Om deze inspanningen te bevorderen, heeft het datateam gewerkt aan koopbereidheid, next best action en churn-modellen om handmatige arbeid te verminderen en data-inzichten op te nemen in hun klantenwervings- en retentietraject.

Dit heeft hen geholpen om de retentie in slechts drie maanden met meer dan 14 procent te verhogen, waarbij het aantal abonnees momenteel de 1,8 miljoen bereikt in de hele Mediahuis-groep.

Mediahuis startte zes jaar geleden met zijn datareis en telt momenteel 40 mensen in het datateam.

De uitgeverijgroep bezit meer dan 30 nieuwsmerken in België, Nederland, Ierland, Luxemburg en Duitsland.

Jessica BultheData Science Business Partner, onlangs toegetreden tot WAN-IFRA Europese conferentie over digitale media in Wenen om te praten over het datagedreven werk van Mediahuis de afgelopen jaren om tot een meer gepersonaliseerde customer journey-ervaring te komen.

Voor- en nadelen van A/B-testen

A/B-testen spelen een belangrijke rol bij het begrijpen van de beste strategieën om anonieme gebruikers ertoe te brengen zich aan te melden, te converteren en hopelijk te behouden, en dat is wat Mediahuis al jaren doet, net als andere uitgevers.

Continu A/B-testen vereist echter veel handmatige inspanning. Hoe complexer de abonnementeneconomie is met meer technologische mogelijkheden, hoe meer handenarbeid er nodig is, zegt Bulthé.

“Je tekent met verschillende tools, je leert van verschillende plaatsen en plotseling is er chaos”, zei hij. “Het is ook een langzaam proces. 20 A/B-tests tegelijk uitvoeren is inefficiënt, omdat je dan niet kunt vaststellen wat in dat geval werkte.”

Een uitgever kan bijvoorbeeld een A/B-test uitvoeren waarbij test B voor 70 procent van zijn gebruikers beter presteert dan test A. Er is dus een duidelijke winnaar.

De ‘winnaar neemt alles’-visie kan echter problematisch zijn, zegt Bulthé. Als een uitgever test B-resultaten gebruikt voor zijn gebruikers, negeert hij de 30 procent die beter presteerde op de A-test.

Dit speelt direct in op bestaande merkuitdagingen om een ​​jonger publiek te bereiken. De meeste klanten van Mediahuis zijn echter ouders.

“Het volgen van de resultaten van de B-test laat geen ruimte voor personalisatie en differentiatie. We zullen onze optimalisatie verder pushen naar een groter deel van ons publiek”, zei hij.

Anticiperen op acties met behulp van trendmodellering

Het volgende idee om te onderzoeken is trendmodellering, dat technieken omvat voor het bouwen van voorspellende modellen die anticiperen op de waarschijnlijkheid van een prospect om een ​​abonnement te kopen op basis van hun gedrag in het verleden.

Bulthé stopt het voorspellende modelbouwproces:

• Gegevens verzamelen (eerste partij en gedragsgegevens)
• Maak die gegevens schoon
• Herken patronen
• Voorspellingen maken

“Machine learning-modellen zijn geweldig in het identificeren van trends uit datasets, het bestuderen ervan en het voorspellen van nieuwe gedragspatronen voor nieuwe gebruikers”, zegt hij. “Dit helpt ons bij het verdelen van de grote groep gebruikers in verschillende subgroepen: mensen die het meest waarschijnlijk zullen kopen, mensen die waarschijnlijk zullen kopen en mensen die een punt missen.”

Data-trainde trendmodellen vereisen nog steeds handmatige inspanning, dit keer met de nadruk op het onderscheiden tussen verschillende doelgroepen.

“Het zou de chaos in alle verschillende dingen die je doet opnieuw kunnen vergroten,” zei hij.

De sleutel hier, volgens Bulthé, is niet het hebben van een voorspellend model, maar een model dat alledaagse taken kan automatiseren en de klantreis op een gepersonaliseerde manier kan verbeteren.

“Als je voor een getraind model nog steeds veel handmatig werk en A/B-tests moet doen en die data moet gebruiken om beslissingen te nemen, dan heb je werkende data-inzichten”, zegt Bulthé.

De oplossing die voor Mediahuis werkte, was om van een datagedreven manier van werken over te gaan naar een echte datagedreven manier, waarbij het testen wordt overgelaten aan de algoritmen.

Maak gebruik van eerdere klantreizen

Het team is nu begonnen met experimenteren met het modelleren van de volgende beste manier van handelen.

Het omvat dezelfde eerste stappen voor het verzamelen en opschonen van gegevens. In dit model worden gebruikers echter gekoppeld aan campagnes die ze hebben bekeken en/of waarmee ze interactie hebben gehad.

Het model leert van klanttrajecten uit het verleden en voorspelt acties die moeten worden ondernomen om de customer lifetime value van micro-doelgroepen te optimaliseren op basis van verschillende mogelijke variabelen.

Het op één na beste actiemodel gaat een stap verder dan het trendmodel doordat het het datateam vertelt welke actie ze moeten ondernemen nadat een gebruiker zich heeft aangemeld, in termen van marketing.

“Met dit model kun je echt gaan personaliseren voor verschillende soorten gebruikers. Je weet welke campagnes je moet laten zien zonder handmatige inspanning, omdat je datamodel heeft geleerd van eerdere klanttrajecten en nu klaar is om de customer lifetime value te verhogen”, zegt Bulthé. “Dit is ook de beste manier om de ARPU te verhogen.”

De resultaten spreken voor zich

Het churn-model helpt teams gebruikersgroepen te targeten en hun middelen te verkopen aan degenen die het meest waarschijnlijk zullen churn.

Gebruikers die een hoge neiging tot churn vertonen, ontvangen marketingtelefoontjes van Mediahuis. Dit verhoogde de retentie met 14,17 procent in slechts drie maanden.

Gebruikers met mogelijk verloop krijgen de video van de hoofdredacteur toegestuurd waarin het belang van het merk Mediahuis wordt benadrukt. Dit verhoogt de retentie met 9 procent.

Lopende werkzaamheden

Het datateam van Mediahuis werkt de komende maanden verder aan de next best course of action.

Het koopgedrag-model is sinds maart in productie en de volgende stap is het uitvoeren van een nieuwe dynamische A/B-test met betaalmuur, die het komende jaar zal worden voorbereid voor conversie.