Daadwerkelijk verbeteren door factbased marketing

Webanalytics gaat niet over hoeveel data je beschikbaar hebt, maar juist over die paar cijfers waar je elke dag, week en maand naar kijkt. Na dat de cijfers gezien zijn is het belangrijk dat er een actie op volgt. Dit kan zijn het doen van een verdere analyse, maar ook het bijsturen van de kosten, uren of een van de externe partijen. Het aansturen van je online marketing team. Dit is de basis van ‘fact-based marketing’. Fact-based marketing is dan ook de systematische aanpak voor continue groei als je een omzet wilt bereiken in de tientallen miljoenen.

USP’s vs. operational excellence.

Veel van mijn advies gaat over het ‘bouwen’ van een merk. Laadt je merk met je kernwaarden en zorg er ook voor dat je daadwerklijke USP’s heb. Unique selling points, voor de duidelijkheid. Belangrijk is hier het woord: Uniek. (gratis verzenden is dus veelal niet uniek). Uniek houdt namelijk ook in dat het niet makkelijk kopieerbaar is. Daadwerkelijk voordeel van het merk dat niet eenvoudig te kopiëren is.
De basis van het verhaal gaat dus hiervoor op. Het is dus ook belangrijk om te beseffen vanwaar de aanleiding van dit artikel is gekomen.

Op de OMCap in Berlijn heb ik naar een sessie gekeken van van Florian Heinemann. Florian heeft Project-a.de opgericht en heeft voorheen ongeveer 5 jaar bij Rocket Internet gewerkt als Webanalytics & BI consultant.

Dan begrijp je direct het probleem wat Rocket Internet heeft in hun bedrijfsmodel. Het gebrek aan ‘uniek’ zijn. Bijna alle modellen van Rocket Internet zijn een kopie van een succesvol buitenlands, voornamelijk Amerikaans, concept.

De simpele vraag die dan gesteld moet worden is dan als volgt:

Ben ik in staat om meer gebruikers voor dezelfde prijs om te zetten naar kopers dan mijn concurrentie?

Het antwoord op deze vraag kun je bereiken door ‘operationele excellentie’ tentoon te stellen en als belangrijkste “USP” te kiezen. De focus op de continuïteit van de verbetering van de processen.

Rocket Internet heeft daarvoor een bepaald model opgezet. Een voorbeeld van een heel logisch model dat duidelijk een starter kan helpen met de opzet van een fatsoenlijk BI model om ‘self-sustaining continues growth’ na te streven.

Als eerste een model om te kijken in welke markten je in zou kunnen stappen. Een matrix waarin de mate van ‘monetization’ afgezet is tegen ‘relevantie’. Zodoende kun je zien waar eventuele gaten liggen en in het kwadrant waar meerdere mensen hoog/hoog hebben zou je niet direct moeten beginnen.

Je bent wat je meet

Belangrijk is het om vooraf te bedenken dat je veel data nodig hebt. Veel data die relatief eenvoudig met elkaar verbonden moet worden. Het liefst data in één database.

Florian gaf aan dat Amazon dit vanaf het begin aan goed heeft gedaan. Zalando gebruikt volgens hem nog een aantal verschillende systemen waardoor 100% datamining niet zo eenvoudig gaat als gewenst. Vanaf de eerste fase is het dus belangrijk om deze data alvast te verzamelen, maar we gaan er nog niets mee doen.

The BI strategy roadmap of Rocket Internet.

Het model zoals gebruikt wordt bij Rocket Internet (voor zover publiek bekend en zeker niet geheel onbekend) bestaat dan ook uit 3 fasen. Klanten werven, consolideren en automatiseren.

1. Initial customer acquisition fase
   Het zoeken van het juiste product. De focus ligt in deze periode volledig op groei, zonder direct zicht op financiën. Het is een duidelijke proefperiode die maximaal 6 maanden mag duren, maar bij voorkeur korter.
   KPI’s
2. Consolidatie fase
   Deze fase is belangrijk om de de economische implicaties en onderdelen te leren kennen. Onderzoek naar bezoekerswaarde (customar value) en kosten voor een verkoop (acquisition cost). Deze periode duurt ongeveer 3 tot 6 maanden ook. Er wordt totaal nog niet gekeken naar ‘generieke’ zaken en zoektermen bijvoorbeeld.
3. Self-sustaining growth
   Hoe kunnen we de bekende mechanieken instellen en instrueren op een dergelijke manier dat we alleen maar te hoeven blijven voeden, maar vooral zaken kunnen uitrollen. Dit is de tijd waarin ‘duplicatie’ ook kan gaan plaatsvinden. Wat zijn de ‘trade-offs’ van bepaalde manieren van handelen ten opzichte van groei ten opzichte van marge. Dit ook het moment dat volledig de concurrentie kan worden aangegaan en dat men eigenlijk geen plafond meer heeft in haar uitgaven, zolang deze aan de mechanieken voldoen.

Benadering

1. Eenvoudige benadering en veel handmatig. Bekijk vooral naar het verleden en stijging van het aantal verkopen in combinatie met het gedrag.
2. Semi-geautomatiseerd en voorzichtig wordt er gekeken naar voorspellingen op basis van ouder gedrag. Business cases kunnen worden gemaakt. CRM begint gevuld te raken en er wordt meer aandacht gegeven aan het verbetern van de operatie.
3. Daadwerkelijke voorspellingen. Bijna realtime data om sneller te kunnen schakelen. Verbeteringen op alle gebieden dragen bij aan de groei en verbetering van de organisatie.

KPI per fase

1. Het aantal bounces, hoeveel mensen verlaten je pagina en je winkelwagen, wat is het aantal pagina’s dat ze hebben bekeken. Wat is de conversieratio en de doorklikratio. Wat is de ‘cost per order’?
2. Wat zijn de kosten om een klant te kopen vs. de klantwaarde, wat is de clickthroughratio x conversie ratio. Wat is de samenhang in gedrag? maar ook worden nu microconversions bekeken voor gedragsanalyse en enkele KPI’s komen in de buurt van customer segmentatio.
3. Wie kopen vaker producten, wat is de opbouw in klantwaarde ten opzichtte van de kosten om klant te kopen, wat is de retentie waarde? Vragen welke meer voorkomen uit je CRM pakket dan uit je daadwerkelijke webanalytics.

Organisatie en infrastructuur

1. Goede Webanalytics, manual MySQL/Excel, 1FTE
   Om te beginnen met dit model moet je zorgen dat er 1 iemand verantwoordelijk is, die goed is met excel (of zelfs met mysql) en ervoor zorgt dat je webanalytics pakket goed functioneert.
2. DWH reporting, BI team
   De volgende stap is ervoor zorgen dat je niet meer afhankelijk bent van excelfiles waar je hoofdpijn van krijgt, maar alles in een datawarehouse gaat stoppen, waar je slimme vragen aan kunt stellen. Je werkt dan ook niet meer alleen aan de tracking van je gebruikers, maar begint dit te doen met een team.
3. DWH actionable, BI team, analyitcs & infrastructure.
   Als je datawarehouse dan ook volledig draait is het ook belangrijk dat het vanzelf een aantal acties voor je kan ondernemen, denk bijv. aan (near)real time bidding, maar ook het opzetten van alerts en business rules. Je hele infrastructuur is gebouwd op je analytics. Je organisatie is volledig afhankelijk van de data die jouw team produceert.

Data silo’s

De combinatie van data is dan ook heilig. Sterker nog, de grootste bedreiging voor dit model is ‘data silo’s’. Data silo’s zijn eigen databases welke moeilijk of niet bereikbaar zijn. Denk bijvoorbeeld aan je connectie tussen Enquêtes, Usability, CRM, Facebook, Google Analytics en Google Adwords. Een heel klein verschil in meting of tellingen zorgt al voor hele grote problemen, waardoor de daadwerkelijke inzichten al veel lastiger worden, al dan niet in tijd of complexiteit.

Samenvatting

Erg belangrijk is de stap van tracking naar inzichten en de stap van inzichten naar acties. Niet de makkelijkste stappen, maar wel essentieël in de uitvoer voor operationele excellentie. Besef je goed welke data je hebt. Kun je wel verder naar de volgende fase? Wanneer is voor jouw organisatie een fase voorbij? Heb je alle kennis en data voorhanden om die stap te maken en wat is de impact op de organisatie?