Tijd is geld, maar ook een goede voorspeller!

Hoe langer een gebruiker in de funnel zit, hoe meer kansen je krijgt om te converteren.

Met customer journey analytics en machine learning kun je steeds meer inzichten verzamelen over wat er nu écht gebeurt in de individuele klantreis. In dit artikel leg ik iets uit op basis van het onderzoek dat ik verrichtte als masterstudent Data Driven Business over uitstroomvoorspellingen op mobile devices.

De meeste mensen vragen zich om 10 uur ’s avonds af waar hun dag is gebleven. Op deze vraag zijn meerdere antwoorden te bedenken, maar één daarvan is waarschijnlijk erg schrikbarend. Een groot gedeelte van die tijd is namelijk naar je smartphone gegaan. Uit een Amerikaans onderzoek is gebleken dat de gemiddelde mobiele schermtijd per dag maar liefst 3 uur en 43 minuten is. Ervan uitgaand dat je op een dag 6 uur over hebt voor jezelf (8 uur slapen, 8 uur werken, 2 uur persoonlijke verzorging), ben je dus meer dan de helft van je vrije tijd kwijt aan je smartphone – op een werkdag.

Dat is veel, en ironisch genoeg, het is niet compleet jouw schuld. Vooral als marketeer begrijp je dat. Je bent uiteindelijk zelf ook de hele werkdag bezig om gebruikers naar je sales funnel te lokken en ze daar te houden. Waarom zou je ook niet! Hoe langer een gebruiker in de funnel zit, hoe meer kansen je krijgt om te converteren. Het probleem is alleen dat sommige gebruikers dat toch al van plan waren. Hier worden dan kostbare marketing-euro’s aan verspild. Stel: een webshop biedt elke klant 5% korting aan wanneer ze het winkelmandje wegdrukken. Dit zou veranderd kunnen worden naar 5% korting voor elke klant die zou gaan ‘exiten’, volgens een machine learning model. In dit voorbeeld kun je deze 5% ook vervangen door bijvoorbeeld een support-gesprek, gratis producten of andere typen kosten die gemaakt worden bij het binnenhalen van klanten.

Op tijd twijfel herkennen

Het zou dus zo mooi zijn als je juist de gebruikers waar extra middelen naartoe zouden moeten, zou kunnen herkennen. Gelukkig kan dat. Het bijzondere ervan is dat het te voorspellen is met de tijd die de gebruiker besteedt in je funnel. Tijd kan namelijk worden gebruikt als een exit-voorspeller. Op deze manier kan je voorspellen of een gebruiker wel of niet gaat converteren. Met deze informatie kun je dynamisch het aanbod binnen een funnel aanpassen. Kort gezegd, zou je hiermee flink de marketingkosten kunnen terugdringen doordat je het alleen besteed aan de twijfelaars!

Vanwege deze potentie ben ik als master-student aan de HU, een onderzoek gestart naar het voorspellende vermogen van tijd. Dit onderzoek is gedaan in opdracht van OnMarc, een data science-bedrijf dat gespecialiseerd is in (marketing)data oplossingen en de data die ervoor gebruikt is komt van drie verschillende klanten. Dit bedrijf was ideaal voor dit onderzoek omdat het zelf al aan desktop-exit-voorspellingen doet, gebaseerd op muisbewegingen. Op deze manier was het mogelijk om de resultaten van het tijdmodel te vergelijken met een oplossing die in de praktijk gebruikt wordt. De resultaten die daaruit volgden waren zeer interessant: Het tijd model scoorde 20% tot 79% beter dan de bestaande oplossing van het data science bedrijf.

Het is wel belangrijk om mee te delen dat de voorspellingskracht ‘schommelend’, was maar dat maakt het niet minder interessant om meer over het model te vertellen. Het is opgebouwd uit de tijd die een gebruiker moet wachten tot de pagina geladen is (Page load time) en de tijd die hij / zij besteedt op bepaalde pagina’s. Deze informatie is gebruikt in combinatie met een random forest algoritme. Dit gecreëerde machine learning model borduurt voort op eerder onderzoek van Akamai en Google. Deze is hier en hier terug te vinden.

Tijd als voorspeller

Met alles hierboven kun je zeker zeggen dat het interessant is om tijd te gaan gebruiken als voorspeller. Het kan worden gebruikt voor het verder optimaliseren van de sales funnel maar ook voor grote besparingen in het marketingbudget. Indien je hierdoor enthousiast bent geworden kun je het eerder gelinkte onderzoek meenemen naar je analytisch team of uiteraard een extern data science bureau inschakelen.