Artificial intelligence in e-mailmarketing

27 juli 2016, 06:00

Of je nu praat over Artificial Intelligence, machine learning, predictive analytics, data mining of big data, al deze populaire en actuele onderwerpen focussen zich voornamelijk op één en hetzelfde aspect: leren van de beschikbare overvloed aan data. Onder andere om succesvolle én op maat gemaakte e-mailmarketingcampagnes te realiseren. Hoe ontwikkelt de e-mailomzet zich per klant? Hoe kan spam effectief worden geïdentificeerd en gefilterd? Wat is de ‘next best action’ die genomen moet worden? Artificial Intelligence biedt spannende, nieuwe mogelijkheden voor e-mailmarketeers.

Nooit eerder zijn er zoveel gegevens en zo veel tools beschikbaar geweest als vandaag de dag. En dan hebben we het nog niet eens over de technologische ontwikkelingen. Tegelijkertijd is artificial intelligence niet langer science fiction. Het begon al in de 19e eeuw: het ontstaan van de kleinste-kwadratenmethode, van Carl Friedrich Gauss. Deze rekenmethode wordt nog steeds gebruikt binnen het voorspellen van trends forecasting.

Het idee van slimme neural networks bestaat zelfs al meer dan vijftig jaar. Al enige tijd gebruiken filterprogramma’s zoals SpamAssassin dergelijke modellen om e-mails die gewenst óf ongewenst zijn, in de e-mailinbox te classificeren. Terwijl e-mailmarketing werkt met rule-based principes, gaat artificial Intelligence een stapje verder. Hiermee kan je namelijk prognoses maken en content plaatsen die gebaseerd is op vooraf gedefinieerde algoritmen en de beschikbare data.

Analyse van menselijke taal

Gmail van Google is een goed voorbeeld van een intelligent systeem. De Gmail ‘Priority Inbox‘ classificeert nieuwe e-mails als belangrijk of minder belangrijk. Gebruikers trainen en personaliseren het algoritme door persoonlijk aan te geven welke e-mails voor hen van belang zijn.

Onlangs introduceerde Gmail een extra inbox-functie, genaamd “Smart Reply”. Deze herkent en interpreteert menselijke taal, leidt de e-mailinhoud en intentie af én geeft dan suggesties voor bijbehorende antwoorden. Hierdoor kunnen gebruikers hun e-mails direct en snel beantwoorden, bijvoorbeeld bij een verzoek om een vergadering bij te wonen, met automatisch gegenereerde antwoorden zoals “Ja, ik kan erbij zijn” of “Nee, ik kan er niet bij zijn”, via een enkele klik.

Automatische optimalisatie van de onderwerpsregel en tekst

De openingskans van een e-mail is grotendeels gebaseerd op het samenspel van een (bekende) afzender, een interessant onderwerp en de juiste timing. Artificial Intelligence kan al helpen bij het identificeren van de belangrijkste stukken tekst en kernwoorden.

Het is voor markteers mogelijk om de beslissing tussen keuzes zoals: “15% korting op jeans”, “John Doe, jeans met korting!”, of “Goedkope jeans voor jou …” automatisch te laten maken. Het algoritme bepaalt welke optie het meest veelbelovend is voor de specifieke doelgroep.

Onderwerpsregelspecialisten zoals Phrasee, Touchstone of Persado gaan nog verder dan de klassieke testprocesmogelijkheden. Persado is bijvoorbeeld gespecialiseerd in de automatische analyse van e-mails en sociale berichten en gebruikt de resultaten van deze analyses om content te creëren die inspeelt op de emotie van de ontvanger; om zo de lezer effectief te bereiken.

Verzendtijden aanpassen

Naast de onderwerpsregel en inhoud kan het verzendtijdstip ook nauwkeurig worden gepersonaliseerd. Het is verstandig om hiermee rekening te houden aangezien open- en klikcijfers sterk kunnen variëren, afhankelijk van op welke tijd of dag de verzending plaatsvindt.

Terwijl sommige gebruikers hun e-mails direct checken in de ochtend wanneer ze wakker worden, geven anderen de voorkeur om dit te doen tijdens de lunchpauze of zelfs vlak voor het naar bed gaan in de avond.

