Demokratisering af 360-graders kundedata

IIH Nordic for Bonnier Publications

Kategori: Digital Organisation

Projektet

Baggrund

Magasinbranchen er en branche med en faldende markedsudvikling. Faldende oplagstal og en malstrøm af alternative underholdningstilbud på nettet har udfordret den traditionelle forretning. Denne udvikling har også påvirket en af Nordens største medievirksomheder, Bonnier Publications A/S.

Udfordringen var åbenlys. Når man har ambitioner om vækst i et marked, der er faldende, er det nødvendigt at ændre sin markedstilgang. Der skal tænkes nyt, hvis man vil bevare og videreudvikle en solid forretning i vækst.

Bonnier måtte udvikle sig hurtigere konkurrenterne.
Med den store kontaktflade Bonnier har gennem sine medier, var det tydeligt, at forretningen skulle videreudvikles via data. Og den digitale forretning skulle ikke udvikles som en særskilt enhed. Arbejdet med data skulle demokratiseres og forankres på tværs af alle afdelinger og dermed blive en del af dagligdagen og selve hjertet af organisationen.

UDFORDRINGER
Med over 11 mio. månedlige brugere på ca. 100 websites i Norden samt et par øvrige lande havde Bonnier et stærkt udgangspunkt for at ændre sin operationelle hverdag.

Første udfordring var at samle alting på ét sted. Data fra webtrafik, webadfærd, Facebook/Instagram, Google Ads, e-mails, apps, abonnenter, transaktioner og adfærds- og levetidsdata på aktive og passive kunder skulle integreres. Kort sagt: al data skulle konsolideres og flyde gennem samme system. Derudover skulle det være muligt at koble prædiktions- og Machine Learning modeller på.

Det var nødvendigt at stå stærkt i forhold andre mediehuse, der har søsat dataprojekter. Men hvor andre kun tager hensyn til webdata, ønskede Bonnier et 360-graders kundeoverblik.

Næste udfordring var at transformere de store datamængder til indsigter og konverteringer. Al data skulle omdannes til implementerbare indsigter, som mennesker kan handle på.

Bonnier påbegyndte således sin rejse mod at blive en digital organisation.

Målene med Bonniers digitale organisationsprojekt var, at:
- Redefinere måden Bonnier arbejder med data, teknologi og innovation på ved at integrere alle tre ting i hele organisationen.
- Gøre data og teknologi tilgængeligt i organisationen for at skabe databevidsthed.
- Samle data om virksomhedens kunder i Google Cloud, hvorfra de nemt kunne tilgås, automatiseres og aktiveres i BigQuery.
- Benytte data til at træffe strategiske og taktiske beslutninger og at kunne eksekvere løbende ud fra indsigter udledt af data.
- Tiltrække nye kunder samt at øge kundelivstidsværdien for de eksisterende kunder.

For at nå målene måtte der tænkes nyt. Store dataprojekter kan nemt tage flere år at implementere. Bonnier tog en kommerciel tilgang; projektet skulle gennemføres på kun 6 måneder.

Løsning

Løsningen blev et helt nyt data-setup for at skabe et stærkt fundament for fremtiden. Det blev leveret af det digitale konsulenthus IIH Nordic. Bureauets specialister udviklede et data-setup i Google Cloud med en tilhørende Machine Learning-model.

Machine Learning-modellen opfylder ønsket om at mobilisere potentialet i Bonniers mange kundedata.

Gennem statistiske beregninger gør modellen det muligt, med stor præcision, at forudsige brugernes ageren på tværs af platforme og at placere dem i forskellige segmenter alt efter brugerens sandsynlighed for at konvertere.

FRA DATAØ TIL DATASØ
Det første skridt på den digitale rejse var at konsolidere data.
Bonnier samlede sine mange individuelle ”dataøer” til én kæmpe ”datasø". Datakilderne i ”søen” indeholdte data fra webtrafik, webadfærd, Facebook/Instagram, Google Ads, e-mails, apps, abonnenter, transaktioner samt adfærds- og levetidsdata på aktive og passive kunder.
Google BigQuery var det oplagte samlingssted, idet den kan tilgås af medarbejdere overalt i organisationen. Den vigtigste faktor var imidlertid, at Google BigQuery har en regnekraft, som de gamle databaser slet ikke kunne hamle op med.

MACHINE LEARNING
Med en samlet ”datasø”, med et 360-graders indblik i virksomhedens kunder, kunne det næste store skridt tages. Machine Learning-modellen skulle kodes i Tensorflow-biblioteket i Python og ”trænes” på Bonniers data.

