Big Data case study: Sanoma

2017-08-11_1301

Hoe mediabedrijf Sanoma data toepast in de advertentiemarkt

Sinds Sanoma negen jaar geleden begonnen is met het automatisch verhandelen van online advertenties (programmatic advertising), kent het bedrijf een flinke groei op de advertisingmarkt. In 2016 heeft die verschuiving geleid tot maar liefst 20% meer omzet op het terrein van Programmatic advertising. Deze omzetverschuiving is grotendeels toe te schrijven aan het gebruik van big data en het maken van ‘target audiences’. Om inzicht te krijgen in hoe bedrijven als Sanoma Big Data praktisch en succesvol inzetten, schreven we een Big Data case study over het mediabedrijf. Hiervoor hebben we gesproken met Janou Kessels, Productmanager Audience Data bij Sanoma in Hoofddorp.

Er bestaan verschillende manieren om Big Data te verzamelen en te analyseren. Wat men vervolgens met de uitkomsten kan doen, varieert tussen onder meer het optimaliseren van de voorraad, het productaanbod, of in het geval van Sanoma, de advertentieruimte. Bij Sanoma wordt bijgehouden waar bezoekers op klikken, naar zoeken, en lezen, zodat profielen van deze bezoekers opgebouwd worden. Deze profielen zijn gewild bij adverteerders, die zo gerichtere campagnes kunnen tonen aan de bezoekers.

Big Data Model

Om geld te verdienen met Big Data kan men volgens Kessels van het volgende Big Data model gebruik maken. De verschillende fasen van dit model zijn: Reporting – Analysis – Monitoring – Prediction- Prescription

2017-08-11_1301De eerste fase begint met het vastleggen wat er precies gebeurt, in het geval van Sanoma op welke pagina’s een bezoeker komt (Reporting). Vervolgens wordt deze data bestudeerd om te bekijken of er een patroon in te ontdekken valt (Analysis). Deze twee fasen zijn de beginstadia van data-analyse en tevens het niveau waarop de meeste bedrijven die data-analyse toepassen zich bevinden.

Na het analyseren kan men real-time bijhouden wat er op dit moment gebeurt, om het geleerde in praktijk te brengen (Monitoring). De kennis dat persoon A vaak op fashion nieuwsberichten klikt, biedt de mogelijkheid tot herkenning en het leveren van gerichte reclame. De vierde fase bestaat uit het maken van een voorspelling van het toekomstige gedrag van persoon A, zodat hier vooraf op ingespeeld kan worden (Prediction). Dit is de fase waar Sanoma zich sinds kort in bevindt. Zo kan op basis van consumentengedrag voorspeld worden of iemand bijvoorbeeld een nieuwe auto gaat kopen of zijn gezin gaat uitbreiden. Op basis hiervan kunnen weer advertenties getoond worden.

‘Prescription’ is de laatste fase, dan wordt iets niet alleen voorspeld, maar weet je ook hoe je het kan beïnvloeden. De enige bedrijven die op dit moment al heel ver zijn in fase vier en aan de rand van fase 5 staan, zijn internetreuzen als Amazon en Google. Zo stelt Amazon-CEO Jeff Bezos dat hij op basis van data-analyse kan voorspellen wat klanten willen, nog voordat ze dit zelf weten. Hierdoor kunnen lokale magazijnen van tevoren gevuld worden met de gewenste producten. Hoewel Prescription de heilige graal lijkt, is echter ook met de Monitoring-fase al veel winst te behalen.

Voorbeelden

De centrale vraag voor bedrijven die met Big Data winst willen maken, is hoe een bedrijf voorbij fase twee kan groeien. Sanoma heeft dit gerealiseerd door samen te werken met externe partijen. Na de eerste twee fases van reporting en analysis dient men een goede taxonomie te maken: Wat voor klantprofielen zijn er? Deze kennis wordt aangeboden aan de externe adverteerder, die besluit waar de doelgroep behoefte aan heeft. Afhankelijk daarvan krijgt de klant relevante advertenties te zien.

Janou Kessels geeft als voorbeeld de samenwerking met Zalando: “Door klantprofielen te koppelen met aankoopdata bij Zalando, heb je meer informatie over onder andere kledingmaten, waardoor je advertenties gerichter kan targeten.”

