Remco Volmer (Riverwise) over sturen op customer lifetime value
Inflatie, tekorten aan personeel en teruglopende groei maken het commercieel spel uitdagend in alle sectoren. Een gesprek met Remco Volmer van Riverwise over het belang van sturen op klantwaarde en hoe machine learning steeds meer kansen ontsluit.
De marketingafdeling staat vandaag de dag voor allerlei vraagstukken. Teruglopende budgetten leiden tot de vraag waar de marketingeuro het meest effectief kan worden ingezet. Met inflatie is de vraag óf en bij welke klanten de stijgende kosten zijn door te berekenen. En met het tekort aan personeel is de vraag hoe de schaarse servicecapaciteit te verdelen.
Al deze optimalisatievragen hebben één ding gemeen – ze vragen om inzicht in het totaalrendement van een klant, oftewel de customer lifetime value (CLV). Toch is sturen op totaalrendement nog geen gemeengoed. “Bedrijven laten hiermee potentiële miljoenen liggen.”
Hoe komt het dat sturen op customer lifetime value nog geen gemeengoed is?
Historisch viel er enkel in retailmarkten goed op customer lifetime value te sturen omdat op moment van koop zowel de kosten als opbrengst bekend waren. Voor subscriptionmarkten werd het echter als een black box gezien. Immers, op het moment dat marketing-euro’s worden besteed, prijzen worden gesteld, accountmanagers op pad worden gestuurd en klanten worden geworven, is het rendement van die klanten volledig afhankelijk van hun onbekend toekomstig gedrag.
Bijvoorbeeld hoe lang de klant blijft, hoeveel deze gebruik maakt van jouw diensten en hoeveel extra producten de klant bijsluit. Voor partijen zoals sportscholen, uitgevers, goede doelen, leasebedrijven en financiële instellingen gold dus dat ze keuzes in pricing, marketing & service enkel konden sturen op aantallen, in plaats van het totaalrendement.
Hoe is dit nu anders en wat kunnen organisaties hiermee?
Met behulp van machine learning is het inmiddels mogelijk om op elk moment in de klantreis op individueel niveau de customer lifetime value te voorspellen. Dit kan door modellen te trainen op historische data over gedrag van leads en klanten.
De customer lifetime value kan worden gebruikt om marketing uitgaven te optimaliseren, pricing te verbeteren of services beter in te richten. Drie knoppen dus om rendement aanzienlijk te verbeteren.
Heb je een voorbeeld hoe dit wordt toegepast, bijvoorbeeld als het gaat om het optimaliseren van pricing?
Bij een Nederlandse verzekeraar zijn we aan de slag gegaan om de pricing te optimaliseren. We hebben een model gebouwd waarin we de verwachte kosten van een klant, zijn prijselasticiteit en het retentie-effect van de prijs of korting hebben meegenomen om de totaalprijs te bepalen.
Uiteindelijk bleek dat we prijzen konden verlagen door ook hun cross-sell kans mee te nemen. Dit leidde tot hogere instroom en een algeheel hogere customer lifetime value en dus een hoger rendement.
Wat is de kracht van Riverwise in dit soort projecten? Wat voegen jullie toe?
We merken dat onze kracht vooral ligt in het verbinden van finance, data science en marketing. We hebben bij Riverwise zeker ook de kennis in huis om deze modellen te bouwen, maar dit blijkt vaak niet de échte bottleneck om te sturen op klantwaarde.
We zien regelmatig dat er al allerlei geavanceerde modellen zijn ontwikkeld, maar dat dit niet bekend is bij de teams die het moeten gebruiken en ook niet zijn uitgelijnd met hun prioriteiten of manier van werken. Juist daar voegen we waarde toe; we begrijpen wat ervoor nodig is om het model te ontwikkelen, maar óók hoe het toe te passen, en deze learnings weer in te zetten om het model door te ontwikkelen.
Inmiddels hebben we een effectieve aanpak ontwikkeld, om samen met de data-, finance- en marketing teams van onze klanten aan de slag te gaan met customer lifetime value.