For eksempel aktiverede Bonnier data i en prædiktiv model i Google Cloud, som gav statistiske forudsigelser om de besøgende gennem kunstig intelligens (AI). Modellen er et neuralt netværk, der tapper ind i kundernes onlineadfærd og beregner den unikke sandsynlighed for, at brugeren vil konvertere. Modellen genopfrisker dens statistiske forudsigelser en gang om dagen og ”træner sig” automatisk på ny, hvis performance er dalende grundet ændringer på Bonniers websites.

Udrulningen af det nye data-setup, sammen med kodningen af egen unik Machine Learning-model, blev gennemført på kun seks måneder. Hurtig og effektiv eksekvering var en prioritet fra starten af, således at erfaringer kunne høstes og forankres hurtigt i den nye digitale organisation.

DATABEVIDST
Databevidsthed er en kultur, som Bonnier allerede har arbejdet med, og de er kommet et godt stykke vej. I dag er data og teknologi tilgængeligt helt ude i forretningens fingerspidser. Dette kalder Bonnier for ”commercial technology”. Det er en løsning, der ikke blot opruster virksomhedens teknologi, men også virksomhedens mennesker.

De ansatte er dermed stadig organisationens hjerteblod, men de ansatte har nu data tæt inde på livet i dagligdagen. For Bonnier forudsætter denne sameksistens mellem computere og mennesker en øget bevidsthed om data, men ikke nødvendigvis, at man er drevet af den.

Resultat

Løsningen blev effektueret i senefteråret 2018, og selvom implementeringen er ny, kan effekterne allerede måles.

Machine Learning-modellen har siden 1. november 2018 kategoriseret alle besøgende på alle virksomhedens websites.

Den har lavet 327 mio. prædiktioner og har derigennem frembragt fem forskellige kundesegmenter, der er inddelt efter sandsynligheden for, at segmentet vil konvertere inden for syv dage. Pt. har den placeret 33,3 mio. brugere i et af de fem segmenter.

De brugere, som efter modellens forudsigelser har størst sandsynlighed for at konvertere, er også dem, der i virkeligheden konverterer. Dette segment udgør 1,2% af alle brugerne og står for 67,8% af alle konverteringer. Det er dermed det segment med flest konverteringer.

Modellens performance blev evalueret gennem statistiske begreber som accuracy og recall. Accuracy indikerer, hvor mange korrekte forudsigelser modellen har – uagtet om der er tale om konverteringer eller ikke-konverteringer. Recall indikerer derimod, hvor mange forudsigelser af de faktiske konverteringer, modellen har korrekt. I begge tilfælde er resultaterne meget tilfredsstillende:
- Accuracy: 96,09%
- Recall: 80,95%

I dag har Bonnier et unikt aktiv i form af automatisk opdaterende kundesegmenter. Antallet af datakilder, kombineret med datavolumen, gør data-setup’et unikt, og placerer Bonnier i det øverste segment af datastærke virksomheder.

AI er nu en integreret del af forretningen, og Lars Gudbrandsson fremhæver:
”Med det nye setup har vi løst tre essentielle ting, som mange virksomheder prøver at løse, men endnu ikke er lykkes med:
1. Det typiske dilemma medievirksomheder har i forhold til hvornår og til hvilke brugere, der skal vises budskaber fra annoncører eller budskaber for medievirksomhedens egne produkter.

2. Det generelle dilemma som mange virksomheder har i forhold til at differentiere budskaber mellem henholdsvis eksisterende kunder og nye kunder.

3. På tværs af alle kanaler, kan vi dokumentere omsætnings- og bundlinjeeffekt for hver eneste marketing krone vi bruger i mediespend og derved dokumentere hvilke kanaler, kampagner og aktiviteter, der er lønsomme”.

Sammenlignes performance for januar 2018 med januar 2019, ses følgende resultater:
- Samlet indtag for alle kanaler (digitale + offline kanaler): Index 132
- Samlet indtag for alle digitale kanaler (owned + paid media): Index 153
- Samlet indtag for digital owned media (websites + e-mail kanal): Index 180

For Bonnier har investeringen i AI og et nyt data-setup drevet forretningen mod fremtidig vækst. Nu arbejdes der med Machine Learning og automatisering, så Bonnier fremover kan individualisere indhold og skabe en personaliseret læseroplevelse.

Bonnier Publications

Marie Lykke Lützhøft
Head of CRM
Lars Fannikke
Head of Acquisition
Louise Brandsborg
Project Manager
Christian Willadsen
Business Intelligence Analyst
Michael Dannersø
Chief Architect
Lars Gudbrandsson
EVP & CMO

IIH Nordic

Héctor Martínez
Machine Learning Specialist
Mark Edmondson
Senior Data Scientist
Florian Pertynski
Senior Technical Analyst
Camilla Larsen
Associate Consultant
Henrik Stenmann
CEO

Billeder

Video