Dit zou ook met andere partners gedaan kunnen worden. Zo zou Sanoma’s database gekoppeld kunnen worden met die van deze telecomaanbieder, om te weten te komen dat iemand een bepaald abonnement heeft lopen. Op basis hiervan wordt het mogelijk om gerichter aanbiedingen doen, door in plaats van abonnementen juist accessoires voor zijn of haar telefoon aan te bieden.

Profielen

Het samenstellen van klantprofielen op basis van dit soort informatie is essentieel voor het aanbieden van relevante- en het voorkomen van irrelevante advertenties. Bij Sanoma worden deze klantprofielen samengesteld op basis van cookies die binnenkomen in Krux, het Datamanagementplatform (DMP) van Sanoma. In die cookies staan zogenaamde ‘consumer types’, met daarin onder andere leeftijdscategorieën en persona’s (bijvoorbeeld ‘fitness fanatic’). Sanoma creëert deze profielen vaak zelf, maar ze kunnen ook van partners zoals Zalando afkomstig zijn.

Profielen worden opgebouwd op basis van business rules. Drie page visits vormen de maatstaf: iemand die bijvoorbeeld drie keer de sectie economie heeft bezocht, valt in een bepaald targetprofiel. Geslacht is bij Sanoma met 90% nauwkeurigheid te voorspellen op basis van clickgedrag, leeftijd (in categorieën van tien jaar) met 70% nauwkeurigheid. Om de nauwkeurigheid van verschillende profielen nog meer te verhogen heeft Sanoma data scientists in huis gehaald.

Privacy

Een gevaar van het verzamelen van zoveel potentieel gevoelige informatie is natuurlijk schending van privacy. Sanoma neemt alle nodige maatregelen om dit te voorkomen. Zo worden bezoekersprofielen nooit gekoppeld aan NAW gegevens. Hierdoor blijven profielen anoniem.

Ook worden verzamelde gegevens niet langer dan een maand bewaard, en vaak zelfs niet langer dan een week. Dit gebeurt ook met het oog op de kwaliteit van de profielen, aangezien aankoopintenties van klanten ook meestal zo’n zeven dagen blijven bestaan. De informatie verliest dus snel zijn waarde.

Winstgevendheid door relevantie

Sinds de invoering van Programmatic Advertising bij Sanoma zijn online advertenties, door het gebruik van data, veel relevanter geworden. In het verleden werden advertentiebudgetten voor een deel gespendeerd aan ‘waste’ doordat er niet op specifieke groepen gericht geadverteerd kon worden. Programmatic Advertising en Audience proposities bieden de adverteerder de mogelijkheid om elk contactmoment relevant te laten zijn.

Relevantie betekent enerzijds een betere besteding van budget voor de adverteerder en anderzijds dat Sanoma meer budget naar zich toe weet te trekken. Een extra selectie of keuze – dus targeting – wordt gezien als een premium op het product en daar wordt ook een hogere prijsindex op los gelaten. Hoe specifieker de klantinformatie en hoe meer informatie over een aankoopintentie, des te waardevoller is de advertentie voor de adverteerder. En volgens Janou Kessels valt hier nog veel meer winst te behalen, aangezien nog slechts bij 15% van Sanoma’s vertoonde online advertenties, audience data wordt gebruikt.

De verwachting bij Sanoma is dat hun verdienmodellen steeds meer gebruik zullen gaan maken van data. Zowel op het gebied van advertising als op het gebied van de ‘traditionele’ abonnementen. Uiteindelijk is Sanoma’s doel hierbij om in de vijfde fase van het Big Data model terecht te komen en zo succesvol te kunnen voorspellen en beïnvloeden wat consumenten willen.

Voor andere bedrijven heeft Janou Kessels nog het volgende advies: “Begin niet te ingewikkeld met Big Data. Het hoeft niet heel complex te zijn. Begin gewoon, maak fouten, en uiteindelijk kom je wel ergens. Om bij de heilige graal van Prescription te komen: begin klein en definieer profielen, doe testjes. Breidt dit uit op het moment dat het werkt.”

Dank, Janou, voor je medewerking aan deze Big Data case study.

Laat een bericht achter

Het e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *