Heb je wel eens het gevoel dat je tegen een muur praat? Is het de schuld van die “muur” dat ‘ie niet luistert? Of sta jij in zo’n geval de verkeerde boodschap te verkondingen? Het is eigenlijk nog steeds een veelvoorkomende tekortkoming in de B2B-marketing: je boodschap richt zich op een muur. Op “Restaurant Olijf” of op “Hotel de Regenboog”. Terwijl dat restaurant en dat hotel jouw boodschap niet lezen. Die bestaan uit muren.
Wat zijn klantpersona’s?
Het is belangrijk om je bewust te zijn van dat ook in B2B, mensen zakendoen met mensen. Om je daarbij te helpen, creëren wij klantpersona’s. Een klantpersona is de persoon die symbool staat voor een deel van je (potentiële klanten). Al eerder schreven wij een blog over het opstellen en toepassen van klantpersona’s.
Het uitwerken van een klantpersona zorgt ervoor dat je de kennis die al aanwezig is in je bedrijf, bij de marketingafdeling en salesvertegenwoordigers, samenbrengt en daarmee een fictief persoon creëert. Door tegen die persoon te communiceren, ga je bewezen effectievere boodschappen uitsturen. Het helpt je met een betere tone of voice, met betere woordkeuzes en betere voorstellen. Je herkent het vast wel, op straat praat je automatisch heel anders tegen een dame van 80 dan tegen een peuter van 5.
De gevaren van kwalitatieve data
Wanneer je met alle koppen bijeenzit om zo’n persona te bekijken, aan te scherpen of flink onder handen te nemen, praat je vaak over kwalitatieve gegevens. Over gevoel, ambities, problemen. Dat is wat je hoort van je klanten. En dat gevoel, mits je dat bij je klanten en prospects goed kunt inschatten, speelt ook een grote rol in hun beslisproces. Maar hoe goed kun je dat gevoel inschatten? Want laat een klant wel het achterste van zijn tong zien? Probeert hij echt soms een product van de concurrent, of zegt hij dat enkel om korting te krijgen? Pretendeert hij niet enkel heel duurzaam te ondernemen, terwijl hij jouw tien cent duurdere duurzame verpakking straks niet eens zal overwegen? Daar sta je dan, met je klantgerichtheid en je magazijn vol met producten.
Daarnaast is het ook vaak dat één specifieke klant, die je heel goed kent, veel te snel een “afspiegeling” van de gehele groep gaat worden. De inzichten die je van hem hebt gekregen, generaliseer je te snel. Want van de grijze muis, die stilletjes al jaren jouw producten gebruikt, hoor en weet je niet zo veel.
Laat daarom ook kwantitatieve data voor je spreken om klantpersona’s aan te scherpen, want als deze goed is ingericht geeft het je een objectieve afspiegeling van je klanten.
Je klantpersona’s aanscherpen met behulp van kwantitatieve data
Er zijn verschillende modellen die allemaal gebaseerd zijn op data die diverse types klanten onderscheiden. Persona’s zoals hierboven beschreven zijn uitermate geschikt voor het ontdekken van nieuwe klanten of het aanspreken van klanten waar je nog niet zo veel van weet. Maar wat als je de luxe hebt om van de grossier goede verkoopdata te ontvangen, of je registreert zelf je klantcontacten goed? Je weet wanneer en hoe vaak je een stapje extra hebt gedaan voor een klant. Of hem juist hebt teleurgesteld.
Op basis van die data kun je je klantpersona’s heel anders indelen. Dan kun jij met deze data jouw persona’s een waardevolle update geven.
Webanalytics
Het is wellicht een open deur, maar uit je website en socials kun je al veel informatie halen over de persona waar je mee te maken hebt. Volgt iemand je pagina? Bezoekt hij of zij hem met regelmaat? Gaat hij soms ook de interactie aan op je social mediaberichten? Iemand komt niet zonder reden meerdere keren op jouw pagina, of bekijkt gemiddeld bovengemiddeld veel, of weinig, pagina’s. Het zegt wat over hoe relevant je voor hem bent, en die relevantiescore is natuurlijk ook hartstikke handig om mee te nemen in het invullen van een persona-template. En nog voor de hand liggender: Je weet op basis van actuele data op wélke kanalen je hem bereikt.
Prediction modelling
Op basis van interesse in producten of productgroepen, kun je voorspellen welke andere producten ook interessant zijn voor een klant. Netflix en YouTube staan er bekend om. En ook spelers als Amazon en Bol.com zijn daar ontzettend goed, in omdat ze er veel op hebben ingezet om deze modellen te maken. Maar eigenlijk is het begin heel simpel.
Als foodfabrikant ontwikkel je een nieuwe smaakvariatie of producttoepassing. Je kunt dat product het beste aanraden aan de klanten die al een eerdere variant hebben uitgeprobeerd, of die nog steeds gebruiken. “Hee, jij gebruikt al diverse Oosterse sauzen, deze ketjapsaus is écht wat voor jou.” Dat werkt als een tierelier wanneer je een relevant aanbod doet. Maar je verliest je geloofwaardigheid als je dit product bij een Thais restaurant aanbiedt dat zijn sauzen zelf trekt. Voor hem zal het bijna als een belediging voelen, dat je hem met een fabrieksproduct in verband brengt.
