Van koopoverwegingen naar dynamische creatie: GroupM speelt in op individuele consumentenvoorkeuren

Op PyData presenteerde vorige week het Data & Marketing Science team van GroupM een innovatieve personalisatiecase voor de auto-industrie.

PyData_Eindhoven

Op PyData Eindhoven, hét event voor de internationale Data Science community, presenteerde vorige week het Data & Marketing Science team van GroupM een innovatieve personalisatie case voor de auto-industrie. Hierbij komen verschillende ontwikkelingen samen: dynamisch gegenereerde uitingen, veranderende aankoopoverwegingen, supply chain uitdagingen, slimme targeting en algoritmische optimalisatie. Het resultaat is een flexibele, cookie-loze, schaalbare en effectieve methodiek voor adverteerders met een groot, wisselend en divers product portfolio.

Personalisatie op schaal

Door chiptekorten en andere supply chain uitdagingen is de auto-industrie steeds meer in een aanbod-gestuurde branche veranderd. Handelshuizen zoals Pon en Louwman bijvoorbeeld zijn in hun onderneming afhankelijk van beschikbare productie en daardoor genoodzaakt de focus van hun marketingcampagnes te wijden aan de op dat moment leverbare modellen. Een breed en divers productportfolio kent echter niet één, maar verschillende, uiteenlopende doelgroepen. Onderzoek toont aan dat op deze doelgroepen gepersonaliseerde advertenties de kosten per acquisitie doen afnemen. Maar hoe match je de behoeftes en wensen van een doelgroep aan het juiste model zodat de juiste ad wordt getoond? En hoe houd je zo’n gepersonaliseerde communicatiestrategie werkbaar? Door de omvangrijke en snel wisselende modellenselectie, waarvan prijzen en USP’s  frequent aangepast moeten worden, blijkt het onderhouden van dergelijke bannersets erg kostbaar.

Het experiment

GroupM Data & Marketing Science ontwikkelde en testte een slimme, GDPR bestendige methodiek om alleen leverbare modellen te communiceren met de juiste doelgroep op een schaalbare, gepersonaliseerde manier. Hierbij werden de reclame effecten (CTR) van de gepersonaliseerde uitingen (een modulaire creatieset) vergeleken met niet-gepersonaliseerde uitingen binnen een controlegroep.   

Van koopoverwegingen naar dynamische creatie

Personalisatie begint bij het effectief segmenteren van de doelgroep. Hiervoor zijn op basis van recent onderzoek door Kantar de voornaamste overwegingen bij de aanschaf van een auto geïdentificeerd. De vier meest onderscheidende en drijvende voorkeuren bij de aanschaf van een auto zijn vervolgens geselecteerd (waaronder aesthetics en comfort) om uit te werken tot een modulaire banner set voor een aantal modellen. De vier voorkeuren-varianten voor twee verschillende modellen zijn verwerkt in één banner. Deze banner kan op basis van datasignalen, dynamisch uit een modulaire library, de juiste onderdelen (USP, prijs, sfeerbeeld) van de banner ophalen en combineren tot één banner, passend bij dat segment.

Activatie van kopersgroepen

Hoe bereiken we nu de segmenten uit het Kantar onderzoek? De aanschafredenen uit het Kantar onderzoek zijn sterk gecorreleerd met drie verschillende leeftijdsgroepen waarop online getarget kan worden, namelijk 18-34 jaar, 35-55 jaar en 55+ jaar oud. Zo bleken ouderen (55+) vooral te letten op comfort (o.a. beenruimte, kofferruimte, hoge instap), terwijl bij jongeren zelf expressie en het uiterlijk van de auto de belangrijkste factoren zijn. Binnen ieder leeftijdssegment zijn vervolgens alle vier varianten (lees: boodschappen) van twee modellen (totaal acht combinaties per segment) uitgeleverd met een zelflerend algoritme, dat speciaal voor deze modulaire banner geschreven is.

Uniek zelflerend algoritme

Het hiërarchisch bayesiaans algoritme calculeert in ieder uniek segment op welk automodel en welke gepersonaliseerde variant van dit model de gebruiker het beste reageert. Terwijl het algoritme tijdens de campagne leert, wordt gestaag meer volume toegekend aan de best presterende variant op basis van CTR. Een groot voordeel hiervan is dat de ‘opportunity costs’ (volume toekennen aan slecht presterende banners) worden geminimaliseerd. Het algoritme communiceert met GroupM’s zelfontwikkelde Choreograph Create DCO technologie en de DSP (in dit geval DV360) om real-time op basis van datasignalen de juiste banner samen te stellen.

Resultaten: gemiddelde uplift van 7%!

Om de prestaties van het algoritme te beoordelen is er, zoals eerder benoemd, een controlegroep in het algoritme ingebouwd waar willekeurige uitingen aan getoond werden. Over alle uitgeleverde impressies heeft het algoritme gemiddeld een statistisch significante CTR uplift van 7% gerealiseerd ten opzichte van het niet inzetten van het algoritme (controlegroep).

Daarnaast zien we dat binnen ieder uniek leeftijdssegment andere type voorkeursvarianten en modellen beter presteren, grotendeels overeenkomstig met het onderzoek van Kantar. Zo presteert binnen de leeftijdsgroep 55+ de banner variant “comfort”, die onder andere ruimte en een hogere instap visualiseert bij de modellen, relatief 20% beter dan de overige combinaties. In de leeftijdsgroep 18-34, presteerde het sportieve model in combinatie met de USP en het sfeerbeeld gericht op aesthetics overwegend beter. Deze campagnemethodiek bevestigd dus ook dat de inzichten uit het onderzoek klopten.

Uit de data bleken dus significante verschillen in consumentenvoorkeuren en-overwegingen met betrekking tot modellen en specificaties van auto’s. Met de modulaire banner is er real-time ingespeeld op deze individuele consumentenvoorkeuren.

Met deze methodiek kunnen wij nu, ook buiten de autobranche, zeer effectieve, dynamisch gegenereerde en algoritmisch geoptimaliseerde campagnes ontwikkelen op basis van onderzoeksinzichten. Neem voor meer informatie contact op met onze Chief GroupM Data & Marketing Science Menno.vandersteen@groupm.com

 

Plaats als eerste een reactie

Ook een reactie plaatsen? Wordt lid van Adformatie!

Wordt lid van Adformatie → Login →