepalen van de penetratiegraad zijn allemaal technieken die adverteerders kunnen helpen om beter te targeten op hun klanten. Jérôme Gutknecht, kersvers Data Director bij bpost, geeft tekst en uitleg.

jerome_gutknecht_data_director_bpost

Hoe gaat ‘personalized profiling’ juist in zijn werk?

Met behulp van de look-a-like modeling- techniek kunnen adverteerders profielen identificeren die lijken op hun doelgroep. Dat houdt in dat men eerst de sleutelkarakteristieken van de doelgroep gaat bepalen en vervolgens gelijkende prospecten. De veelheid aan criteria in de SelectPost database maakt het mogelijk voor ons om zo’n soort oefening te doen.

SelectPost is een database van consumenten waarin we interesses en intenties van aankopen verzamelen die vrijwillig  worden gegeven via een vragenlijst. Die database bevat momenteel 1,1 miljoen adressen en heeft een bereik van 2,5 miljoen mensen. Bovendien werken we met een opt-in: respondenten geven hun akkoord voor het ontvangen van commerciële communicatie. Op dit moment zijn we volop bezig met het verfijnen van de mogelijkheden van de SelectPost database zodat we de marketingacties van onze klanten langer en kwalitatiever kunnen opvolgen.

De logica achter look-a-like modeling is erg simpel en kan vergeleken worden met de aanbevelingsmodellen die al langer present zijn in het merendeel van de media. Er is een grote kans data twee gelijkaardige profielen ook gedeelde interesses hebben.

Met behulp van de SelectPost database kunnen we onze klanten-adverteerders ondersteunen in het werven van nieuwe klanten of bij hun promotiecampagnes. Des te meer dankzij onze kennis over de verschillende sectoren en hun doelpubliek.


Benieuwd hoe dat verzamelen van data voor de SelectPost database in z'n werk gaat?
Ontdek het zelf >


 

 

Op basis van welke criteria worden vergelijkbare prospecten geïdentificeerd?

Op basis van sociodemografische parameters en interessegebieden. Zo gaan we kijken naar leeftijd, geslacht, gezinssamenstelling, maar ook naar hobby’s, intenties enzovoort.  Overeenkomsten worden geëvalueerd met een scoring model. De score in dat model (tussen 0 en 1) geeft aan hoeveel het profiel lijkt op de bronpopulatie. A priori is er geen parameter die meer gewicht heeft dan een andere.

Als we sociodemografische of geografische parameters uit een bepaalde populatie kunnen afleiden (bijvoorbeeld, uit een groep die een bepaald gamma auto's koopt) hopen we dat consumenten met vergelijkbare criteria vergelijkbare bedoelingen hebben. Geen enkele parameter bepaalt daarom a priori een populatie. Het model helpt ons wel om de mate van gelijkheid tussen een huidige klant en een prospect te evalueren.

 

Zijn de resultaten van dit profileringsproces beter dan die van een klassieke targeting?

Bij een traditionele segmentatie is het aantal parameters zeer beperkt. Het gevolg? Een zeer grote variatie binnen het segment.

Het belangrijkste verschil tussen klassieke segmentatie en look-a-like modellen ligt in het aantal gebruikte parameters. Vaststellen dat een populatie tussen 18 en 25 jaar meer geneigd is om van smartphone te veranderen, is niet verkeerd en is nauwkeuriger dan een massamarketingbenadering. Het segment blijft echter zeer breed en deze vaststelling biedt geen garantie dat iedereen bereid is om van smartphone te veranderen. Wat gebeurt er als we een criterium toevoegen, zoals interesse in nieuwe technologieën? Dan verfijnen we het segment.

In het geval van SelectPost zouden we met honderden variabelen kunnen spelen. Een groter aantal van diverse parameters, het scoring model en zeker ook de grootte van de database zorgen voor een meer gedetailleerde segmentatie. Zo kan een adverteerder nog gerichter interessante prospecten benaderen.

 

Is gedrags- of actiegerichte modellering (act-alike modeling) niet nog effectiever dan look-a-like modeling?

Nee, niet noodzakelijk. Alles valt of staat met het doel van de commerciële actie. Een behoefte creëren of zijn aanbod aanpassen aan een nieuwe behoefte zal leiden tot het zoeken van nieuwe doelgroepen, en dus een doelstelling met een groter volume. Er zijn minder verklarende parameters vereist. In look-a-like modeling worden trouwens ook gedragsparameters gebruikt. We vinden er eveneens geografische elementen (penetratie), psychografische elementen (interesses) en klassieke sociodemografische elementen in terug.

Maar let op, hoe meer elementen we in het model integreren, hoe preciezer we zullen zijn, maar hoe meer ook we het risico lopen om te segmenteren. Hoe meer criteria worden gebruikt, hoe waarschijnlijker het immers is om bevolkingssubgroepen te vinden (eco buyers, lokale eco buyers, lokale kopers zonder ecologische motieven...). Kortom, kleinere doelgroepen en dus meer complexe marketingacties.

Het beste model? Het model dat het best aan de businessbehoeftes voldoet en een evenwicht brengt tussen precisie en het commerciële doel. Een model moet ondersteund worden door een gevarieerde kennis aan segmentatietechnieken, maar ook door een gerichte kennis van de sector waarover het gaat. En die kennis hebben we en breiden we nog elke dag uit bij bpost!


Prospecten targeten met In-Home Advertising!
Het kan >


 

 

Wat is bij bpost het aandeel van first party data ten opzichte van het gebruik van second en third party data?

Second en third party data zijn voornamelijk open of openbare gegevens. Bpost gebruikt voornamelijk first party data, maar vult waar nodig aan met publieke data, meer bepaald met sectorale data. Het doel is om zo volledig mogelijk te zijn bij het afleiden van de intenties van de individuen in onze database.

In het tijdperk van big data is het cruciaal om centraal te staan in de interactie met de consument  en om zo goed mogelijk aan zijn verwachtingen te voldoen. Tegelijkertijd is het belangrijk om bedrijven te ondersteunen die hiermee bezig zijn. Bpost kan bogen op een transversale lezing van de intenties, terwijl een bedrijf vaak een beperkt zicht heeft op zijn klanten. Aanvullende informatie ter beschikking hebben, daar spruiten vaak nieuwe kansen uit voort.

De data die voor deze doeleinden worden gebruikt, zijn trouwens verworven volgens de huidige GDPR-normen, en dus met toestemming verkregen. Bpost maakt er een erezaak van om zijn datadiensten aan de GDPR-wetgeving aan te passen.


1st, 2nd en 3rd party data, wat is dat? En hoe maakt u er impact mee?
Het antwoord vindt u hier >


 

 

Hoe bepaalt en analyseert bpost de penetratiegraad?

Verschillende paramaters zoals onze geografische analyse, de verdeling van de Belgische bevolking via sociodemografische gegevens (open data en SelectPost) en interesses (SelectPost) stellen ons in staat om de penetratiegraad van de adverteerder te bepalen ten opzichte van de globale populatie. We bieden dus een geografische weergave van de populatie van hun mogelijke klanten en dus de opportuniteiten voor een adverteerder per geografische sector.

Een voorbeeld: look-a-like-modeling leert dat het aanbod van onze klant-adverteerder vooral vrouwen tussen 20 en 40, met kinderen en een gemiddeld inkomen aanspreekt. Dan gaan wij kijken naar de sociodemografische gegevens van een bepaalde regio en op basis van de eerder genoemde criteria bepalen of die regio interessant is voor onze klant. Dit is de zogenaamde penetratiegraad.

Stel dat het aanbod van de adverteerder gericht is op vrouwen die net bevallen zijn, dan kunnen we de penetratiegraad nog beter bepalen als we de gegevens van SelectPost ook meenemen in onze analyse.

Zo kan het bijvoorbeeld zijn dat in er in een bepaalde gemeente procentueel veel meer pas bevallen vrouwen zijn dan gemiddeld. In dat geval is het voor onze klant-adverteerder interessanter om daar een folder te verdelen.