H OE DE RESPONSEGRAAD VERHOGEN ? Een leidraad voor specialisten op het vlak van lead generation
Dit document geeft een overzicht van drie methodes die de responsgraad van lead generation acties aanzienlijk kunnen verhogen. Vooreerst wordt dieper ingegaan op de ontdubbelingstrategie die van toepassing is op adresbestanden. Vervolgens wordt uitgelegd hoe door het plaatsen van filters de response verhoogd wordt. Tot slot gaat het document dieper in op Data Profiles, een product dat door MCLS is ontwikkeld op basis van een data pool.
Auteur: Paul Van Lil – MCLS Revisie: Joost de Roo - DiProfiles 20-8-2009
20-8-2009
HOE DE RESPONSEGRAAD VERHOGEN? Een leidraad voor specialisten op het vlak van lead generation
ONTDUBBELINGSSTRATEGIE NTDUBBELINGSSTRATEGI In de meeste gevallen wordt bij het ontdubbelen gebruik gemaakt van het grootste bestand. De kleinere bestanden worden dan weggefilterd wegge tegenover dit basis bestand. Stel dat bestand A het grootste bestand is, dan wordt dit in zijn totaliteit meegenomen. Vervolgens wordt er nagegaan welke adressen van bestand B niet voorkomen in bestand A en deze worden dan geselecteerd. Tot slot zal zal nagegaan worden welke adressen van bestand C niet in bestand A en B voorkomen. Bij het testen wordt dus gewerkt op basis van het volledige bestand A, een selectie uit een gedeelte van bestand B en een selectie uit een nog kleiner gedeelte van bestand C. Bij deze operatie wordt echter geen rekening gehouden met de response kwaliteit van de adressen. Zeker bij bestanden bestaande uit consumenten die een bewezen aankoopgedrag vertonen, staat de response kwaliteit in directe verhouding met het aantal maal dat een adres voorkomt in de verschillende databases. Een adres dat zowel voorkomt in lijst A als lijst B zal een response verhouding van 150 op 80 genereren tegenover een adres dat slechts één maal voorkomt in één van de bestanden. Indien een adres in drie dr verschillende lijsten voorkomt, dan zal deze verhouding zelfs 400 op 80 bedragen ten opzichte van een adres dat slechts één maal voorkomt. Een adres dat in de drie bestanden voorkomt heeft tegenover een adres dat in twee bestanden voorkomt een verhouding verhoudin van 400 op 150. Indien, zoals in de klassieke methode, de kleinere bestanden ontdubbeld worden tegenover het grootste bestand, dan zullen de frequent voorkomende adressen uit de kleinere bestanden verwijderd worden (omdat deze reeds in het grote bestand bestan zitten). Dit heeft tot resultaat dat van de kleinere bestanden enkel de minst responsieve adressen in ogenschouw genomen worden voor het testen. Het directe gevolg hiervan is dat de kleinere bestanden een lagere response opleveren dan zij eigenlijk in realiteit re zouden geven. Bij het testen van de bestanden, zullen de kleinere bestanden dus sneller ten onrechte afgeschreven worden omdat daar enkel op de zwakkere, minder responsieve adressen getest wordt. Zeker bij het testen van de bestanden dient rekening ng gehouden te worden met dit fenomeen. Ook in het geval dat de cumulatie van de geselecteerde adressen een te groot bestand oplevert, en dus niet alle adressen kunnen meegenomen worden in de roll out, dient u hier voor op te letten. MCLS - Henri Dunantlaan 13, B-2900 B 2900 SCHOTEN, BELGIË Tel.: +32 3 358 38 83 – Mail:
[email protected] 1
20-8-2009
FILTERS VERHOGEN DE RESPONSE Stel dat u 4 bestanden (A, B, C en D) wenst te testen op de response graad voor een bepaalde doelgroep. De bestanden A en B zullen de test glorierijk doorstaan omdat zij gemiddeld de break even grens overschrijden. De bestanden C en D worden afgeschreven schreven als ‘te lage response’ om de break even te halen. Is dit wel terecht? Door deze beslissing te nemen gaat u misschien wel wat kort door de bocht. Alle adressen binnen eenzelfde bestand leveren zelden dezelfde response op. De beslissing om een bestand al dan niet in te zetten wordt dus te vaak gemaakt op basis van gemiddelden. Zo zullen er in het bestand B