Respons direct e-mail verhogen door segmentatie

Begin deze maand kwam ik via een aantal links op www.dbmarketing.com waar ik een goed artikel vond over segmentatie bij e-mailmarketing. Ik heb het bewerkt en in deze blog laat ik zien hoe je zelf als (e-mail)marketeer redelijk eenvoudig door het toepassen van segmentatie je conversie/respons kan verhogen.

RFM
Het gaat om segmentatie op basis van de RFM-methodiek. RFM staat voor Recency, Frequency en Monetary value. Het idee achter de RFM-methodiek is dat mensen die recent iets hebben gekocht, die dat vaak doen en die veel geld uitgeven waarschijnlijk hoger responderen.
- Recency staat voor de actualiteit. Bijvoorbeeld van het plaatsen van de laatste order of het laatste open- of klikgedrag. Recency heeft de grootste invloed in dit model. Het schijnt dat recent laatst vertoond gedrag een betere voorspeller is voor herhaald gedrag dan Frequency of Monetary value. Dat is een discussie op zich, ik heb het maar even als waarheid aangenomen.
- Frequency staat voor de frequentie van het vertoonde gedrag bijvoorbeeld het aantal keer aanschaffen van producten of het aantal keer openen of klikken in een bepaalde periode. Frequency heeft minder effect op voorspellende waarde.
- Monetary value staat voor de waarde (financieel) van dat gedrag. Monetary value heeft slechts beperkt effect.

Segmenteren.
Je segmenteert door je database per kenmerk (recency, frequency en monetary value) in gelijke delen op te splitsen. Bij een indeling in bijvoorbeeld 5 delen per kenmerk ontstaan er 5x5x5=125 verschillende maar even grote segmenten. Segment 123 staat dus voor mensen die in Recency segment 1 zitten, Frequency in segment 2 en bij Monetary value in segment 3. Let op: je verdeelt dus het aantal mensen/adressen gelijkmatig in 5 segmenten per kenmerk, de groepen zijn qua volume/aantal adressen dan dus even groot. De tijdspannes waarin in je een groep hebt verdeeld zijn dit dus niet (groep 1 kan gaan over de laatste maand, groep 2 over de 3 maanden daarvoor). In de groep 111 zitten dan dus de mensen die in alle drie de kenmerken het hoogst scoren.

Eenvoudiger maken.
Werken met 125 segmenten is wat lastig, zeker als je database niet al te groot is. Je kan overwegen het model eenvoudiger te maken door of met minder groepen te werken of door Monetary value (deels) weg te laten. Bij een indeling in drieen per kenmerk heb je 3x3x3=27 groepen/segmenten. Uit onderzoek blijkt dat Monetary value het model het minst beinvloedt dus je kan ook dat kenmerk weglaten of alleen dat kenmerk reduceren in aantal. Dan krijg je bijvoorbeeld 5x5x3=75 segmenten.

Respons meten per segment
Als je nu per segment de respons gaat meten, identificeer je de bestscorende segmenten. Je weet welke respons je moeten halen om break-even te zijn. Break-even is dat de kosten voor de e-mailing etc. worden gedekt door de inkomsten. met dat inzicht kan je kosten besparen en de respons verhogen door de niet break-even segmenten niet meer of met een lagere frequentie te benaderen. Omdat je minder emails verstuurt, neemt je respons procentueel toe.

In theorie kan je zelfs per segment kijken hoe, en met welke frequentie en inhoud, je de klanten die erin zitten het beste kan benaderen. Bij de goed scorende segmenten kan je de frequentie bijvoorbeeld verhogen of het aanbod aanpassen. Het wordt dan wel wat bewerkelijk, ergens loop je tegen een punt aan waarbij je segmentatie inspanningen zich niet meer terug betalen. Maar ik ken weinig bedrijven die dat kunnen zeggen.