Het is een kwestie van tijd tot, na ING, de volgende adverteerder zich aandient… Een vraag die uiteraard al veel langer speelt bij heel veel bedrijven: wat is onze data waard? Of beter gezegd, wat is de data waard die wij van onze klanten hebben verzameld? Van de simpelste dataset (de adressen van alle Audi A4 rijders en mensen die offertes hebben aangevraagd bij PON), tot complexere datasets van klantenkaarthouders (denk aan de AH Bonuskaart en Kruidvatkaart).
Los van de vraag hoeveel imagoschade een bedrijf (denk ING) oploopt door alleen maar te opperen iets commercieels met klantendata te willen doen en alle privacy issues van dien, zal ieder bedrijf graag antwoord willen hebben op de vraag wat het potentieel zou kunnen opleveren.
Hier heb ik het dus niet over de waarde van klantendata voor het bedrijf zelf (up-en cross selling). Maar wat het zou opleveren als de data aan externe partijen wordt aangeboden. Met uiteraard daarbij de verwachting dat Big Data ook Big Bucks vertegenwoordigen.
Is het alle hassle wel waard? Waarvoor gaat de data gebruikt worden en wie gaat daar hoeveel voor betalen? Welk verdienmodel is hanteerbaar? In dit artikel probeer ik antwoord te geven op de vraag wat het ING of BOL concreet zou kunnen opleveren als zij een dataset in een programmatic trading (zoals RTB) omgeving aan zouden bieden. En de afwegingen die daarbij gemaakt moeten worden.
Mediaplanning automatiseert: goed voor datasets
Feit is dat door de snel ontwikkelende technologie binnen mediabureaus de mediaplanning steeds meer automatiseert. Binnen deze RTB-systemen kunnen datasets worden meegenomen om online plannen en media inzet te optimaliseren. Dat zou een AH Bonuskaart dataset kunnen zijn of een ING transactieset.
Momenteel zitten er vooral veel Amerikaanse databestanden in waar we in de Nederlandse markt weinig mee kunnen. Er ligt hier dus zeker een kans: Binnen automated trading systemen zou een dataset verzilverd kunnen worden: er is een verdienmodel, een markt, groei en een afrekenmethodiek.
Met de data van ING zouden wij de timing van campagnes kunnen afstemmen op het (betaal)gedrag van consumenten en de targeting afstemmen op inkomen, aankoopgedrag, intentie en andere relevante variabelen. De Audi A4 proefrit advertentie wordt dan alleen aangeboden aan mensen die op basis van hun koopgedrag A-merken belangrijk vinden (iPad bezit bijvoorbeeld) en de auto ook echt kunnen betalen.
Je hoeft geen expert te zijn om te snappen dat de ING-data voor allerlei adverteerders en bureaus interessant zou zijn. Maar hoeveel het waard is? Veel datasets van data leveranciers als Cendris worden in dashboards voor rond de €50-100.000 per jaar verkocht. Dat wordt ervoor betááld, maar het is een andere vraag of dat het ook waard is.
Wat is trackingonderzoek waard?
Met de tools die wij bij Mediabrands Marketing Sciences gebruiken kunnen wij met trackingdata de media-inzet gemiddeld 6-15% effectiever maken op merk-KPI’s. Voor een adverteerder met €3.000.000,- mediabudget is dat dus maximaal een waarde van €450.000,-: een goede deal dus ten opzichte van de kosten van een trackingonderzoek (ongeveer €60-100.000 per jaar) die daar tegenover staan. Maar voor een klant met €300.000 inzet en dus maximaal €45.000 waarde een minder goede deal.
Kortom, de waarde is variabel en verschilt sterk afhankelijk van merk, markt, product, prijsstelling, media budget, enzovoort.
Wat is targeting waard?
We gaan ervan uit dat de conversie van een campagne hoger wordt naarmate de targeting specifieker en beter wordt. Mensen met een koopintentie worden eerder klant dan mensen zonder koopintentie. Vandaar dat we meer betalen voor targeting. Je sluit echter wel mensen uit, die, ondanks een afwijkend profiel, wellicht tóch je product zouden willen kopen. Ook zonder dat een algoritme of onderzoek aangeeft dat er sprake is van ‘intentie’... De waarde van de targeting is afhankelijk van de kwaliteit van de databron.
De vraag is wanneer zeer selectieve targeting minder effectief en kosten efficiënt wordt: de business case dus achter targeting.
Een voorbeeld. Stel wij kunnen voor hetzelfde bedrag 20.000 mensen met een specifiek profiel bereiken of 200.000 mensen met een generiek profiel. De conversie binnen de specifieke groep is 50%. De conversie binnen de generieke groep is 10%. Wat is een betere investering? De tweede strategie levert op korte termijn 20.000 kopers op, de eerste 10.000; Targeting was in dit geval dus niet effectiever. En dan hebben we het nog niet eens over het langetermijneffect op verkopen…
Het specifieker inkopen van doelgroepen is dus niet altijd efficiënter als we naar de business case kijken (ROI). Laten we ervan uitgaan dat de AH en ING data zal leiden tot profielen die gedrag beter kunnen voorspellen dan de RTB modellen waarmee wij vandaag de dag werken.
De waarde van klantdata binnen RTB: een rekensom
De waarde van klantdata voor adverteerders is dus afhankelijk van de ROI van specifieke targeting binnen de productcategorie van de adverteerder. Deze is zeer variabel. Pas als een RTB partij een campagne heeft gestart kan worden ingeschat wat de waarde van de dataset is voor de specifieke campagne. Momenteel wordt vaak een vast bedrag ($ XX per 1000 impressies) betaald voor data binnen RTB systemen. Soms levert dit extra conversie op, soms niet.
