Sinds de jaren 2000 is het gebruikelijk om te horen dat bedrijven dichter bij hun respectieve klanten willen komen om zichzelf als klantgericht te definiëren. Bovendien hebben deze bedrijven steeds meer individuele klantgegevens beschikbaar via verschillende kanalen. De marketingfunctie gaat dus geleidelijk over van massamarketing naar gesegmenteerde marketing om waarde te creëren voor individuele klanten.
Bedrijven willen de overstap naar klantgerichtheid vereenvoudigen door de gegevens in hun Customer Relationship Management (CRM) te gebruiken om een persona te bouwen. We kunnen een persona definiëren als "een semi-fictieve weergave van uw ideale klant op basis van marktonderzoek en echte gegevens over uw bestaande klanten." (Kusinitz, 2018, p.1).
Waarom is het nuttig?
Persona's kunnen worden gezien als een hulpmiddel dat het mogelijk maakt om van massamarketing naar een volledig één-op-één personalisatie te komen. Inderdaad, persona’s laten toe om de massa informatie die we over klanten hebben te bundelen in emmers met klanten. Nadien is het voor de bedrijven gemakkelijker om dergelijke problemen aan te pakken. Met andere woorden, persona’s zijn een stap tussen massamarketing en één-op-één personalisatie.
Hoe persona's maken?
Zoals hierboven uitgelegd, wordt een personage opgebouwd uit werkelijke klantgegevens van een bedrijf. Het uitgangspunt voor het creëren van een persona is dus het verzamelen van alle beschikbare gegevens van onze klanten om een exploiteerbare gegevensset te bouwen. Het is echter belangrijk om vooraf deze dataset (uitbijters, heterogene gegevens) te kennen, die zal worden gedaan via een verkennende analyse van gegevens.
We moeten niet vergeten onze gegevens te standaardiseren, zodat we ze op vergelijkbare meetschalen kunnen vergelijken. In feite hebben de variabelen waaruit een database bestaat, over het algemeen zeer verschillende eenheden, varianties en standaarddeviaties. Het is dus belangrijk om de variabelen te standaardiseren door ze te standaardiseren, zodat ze op vergelijkbare meetschalen kunnen worden vergeleken. We kunnen genormeerde variabelen beschrijven als variabelen met een nulgemiddelde en een standaardafwijking van één.
Wanneer deze voorbereidende stappen zijn voltooid, kunnen we de gegevens partitioneren om clusters te markeren. Het bekendste algoritme voor clustering wordt K-means genoemd. Dit algoritme verdeelt de individuen van een monster door ze te groeperen op basis van vergelijkbare kenmerken. Om dit te doen, willen we de intraclass variantie minimaliseren, terwijl de interclass variantie wordt gemaximaliseerd, zodat de individuen dichter naar elkaar toekomen wanneer ze vergelijkbare kenmerken hebben en ver weg zijn van andere individuen wanneer ze heel verschillend zijn.
Een van de zwakke punten van het algoritme is echter dat we het aantal gewenste clusters moeten specificeren. Om het probleem op te lossen, kunnen we zien voor welk aantal clusters de intraklasse-variantie binnen de partities een significante toename realiseert wanneer we het aantal clusters verminderen. De resulterende grafiek heeft meestal de vorm van een elleboog, vandaar de naam (Robert L. Thorndike, 1953).
Wat kunnen we doen met persona's zodra ze zijn gedefinieerd?
Vanuit marketingoogpunt, wanneer een bedrijf een nauwe relatie heeft met zijn klanten en elk van hen persoonlijk kent (en hun respectieve behoeften), heeft het de mogelijkheid om het aanbod van zijn diensten en producten volledig aan te passen. Bovendien kan dit bedrijf vervolgens verschillende tarieven bepalen, afhankelijk van het type klant, maar ook aangepaste verpakkingen aanbieden.
Vanuit het oogpunt van digitale marketing kunnen deze persona's ons in staat stellen gebruikerstesten (UX-tests) uit te voeren om de sterke en zwakke punten van een website te benadrukken en deze uiteindelijk te optimaliseren. We kunnen zelfs verder denken door gepersonaliseerde inhoud op de website van het bedrijf aan te bieden voor elke vooraf gebouwde persoon. Er zijn al verschillende oplossingen op de markt om deze aanpassing van de website te realiseren.
Wat doet Semetis?
Bij Semetis creëren we persona's in samenwerking met onze klanten, door workshops te organiseren met hun teams en door alle gegevens die we hebben te analyseren (CRM, Google Analytics, enz.). Zoals beschreven in een van onze eerdere artikelen : Webanalyse, CDP's, de cloud en AI, een ecosysteemperspectief, kunnen we een echt gegevensecosysteem bouwen en beheren, zodat we deze gegevens uiteindelijk kunnen omzetten in inzichten die geëxploiteerd voor het bedrijf.
Voor meer informatie over hoe we dit datagedreven perspectief omzetten in marketingacties, nodig ik u uit om deze twee cases te lezen: Quick-Step, en Carglass.
Timothy Jacqmin
| LinkedinDit E-mail adres wordt beschermd tegen spambots. U moet JavaScript geactiveerd hebben om het te kunnen zien.
