People Based Marketing

Baggrund

Medielandskabet er under heftig forandring styret af GDPR og Apples Intelligent Tracking Prevention (ITP), der gør det umuligt at tracke via tredjeparts cookies og gevaldigt begrænser anvendelsen af førsteparts cookies. Det betyder, at mediebureauer og virksomheder ikke længere kan se målgruppernes adfærd og købe ind i de ønskede målgrupper, som ellers har understøttet danske virksomheders forretning. Hvordan skal man som virksomhed sælge sine produkter, hvis man ikke ved, hvem man sælger dem til og hvem de er relevante for?

Coop.dk Shopping lever i høj grad af online salg via egne og købte kanaler og er udfordret af dette nye medielandskab. Derfor har Coop.dk Shopping været i gang med en digital- og organisatorisk transformation for at udnytte værdien af førsteparts data (CRM- og adfærdsdata) og for at mindske afhængigheden af tredjepartsdata. Målet har været at få mest mulig værdi ud af kunder og leads, når og hvor de vælger at gøre opmærksom på sig selv.

Det har krævet en stærk vision og en skarp Machine Learning Teknologi for at forblive markedsledende i nutidens ”omni-channel-always-on” landskab, hvor brugerne agerer på multiple devices og kanaler. Teknologien har gjort det muligt at opsamle, analysere og aktivere data fra egne medier – det kalder vi People Based Marketing.

De nye People Based initiativer har krævet nye processer og har involveret flere interne ressourser, et dedikeret team hos Hjaltelin Stahl og nye teknologileverandører. Fokus er nu skiftet fra at ”gøre det man plejer ud fra eget budget” til at udnytte Machine Learning teknologien til at levere den optimale brugeroplevelse for hele Coop.dk Shoppings forretning. Det betyder, at Coop.dk Shoppings organisation skal ændres og måden, der samarbejdes på internt – hele mindsettet egentlig. Hvor det tidligere har været CRM, der ”ejer” førstepartsdata og medieafdelingen har købt data, skal alle nu udnytte den fælles opsamlede data og derved også dele arbejdsgange og budgetter for at få mest ud af adfærdsdata.

Løsning

Rejsen er kun lige begyndt for Coop.dk Shopping. Data bliver opsamlet og brugt, men skal implementeres og udnyttes på tværs af kanaler og touchpoints. Det mest afgørende i løsningen har været at tilføje Identity resolution- og machine learning capabilities (ID-graph) til den eksisterende marketing teknologi stack, bestående af Responsys (e-mail, push, sms), Adform, Adobe Analytics og Commerce. ID-graph’en skal sikre (via komplekse machine learning algoritmer) at adfærdsdata fra egne medier, CRM data, andenparts data (fx Coop Medlemsdata) og tredjeparts data (typisk førsteparts data fra et tredjeparts kontekst) bliver ”unified” under et fælles People-Ident.

Den første milepæl har været at bruge ID-graph og machine learning til at optimere sendetidspunktet af tilbudsmails - og med gode resultater for både Open, Click og Conversion. Næste skridt var at bruge machine learning til at beregne en propensity score, som er en kombination af en engagement value (digitalt footprint) og af en customer lifetime value (baseret på købsdata). Med Propensity score (altså sandsynligheden for at en kunde vil købe en vare inden for 30 dage med nuværende aktivering) har Coop.dk Shopping haft mulighed for at allokere aktiveringskronerne mest effektivt i markedet. ID-graph’en er blevet fundamentet for et fælles værktøj for analyse og aktivering på tværs af owned- og paid medier – et People Based Framework.

Samtidig producerer Coop.dk Shopping kreativer i flere formater (afhængigt af afdelingen), som skal distribueres på flere kanaler og til flere målgrupper, dog uden at miste kontrol over kvaliteten, kundeoplevelsen og brand’et. ID-graph skal også bruges til at løse denne udfordring ved hjælp af Content Intelligence. Når content (fx en grafik fra et banner) bliver analyseret af de samme algoritmer som styrer en Tesla på motorvejen, bliver content beskrevet med tusindvis af tags. Når brugerne interagerer med det samme content, beregner ID-graph en såkaldt ”attractor score” - dette er værdien af bruger/content interaktionen. Kombinationen af attractor score og content tags bruges til at overføre læringen fra en kampagne til den næste – og hver kampagne bliver et eksperiment som beriger content intelligence databasen.

Både People Based Framework og Content Intelligence har givet organisationen nye fantastiske muligheder for at samarbejde om budgetallokering, content produktion, kanalvalg og mål. Samt stillet krav ift. at have de rette kompetencer internt.

Visionen for de kommende 1-2 år er at teste endnu flere aktiviteter og bevise den reelle forretningsværdi af at investere sine marketingkroner mere klogt baseret på Propensity scores og content intelligence teknologi.