Churnmodellen
Met churnmodellen onderzoek je hoe groot de kans is dat je een klant kwijt gaat raken. Een klein deel van de klanten zul je niet kunnen behouden, bijvoorbeeld omdat zij moeten stoppen met hun zaak. We noemen dat onvrijwillige churn. Maar het grootste gedeelte van de klanten die bij zijn leverancier weggaan, doen dat op vrijwillige basis. Dat wil zeggen, ze kiezen voor een concurrent omdat die een beter aanbod doet, of omdat ze een nare ervaring bij jou hebben meegemaakt. Churnmodellen worden ingevuld met betrekking tot historische data. Je bekijkt waarom klanten bij je zijn weggegaan en wat hen anders maakt dan klanten die zijn gebleven. Het zou kunnen dat wanneer je geen buitendienst in een bepaald gebied hebt lopen, de “churn” groter is. Of een klachtenprocedure kan een overeenkomst zijn tussen klanten die je recent kwijt bent geraakt.
Op basis van historische data bepaal je welke criteria in grote mate samenhangen met het aanblijven of vertrekken van klanten, en die aspecten kun je goed gebruiken in de waardering van je persona’s. In onderstaande afbeelding staan een aantal variabelen die interessant kunnen zijn in zo’n model, maar het belangrijk dat de variabelen die voor jou belangrijk zijn, uit je eigen data komen.
Hoe benader je een klant met een laag churnrisico en hoe een klant die een grotere kans heeft om bij je weg te gaan? In elk geval niet hetzelfde, zouden wij zeggen. Een klant waarvan je bijna zeker weet dat je hem behoudt, kun je gerust een cross sell– of upsell–voorstel doen, terwijl je een klant die je dreigt te verliezen misschien wel eerst een korting op zijn vaste bestelling wilt aanbieden.
RFM model op basis van verkoopdata
Het RFM model deelt jouw klanten in op basis van drie variabelen: Recentheid van laatste aankoop, Frequentie van aankoop, gemiddelde Monetaire waarde van aankoop. We beperken ons in dit artikel tot de eerste twee, want logischerwijs doe je altijd een stapje extra voor een klant als die meer geld in de kassalade brengt.
In onderstaande afbeelding zie je hoe je 4 typen klanten kunt onderscheiden op basis van verkoopdata. Dit is een enorm vereenvoudigde weergave van dit model, want in werkelijkheid zijn er nog vele tussenstappen mogelijk.
Op basis van aankoopgegevens, kun je dus al onderscheiden dat je bepaalde goede klanten hebt, de champions. Zij bestellen vaak, en hebben recent nog een aankoop gedaan. Hen wil je een andere behandeling geven dan de sleepy customer, die ergens aan het begin van dit jaar een keer een bestelling bij je heeft gedaan.
Een champion moet zich champion voelen, moet een voorkeursbehandeling krijgen en moet het idee krijgen dat hij bij jou echt zijn credits verdiend heeft. En een klant die je dreigt kwijt te raken, of het nou een man, vrouw, restauranteigenaar of cateraar is, je zult er eerst achter moeten komen om welke reden hij is gestopt met bestellen en daar zul je persoonlijk op moeten reageren. Een algemene benadering volgens je persona-aanpak, gaat niet al die klanten voor je behouden.
Een aanpak met klantpersona’s én klantdata
Samenvattend: klantpersona’s worden opgezet door een mix van onderzoek, kennis en ervaring. De scherpste klantpersona’s krijg je door daarin ook CRM-data, verkoopdata en kwantitatief onderzoek te betrekken.
Gebruik voor het opzetten van de personaprofielen het GROUP7 persona template. Wij gebruiken die zelf ook in onze persona workshops. Het helpt je om een sfeer te creëren rondom je persona, om je klanten gerichter en persoonlijker aan te spreken. In onze template zet je samen de doelen, uitdagingen, verwachtingen en wensen van je doelgroep in kaart, naar eigen inzicht en verificatie bij een aantal voorbeelden in je klantenkring.
Je communicatie met klanten wordt nog veel effectiever door – gebaseerd op data – in te spelen op het actuele gedrag van klanten:
– Wat kan ik afleiden uit het gedrag op mijn website? (webanalytics)
– Waar zit deze (potentiële) klant in de klantlevenscyclus? (RFM-model)
– Welk product is het meest kansrijk? (prediction modelling)
– Loop ik risico deze klant te gaan verliezen? (churn model).
De combinatie van de persona en deze klantdata maken de communicatie ijzersterk. Stel dat we een persona hebben die we ‘Willem’ noemen:
Je kunt nu een Willem onderscheiden die…
– al regelmatig op je website komt,
– die tevreden klant is, en
– nog niet zo vaak bij je gekocht heeft.Daarnaast is er een andere ‘Willem’ die…
– jouw website niet bezoekt,
– waarvan je vreest dat hij binnenkort wel eens zou kunnen overstappen naar een andere aanbieder, en
– een ‘champion’ is, als we kijken naar aankoopdata.
We bepalen door de doelen en uitdagingen van de ‘Willems’ dat een campagne relevant voor hem zal zijn. De aanvullende data bepalen bijvoorbeeld de manier waarop de campagne exact wordt uitgevoerd.
In het bovenstaande voorbeeld wordt de tweede groep Willems bijvoorbeeld telefonisch benaderd – naast de digitale campagne – om zo deze belangrijke klant te kunnen behouden.
Wat kun je nu doen?
Heb je nog geen klantpersona’s? Dan is het downloaden van onze persona template de beste start. Gebruik dat hulpmiddel om scherpe klantprofielen op te stellen.
Wil je meer weten over het gebruik van data? Wil je werken met de klantdata die je beschikbaar hebt en de genoemde modellen? Laat het ons weten via info@group7.eu.