heel wat adressen zitten die de break even niet iet halen en dus ten onrechte meegenomen worden in de volledige roll out. In het bestand C zitten dan weer heel wat adressen die wel de break even halen. Zelfs in bestand D is dit nog het geval. De oplossing schuilt natuurlijk in het doorvoeren van een profielanalyse ofielanalyse op de testadressen. De vraag die u zich dient te stellen is: welke adressen draaien break even en is het mogelijk om hieraan een profiel te koppelen? Bij de selectie van de adressen dient u dus alle bestanden in ogenschouw te nemen en een filter ter te plaatsen op de adressen die in de test break even draaien. Het meest voorkomend (en gemakkelijkst) is om een filter te plaatsen op postcode. Ook leeftijdscategorie, geslacht en RFM (recency, frequency monetary value) zullen dikwijls het verschil uitmaken. Door een filter te plaatsen, wordt de selectie van responsieve adressen verfijnd, verfijn selecteert u alle ‘goede’ adressen uit de verschillende bestanden en zal de algemene response graad aanzienlijk verhogen.
DATA PROFILES Voor lead generation worden twee twee soorten bestanden ingezet: profielbestanden en gedragsbestanden. Profielbestanden worden vaak samengesteld aan de hand van grote consumenten enquêtes, die verspreid worden op basis van huis-aan-huis huis bedeling. De resultaten van deze bevragingen bij een gedeelte van de doelgroep (niet iedereen reageert op een ‘anonieme’ vragenlijst) worden gebruikt om de database gedeeltelijk te verrijken. Door vergelijkingen wordt hiervan een algemeen profiel van een bepaalde doelgroep gemaakt en toegepast op het volledige volledige segment in de doelgroep. Het zwakke punt in profielbestanden zit in de aankoopintentie die door consumenten opgegeven wordt. Het is een feit dat in profielbestanden consumenten in vele gevallen wel de intentie van een aankoopgedrag zullen opgeven. Dit betekent betekent echter niet dat deze consumenten dit aankoopgedrag ook reëel vertonen.
MCLS - Henri Dunantlaan 13, B-2900 B 2900 SCHOTEN, BELGIË Tel.: +32 3 358 38 83 – Mail:
[email protected] 2
20-8-2009
Het kenmerk van een gedragsbestand is dat de consumenten die zich in dit bestand bevinden een bepaald aankoopgedrag vertonen. Zij hebben namelijk bewezen dat zij ofwel via direct mail, via telefoon of via een ander kanaal aankopen. De recentheid van aankoop wordt vaak meegegeven in het bestand. Alleen al dit feit verhoogt de response graad van deze bestanden tegenover de traditionele profielbestanden. MCLS gaat echter nog een stap verder. MCLS heeft een datapool van een 15-tal gedragsbestanden aangelegd met in totaal 3 miljoen consumenten adressen. DiProfiles, partner van MCLS in dit project, maakt hierop selecties op basis van profilering. De werkwijze is als volgt. Nederland heeft een zeer specifieke postcode indeling. Deze gaat zelfs tot op straatniveau. Een Nederlandse postcode identificatie omvat gemiddeld 16 huishoudens. Aan deze postcode indeling werd een doorgedreven profilering gekoppeld. In een eerste fase spreekt MCLS / DiProfiles het gewenste profiel door met de klant. Dit kan op basis van een analyse van het bestaande klantenbestand of op basis van een door de klant gegeven briefing. In een tweede fase wordt op basis hiervan een analyse gemaakt op postcode. De resultaten van deze analyse worden doorgesproken met de klant en verfijnd. In een derde fase wordt deze postcode analyse losgelaten op de datapool van gedragsbestanden. Natuurlijk wordt bij de selectie van met het profiel corresponderende adressen ook rekening gehouden met de frequentie waarin deze zich voordoen in de verschillende bestanden. Het spreekt voor zich dat de huurprijs van datapool adressen hoger ligt dan de standaard marktprijs die betaald wordt voor adresverhuur. Dit weegt echter niet op tegen de verhoging in response graad die gerealiseerd wordt bij het inzetten van datapool adressen. Bovendien krijgt u natuurlijk een doorgedreven profielanalyse van uw doelgroep.