We gaan een opportunistische rekensom maken. Hou je vast. In Nederland worden 163 miljard impressies per jaar gerealiseerd door zo’n 14 miljoen Internetters. (Bron: IAB). Deze impressies worden geautomatiseerd gepland (dat is nu zo’n 35% van het totaal en dit aandeel is groeiende). Als ING, of een andere partij, het voor elkaar krijgt om een dataset binnen programmatic trading systemen aan te bieden waarmee de inzet geoptimaliseerd kan worden, hoeveel kunnen zij dan potentieel verdienen?
De totale markt binnen programmatic trading is dus 163 miljard impressies. Deze worden voor 63 cent per 1.000 verkocht en dit behelst een waarde van €103 miljoen per jaar. Er zal alleen niet op alle campagnes gebruik worden gemaakt van de ING dataset. Stel dat 5% van de campagnes getarget kunnen worden op ING transactieprofielen en ING rekent €1 per 1000 impressies. ING zou dan potentieel 163 miljard x 5% x €1/1.000 = €8.150.000 per jaar kunnen verdienen. Dat ziet er op zich goed uit, maar een CFO van een groot bedrijf zal niet onder de indruk zijn.
Daarnaast is ING niet de enige partij die zich afvraagt wat de waarde van haar data zou kunnen zijn. Denk aan AH, HEMA, Blokker, Kruidvat, Jumbo, Rabobank, ABN AMRO, KLM, Audi, KPN, BOL, en heel veel andere bedrijven. Als zij allemaal gaan concurreren zal de prijs dalen en het minder aantrekkelijk zijn om klantdata te gaan verhandelen.
De eigenlijke eigenaar: de consument
Dan is er nog een belangrijke complicerende factor waar ING ook in aanraking mee kwam: de consument. Deze accepteert niet zomaar dat er geld wordt verdiend over haar/zijn rug. Niet zonder dat daar een voordeel tegenover staat… Het is alleen acceptabel voor de eigenlijke bezitters van de data, de consument zelf, als zij meeprofiteren.
De waarde van de data zal dus moeten worden gedeeld met de consument in korting of andere benefits. Dat drukt de opbrengsten natuurlijk aanzienlijk en je kunt je afvragen of dit het allemaal waard gaat zijn... de business case zou wel eens in het nadeel van ING kunnen uitvallen.
De datasets van bedrijven zouden dus te weinig opleveren binnen programmatic trading. Uiteraard is dit niet de enige mogelijkheid om de data te verkopen, maar wel één van de grotere en snelst groeiende.
En nu?
Het ligt meer voor de hand dat adverteerders onderling data gaan uitwisselen zodat consumenten met een duidelijke koopbehoefte direct kunnen worden benaderd. Dus niet via een advertentie, maar direct met een concrete aanbieding. Een soort RTB met producten en diensten waarbij consumenten zelf hun intentie/interesse/data ingeven zodat producenten kunnen bieden op die consumenten. Het bedrag dat anders zou zijn uitgegeven aan reclame wordt dan in korting gebracht op het product. Zo profiteert de consument er ook van.
Nogmaals, ik zou als marketeer, analist, strateeg en mediaman, dolgraag aan de slag gaan met de ING data. En deze bewerken en automatiseren met onze econometristen en engineers zodat de waardevolle inzichten, voorspellende modellen en patronen zichtbaar worden. Zolang adverteerders die bewerkingen zelf niet kunnen maken zal de waarde die uit hun klantdata kan worden gehaald binnen de huidige verdienmodellen binnen media beperkt zijn.
Begin met waarde creatie voor de consument
Mijn advies aan adverteerders met data is: focus eerst op het toegankelijk maken van de consumentendata voor de marketeers van je bedrijf zelf en vooral ook voor de consument. Start met slimme functionaliteit en kijk ter inspiratie naar de quantified self beweging. Ontsluit de data van de consument en maak deze laagdrempelig voor hen toegankelijk.
Geef als bank bijvoorbeeld meer inzicht in de manier waarop de klant omgaat met geld (ja, ik ken TIM en andere huishoudboekjes). Dat begint met een slimme visualisatie tool waarmee zelf analyses gemaakt kunnen worden. Ik zou willen zien hoeveel ik zou kunnen besparen als ik alleen huismerk producten zou gaan kopen of zou stoppen met roken. Of hoeveel ik vanaf deze maand zou moeten sparen per maand om de studie van de kinderen te kunnen betalen (kan al bij www.themoneyer.nl). Wat ik in totaal heb verdiend de afgelopen 20 jaar en aan belasting heb betaald. Een tool om snel geld over te maken aan mijn vrienden zonder dat ik hun rekeningnummers hoef te vragen. En dat mijn maandelijks tegoed op mijn betaalrekening automatisch op mijn spaarrekening wordt gezet zodat ik meer rente krijg. Een soort ‘renteminimalisatie/maximalisatie tool’. Via crowdsourcing komen er vast nog veel betere ideeën bij!
Op termijn zou de consument dan zelf gaan inzien wat de toegevoegde waarde is om -vrijwillig- meer data te delen om eventueel tips voor besparingen (verzekeringen, telecom aanbieders, collectieven, retailers) en informatie (reclame) te ontvangen. Kijk naar Google Nest hoe zij van iets simpels als de thermostaat in huis (net zo ‘low involvement’ als men denkt dat bankieren is) een fact-based, educatief en hoog informatief platform maken.
Het wachten is op een bedrijf die dat ook doet binnen banking. Maar reken er niet op dat consumenten akkoord gaan met de verkoop van hun data zonder dat er een fantastische en waardevolle functionaliteit tegenover staat. Eerst een LIKE verdienen, dan pas een mogelijke data-uitwisseling…
Plaats als eerste een reactie
Ook een reactie plaatsen? Word lid van Adformatie!