Case study Walbusch: meer kliks en conversie met gepersonaliseerde aanbevelingen

Walbusch is een Duitse moderetailer die opereert als een multichannel leverancier. Zo brengt het bedrijf een gedrukte catalogus uit, maar kunnen klanten ook in de online winkel aankopen doen of shoppen in een van de veertig winkels. 

De uitdaging: de juiste productaanbeveling
Walbusch gebruikt e-mailmarketing al enige tijd om zijn klanten te bereiken. In het verleden lag de focus hierbij vooral op commerciële aanbiedingen en het gericht aanbieden van bepaalde merken. Nieuwe klanten werden verwelkomd en inactieve klanten gereactiveerd met een e-mail. Walbusch wilde echter een stap verder gaan om klik- en conversieratio’s te verhogen en besloot zijn e-mailmarketing uit te breiden met gepersonaliseerde productaanbevelingen. 

Voorpagina van de nieuwsbrief van Walbusch 

Dynamisch gegenereerde productaanbevelingen op het moment van het openen van een email

Walbusch koos voor Optivo Recommendations om gepersonaliseerde en geïndividualiseerde productaanbevelingen te verzenden naar klanten, om zo hun cross-en upselling te verhogen. Dynamische klantprofielen vormen de basis voor de customised content van nieuwsbrieven. Het klikgedrag in de nieuwsbrief wordt gebruikt om gepersonaliseerde productaanbevelingen te kunnen maken. Ook het klikgedrag in de online shop en het surfgedrag van de ontvanger worden hierin meegenomen. Optivo voegt de op maat gemaakte productaanbevelingen automatisch in de nieuwsbrief in. Dat gebeurt pas op het moment dat de nieuwsbrief voor het eerst geopend wordt.

Continu testen om te optimaliseren

Walbusch ging stapsgewijs te werk bij het implementeren van Optivo Recommendations. De moderetailer voegde om te beginnen een placeholder toe aan al zijn nieuwsbrieven. Vervolgens segmenteerde het bij iedere verzending zijn verzendlijst in drie verschillende klantgroepen. Elke ontvanger werd persoonlijk benaderd op basis van het type productaanbeveling:

• 1. Sommige klanten kregen de meest verkochte producten aangeboden.
• 2. Een andere groep kreeg de producten aangeboden die ze zelf het laatst hadden bekeken.
• 3. Een derde segment  kreeg gepersonaliseerde productaanbevelingen te zien. Deze werden geselecteerd op basis van eerder bekeken producten, maar óók op producten die door andere klanten bekeken waren. Tevens werden bijpassende producten uit dezelfde productcategorie getoond. Voorbeeld: klanten die een blauw zomershirt in de online shop bekeken hadden, kregen ook andere aanbevelingen uit de categorie shirts te zien. Deze selectie shirts werd gebaseerd op data over eerdere aankopen van vergelijkbare klantgroepen. 

De productaanbevelingen in de nieuwsbrief werden opgesteld aan de hand van de dynamische klik- en surfgeschiedenis van de ontvanger. Klanten die nog geen klik- en surfgeschiedenis hadden, werd de best verkochte producten aangeraden. In de nieuwsbrief werden alléén de kliks en aankopen op de productaanbevelingen geregistreerd. Walbusch verzekerde zich er verder van dat er in de nieuwsbrief geen producten getoond worden die een klant al eerder gekocht had. De gerichte aanbevelingen werden getoond in ruim 500 duizend geopende nieuwsbrieven. 

Gepersonaliseerde productaanbevelingen in de nieuwsbrief 
 
Hogere klik- en conversieratio’s 
Persoonlijke productaanbevelingen op basis van het klik- en surfgedrag van klantgroepen bleken goed te werken. De klikratio bij deze aanbevelingen lag ruim 57 procent hoger dan bij klanten die de best verkochte producten aangeraden kregen. De conversieratio steeg met liefst 135 procent. Ook vergeleken met de klanten die in de nieuwsbrief de producten te zien kregen die ze alleen zélf eerder bekeken hadden, was het verschil groot. De gepersonaliseerde productaanbevelingen haalden een klikratio die 9 procent hoger lag en een conversieratio die ruim 27% hoger uitkwam.

De moderetailer kwam tot een aantal waardevolle inzichten. Zo bleek dat de klikratio’s significant hoger waren als de ontvanger van de nieuwsbrief al een aankoopgeschiedenis had. Ook werd het duidelijk dat het Optivo platform effectiever ging werken, naarmate het meer specifieke gegevens van zowel individuele klanten als van klantgroepen kon inzetten. Daarnaast groeide het aantal klanten dat een aankoop- en  surfgeschiedenis had en daarmee dus ook de klantgroep die de gepersonaliseerde productaanbevelingen kreeg. 
      

Dicht bij de klant
Over het algemeen bleek dat de klanten van Walbusch significant meer tijd besteden aan het lezen van een nieuwsbrief met gepersonaliseerde productaanbevelingen dan aan een nieuwsbrief met de 'best verkochte producten' of 'eerder bekeken producten'.  Hier kunnen een aantal redenen voor zijn: 

• 1. Klanten vonden de voor hen relevante producten sneller en gemakkelijker.
• 2. Klanten werden gesterkt in hun aankoopoverwegingen doordat ze zagen dat andere  klanten dezelfde aankoop al eerder deden.
• 3. Klanten werden geïnspireerd en aangespoord om een aankoop te doen. 

Hoe het ook zij, Walbusch kon met gepersonaliseerde aanbevelingen niet alleen de relevantie van zijn nieuwsbrief verbeteren, maar ook zijn relatie met de klant. 

• Geïndividualiseerde, geautomatiseerde productaanbevelingen 
• Segmentatie gebaseerd op dynamische klantprofielen 
• Regelmatige, waardevolle informatieverschaffing richting klanten
• Tot 57% hogere klikratio’s en 13% hogere conversieratio’s dankzij productaanbevelingen