WAT BETEKENT DIT CONCREET VOOR U? Vooreerst betekent dit natuurlijk dat u door het inzetten van minder middelen een beter resultaat verkrijgt. Enkel al het inzetten van gedragsbestanden ten opzichte van profielbestanden kan resulteren in 50% verbetering van de resultaten. Daarenboven bekomt u een gedetailleerd beeld van uw klanten/prospecten waardoor u bij een volgende actie een betere selectie kan doorvoeren. U kan deze profielschets ook gebruiken om uw producten en diensten te verbeteren. Direct marketing draait rond meten, want meten is weten. Door meetresultaten op te nemen in de analyse zal automatisch de response graad van volgende acties verbeteren. U zal ook ondervinden dat uw klanten / prospecten positiever reageren op uw acties. Doordat u gerichter communiceert, zal de irritatie factor aanzienlijk verlagen.
MCLS - Henri Dunantlaan 13, B-2900 SCHOTEN, BELGIË Tel.: +32 3 358 38 83 – Mail:
[email protected] 3
20-8-2009
WAT KAN MCLS VOOR U DOEN? MCLS is gespecialiseerd in direct targeting met maar één doel voor ogen: maximale respons uit úw DM-prospectie acties. Wij zijn voortdurend op zoek naar wegen om de juiste klantgroepen efficiënt te bereiken en maximale respons te creëren. MCLS is deze technieken meester en kan u dan ook ondersteunen en begeleiden in uw lead generation acties. Een eerste start kan de analyse inhouden van reeds uitgevoerde mailings op basis van de resultaten. Hiermee kan de basis gelegd worden voor een volgende actie. MCLS beschikt over bepaalde gedragsdata, die aangeleverd zijn door de leveranciers van gedragsbestanden. MCLS beschikt ook over een overvloed aan postcode data in Nederland. Wij kunnen deze informatie inzetten om een gedetailleerd profiel te maken van uw klanten of prospecten. Hierdoor zal de response graad van uw acties aanzienlijk verhogen.
OVER DE SCHRIJVERS Joost de Roo heeft een jarenlange ervaring in (direct) marketing en data-analyses. Hij is de regisseur voor alle data gerelateerde vraagstukken. Joost is sinds 1981 actief in data analyses. Eerst bij Maildex (de postorderdivisie van Vendex) en later bij Wegener Direct Marketing oefende hij verschillende directeursfuncties uit. Joost de Roo is eigenaar van DiProfiles en partner van MCLS voor DataProfiles. DiProfiles is gespecialiseerd in creatieve data-analyses en marketingconcepten door het combineren van complementaire gegevens (zoals er zijn geografische gegevens, bedrijfsdata, consumentendata en gedragsdata). Hierdoor biedt DiProfiles een uniek inzicht in de kansen en het potentieel van klantenwerving. Paul Van Lil startte zijn loopbaan in de ICT afdeling van Sabena om vervolgens operationeel verantwoordelijke te worden voor het frequent flyer programma. Bij de Carlson Marketing Group specialiseerde hij zich in loyalty programma’s. Daarna bouwde hij als directeur het Belgisch Direct Marketing Verbond professioneel uit. Voordat Paul het team van MCLS vervoegde, was hij o.a. actief als hoofd customer relations bij de mobiele operator BASE (KPN).
MCLS - Henri Dunantlaan 13, B-2900 SCHOTEN, BELGIË Tel.: +32 3 358 38 83 – Mail:
[email protected] 4