Artificial intelligence kan worden gebruikt voor het automatisch optimaliseren van de verzendtijden. De feitelijke verzendtijden zijn gebaseerd op een analyse van alle opens in het verleden en de click logs van elk individu. In het ideale geval zullen alle e-mails naar de abonnees worden verzonden op het perfecte moment, zelfs als de distributielijst zeer groot is. De kans dat de e-mail wordt geopend en erop wordt geklikt, zal daardoor uiteraard extra hoog zijn.

Intelligent labelen van de gebruiker

De combinatie van vragenformulieren en gedragsprofielen is voornamelijk belangrijk voor tailored content. Marketeers moeten er daarom voor zorgen dat zij blijven vragen naar informatie over individuele interesses en demografische gegevens, op geschikte momenten.

Tegelijkertijd kan waardevolle kennis over de ontvanger worden verkregen via impliciete analyses van de kliks en de (muis)bewegingen van de gebruiker. Door het analyseren van de kliks voor bijvoorbeeld ‘Interesse in familievakantie aan de Baltische kust’, kan de individuele ontvanger heel precies worden ‘gelabeld’ voor toekomstige communicatie.

Daarnaast hebben agile templates en aanbevelingssystemen reeds de volgende stap genomen: van doelgroepen naar individuele gebruikers. Intelligente algoritmes leren van huidige en eerdere acties van de gebruiker en genereren automatisch op maat gemaakte aanbiedingen. Deze kunnen verder worden aangepast met behulp van sjablonen en in realtime worden verstuurd, dus tot aan het daadwerkelijke moment waarop elke afzonderlijke e-mail wordt geopend. Deze functionaliteit wordt ‘out of the box’ aangeboden door grotere gespecialiseerde aanbieders.

Anticiperen op de belangstelling via ‘next best actions’

Wat ook veel potentie biedt zijn zogenaamde ‘next best actions’, gebaseerd op beschikbare responsgegevens. Gecombineerd met eerdere aanvragen en klantgedrag. Door de koppeling van het klantprofiel en contactgeschiedenis kunnen waarschijnlijkheden van toekomstig gedrag op voorhand worden voorspeld per individu.

Deze voorspellingen kunnen vervolgens worden gebruikt voor specifieke aanbevelingen voor een bepaalde actie. In zekere zin wordt de toekomstige gebruikersinteresse en het gebruikersgedrag al bepaald. De e-mailinhoud is eigenlijk gebaseerd op voorspellingen over welke prikkels en welke specifieke combinaties veelbelovend zullen zijn. Daarnaast kunnen open data zoals weersvoorspellingen of zoektrends ook worden opgenomen in de ‘next best actions’.

In het kort: artificial Intelligence heeft zijn weg al gevonden binnen e-mailmarketing. Toch zijn er veel nuttige toepassingen die al wel op de markt zijn, maar tot nu toe nog niet op grote schaal zijn overgenomen. Maar op de lange termijn sluit ik persoonlijk niet uit dat er in de toekomst een grote verschuiving zal plaatsvinden van rule-based-communicatie naar het geautomatiseerd, machine-based delen van informatie.

René Kulka
E-mailmarketing Evangelist bij optivo

René Kulka werkt als e-mailmarketing evangelist en consultant bij Optivo. Optivo is opgericht in Berlijn en is uitgegroeid tot één van de marktleiders in e-mailmarketing. Hij schrijft voor Optivo regelmatig over trends, praktische tips en marktontwikkelingen in de wereld van e-mailmarketing.

Categorie
Tags

1 Reactie

    Paul Groenland

    Ik herken veel van wat hier geschreven staat. Ook m.b.t. next best actions hebben wij al de nodige ervaringen opgedaan. Soms lijkt een uitkomst van een voorspellend model statistisch prima maar in de praktijk niet het gewenste effect te hebben. Ook daar kan met next best offer of next best action goede resultaten worden behaald. Wat wel heel erg belangrijk blijft is de tekstuele communicatie die bij een klantbenadering via e-mail op basis van een voorspellend model wordt gestuurd. Een model geeft een beeld op basis van data, de klant kan hele andere gedachten of redenen hebben gehad om het betreffende gedrag te laten zien. De communicatie zou daarom zodanig moeten zijn dat de klant zich toch (positief) aangesproken blijft voelen. Ik zie daar in veel gevallen nog veel ruimte voor verbetering. Ook in de daadwerkelijke afhandeling van een evt. aanvraag of reactie van een klant is veel te winnen. Het is uiteindelijk de combinatie van alle 3 deze factoren die het succes bepalen.


    22 augustus 2016 om 08:08

Marketingfacts. Elke dag vers. Mis niks!