Elke klant is uniek en verdient de juiste benadering. De grotere spelers hebben daarom al een aantal jaar de ‘massa-benadering’ bij het grofvuil gezet en steeds meer kleinere e-commerce spelers maken nu ook de overstap naar personalisatie. De grote vraag blijft natuurlijk hoe je dit binnen jouw organisatie kan aanpakken? Hoe kan je de marketing-uitingen zodanig invullen dat deze persoonlijk zijn voor de klant? En hoe kan het neergezet worden als een continu proces dat geautomatiseerd is?

In dit artikel laten we je zien hoe je in 3 stappen, met behulp van het RFM model, optimaal kunt segmenteren. Ook lees je meer over CRMint, een geavanceerde tool om geautomatiseerd en gepersonaliseerd klanten te benaderen. 

Verschillende vormen van segmentatie

De eerste stap is segmentatie. Het groeperen van klanten geeft de eerste inzichten in wat het gedrag van jouw klanten is. Personaliseren gaat niet zonder segmenteren. Door het maken van steeds specifiekere segmenten zijn we in staat steeds persoonlijker onze klanten te benaderen. Hierdoor kunnen marketingcampagnes verbeterd worden, wat uiteindelijk leidt tot een hogere conversie.

Er zijn verschillende typen segmentaties:

o   Demografische segmentatie, zoals leeftijd, geslacht en beroep

o   Geografische segmentatie, zoals stad, regio en provincie

o   Gedragssegmentatie, zoals uitgavenpatronen en laatste aankoop

o   Psychografische segmentatie, zoals sociale status, lifestyle en persoonlijke kenmerken

In dit artikel focussen we ons op de gedragssegmentatie, gezien we de laatste jaren steeds meer te weten komen over het gedrag van onze klanten. Door het gedrag beter te begrijpen kunnen wij ook de klant beter bedienen. Door gebruik te maken van gedragssegmentatie, zien we de volgende voordelen:

  • Het helpt je te identificeren wie de meest loyale klanten zijn
  • Het geeft je handvatten om op het juiste moment met de juiste klant te communiceren en deze klanten ook te selecteren
  • Het geeft mogelijkheden voor cross- en upselling
  • Door de verkregen inzichten kunnen we gerichte aanbiedingen doen naar specifieke klantprofielen.

Recency, Frequency, Monetary; het RFM model voor segmentatie

Een van de vele manieren om te segmenteren is het RFM-model. RFM staat voor Recency, Frequency en Monetary. Het RFM-model werd veelal gebruikt in de Direct Marketing, met als doel kosten te minimaliseren. Maar sinds we steeds meer data verzamelen over de klant en dus ook meer inzichten in klanten proberen te krijgen, kan dit model zeker marketing breed worden ingezet.

De RFM-analyse begint door het stellen van drie eenvoudige vragen:

  1.     Hoe recent heeft de klant bij jou iets afgenomen? (Recency)
  2.     Hoe vaak heeft de klant besteld? (Frequency)
  3.     Hoeveel heeft de klant uitgegeven? (Monetary)

Deze methode filtert gebruikers in verschillende categorieën die naadloos aansluiten op de wensen van jouw marketingafdeling. Denk aan campagnes die gericht zijn op klantbehoud of juist op het activeren van klanten. Uit de analyse komen als het ware gesegmenteerde persona’s die je kunt onderverdelen in bijvoorbeeld de volgende segmenten:

rfm-segments

Als hoofdlijn voor deze analyse volg je de volgende drie stappen:

Stap 1

Bereken per klant de score binnen het RFM-model op basis van Recency, Frequency en Monetary. De dataset voor de berekening zal in ieder geval een klantID en transactieID bevatten met de waarde en datum van elke unieke transactie.

Stap 2

Verdeel de klanten in de dataset in groepen gebaseerd op de drie dimensies. Dit kun je onder andere doen via R of Python. Wij gebruiken hiervoor R, gebaseerd op de k-means clusteranalyse. Onderstaande printscreens zijn twee voorbeelden van de RFM output, welke zijn gebaseerd op de RFM-package uit R. De RFM-Package in R bevat een voorbeeld dataset, ideaal om mee te oefenen. Klik hier voor meer informatie over de RFM package in R.

Stap 3

Vervolgens interpreteer je de scores en kunnen de acties bepaald worden aan de hand van de segmenten en definities. Vanaf stap 3 begint dan ook de communicatie naar de klant. 

Gepersonaliseerde en automatische klantbenadering met CRMint

Wanneer de analyse is uitgevoerd en de klantsegmenten hun dimensies hebben, is het tijd om met deze informatie aan de slag te gaan. Maar hoe zorg je ervoor dat je met deze data de klant echt betere aandacht geven? En kan we dit automatiseren?

Er zijn inmiddels een groot aantal marketing automation tools op de markt, elke tool heeft voor- en nadelen. Het belangrijkste is om software te kiezen waar jouw data gemakkelijk aan te koppelen is en ook waar jouw organisatie het beste op aansluit. CRMint is gezien het gemak in automatiseren van het personalisatie proces een zeer geschikte tool.

Als applicatie is CRMint uitermate geschikt voor het inplannen van data-flows tussen 1st party data en Google-producten. In deze tooling is het mogelijk om de RFM-analyse geautomatiseerd uit te voeren en de output door te sturen naar onder andere Google Analytics, Google Ads en Display & Video 360.

Vanuit CRMint volgt na de analyse de output met de RFM klantsegmentatie, welke direct gebruikt kan worden om gepersonaliseerde acties naar de klant uit te zetten. Dit kan bijvoorbeeld ingericht worden via de audiences met Google Ads. 

Voorbeelden kunnen zijn: 

  • Een activatie campagne voor de klanten in het ‘Cannot Lose Them’ segment
  • Een welkom campagne voor de klanten in het ‘New Customers’ segment
  • Een klantloyaliteitsprogramma campagne voor de klanten in het ‘Potential Loyalist’ segment.

Je kan ook nog een stapje verder gaan; door bijvoorbeeld met een hogere bid in Google Ads inactieve klanten met een hoge orderwaarde weer te activeren. Of het aanbieden van speciale aanbiedingen voor klanten die vaak de webshop bezoeken, maar geen aankoop doen. Voor alles geldt: je kunt deze segmenten nu gebruiken voor alle marketingactiviteiten.

Vanaf nu geen massa-benaderingen meer naar al jouw klanten, maar een persoonlijke benadering en meer aandacht voor de klant. In de onderstaande afbeelding wordt het proces rondom CRMint nog eens schematisch weergegeven:

De data die nodig is voor de analyse binnen CRMint kan automatisch uit Google Analytics worden gelezen maar het is ook mogelijk om dit vanuit een ander systeem naar CRMint over te zetten. Het belangrijkste is dat je op elk gegeven moment kunt starten zodra de benodigde data beschikbaar is; klantID, transactiewaarde en een datum-dimensie. De instellingen in CRMint kun je zelf uitvoeren en hiervoor bestaat ook documentatie op Github.

Het RFM-model is maar een van de voorbeelden voor het gebruik van CRMint. Andere databronnen en systemen kunnen ook gekoppeld worden aan CRMint. De onderstaande afbeelding bevat een voorbeeld van de pipelines in CRMint, vanaf de dataverzameling en bewerking tot data modelleren voor het RFM-model.

CRMint pipelines

Meer informatie over het gebruik van CRMint

Wil je meer informatie over de RFM-methode of het automatiseren van klantbenaderingen, neem dan contact met ons op. Wij ondersteunen jouw organisatie graag om in de wereld van data, segmentatie en personalisatie daadwerkelijk te excelleren.