De Hypotheker: in 5 stappen de nieuwe klant voorspellen

De leadthermometer van De Hypotheker bracht al eerder mooie resultaten. Maar het was toe aan een verbeterronde. Hoe? Met de kracht van algoritmes. Spoiler: de meter is sindsdien 82% accurater geworden! Benieuwd hoe we dat voor elkaar kregen? Lees verder!

Even opfrissen

Ken je De Hypotheker nog? Een tijdje terug personaliseerden we hun klantreis aan de hand van een leadthermometer. Daarmee konden we bepalen in welke fase de bezoekers van hypotheker.nl zich bevinden, zodat de content van de website daarop aangepast kan worden voor een relevantere ervaring voor de websitebezoekers. En dat leverde mooie resultaten op! Zo zagen we al dat relevantere content leidde tot meer conversies. Maar: met een accuracy van slechts 3%, waren die voorspellingen helaas toch niet accuraat genoeg. Daarnaast werd de meting nog handmatig gedaan. Dát kon beter. We gingen ermee aan de slag!

Waarom het model een metamorfose kreeg

De huidige leadthermometer werkt op basis van een puntenscore, die we vastleggen in BlueConic. Het werkt heel simpel: de bezoekers scoren punten op basis van welke pagina’s ze bezoeken, waar ze op klikken en welke keuzes ze maken. Dit noemen we de leadscore. Bij een laag aantal punten laten we de bezoekers meer oriënterende content op de website zien, bij een hoog aantal punten willen we ze juist een afspraak laten maken. Want hoe hoger de puntenscore, hoe verder de bezoekers zijn in de klantreis en dus hoe relevanter een adviesgesprek met de adviseur.

Het probleem

Deze leadscore is vooral bepaald op basis van menselijke inzichten en logica. Daarnaast geeft het geen nieuwe inzichten. Daardoor kunnen we met dit model bijvoorbeeld nog niet bepalen welke profieleigenschappen, zoals demografische gegevens, kenmerkend zijn voor bezoekers die sneller een adviesgesprek aanvragen.

Een model dat meebeweegt, voorspelt en verbetert

De oplossing werd al snel duidelijk: de leadthermometer moet volledig gaan werken op basis van data. Daarmee wordt de accuracy van de voorspellingen veel hoger, waardoor we betere bezoekersprofielen op kunnen zetten en de content nóg relevanter kunnen maken. Zo maakt de content meer impact en kunnen we het aantal kwalitatieve leads bij de adviseur verhogen.

In 5 stappen naar leadthermometer 2.0

stap-1

Stap 1: Data opschonen

Om een nieuwe start te maken, moesten we de data uit BlueConic opschonen. We verwijderden dubbele data, lege profieleigenschappen en eigenschappen met een te hoge voorspellende waarde. Met deze frisse dataset waren we klaar voor de volgende stap.

stap-2

Stap 2: Model trainen

We verdeelden de dataset in 2 groepen: ‘wel afspraak gemaakt’ en ‘geen afspraak gemaakt’. Daarna konden we aan de slag met het analyseren van de profieleigenschappen. Het doel: ontdekken waar het verschil in websitegedrag tussen de twee groepen het grootst is. Zagen we in bepaalde gedragspatronen van de groepen een groot verschil? Dan hadden deze profieleigenschappen een hoge voorspellende waarde. Dat is de mate waarin het model de twee groepen onderscheidt, die nodig is om betere bezoekersprofielen op te zetten. De eigenschappen met een lage voorspellende waarde, verwijderden we. Zo gingen we langzaam richting het ideale model: je begint met een grote dataset die je steeds verder opschoont, zodat je het model traint en de voorspellingen beter worden.

stap-2

Stap 3: Categorisering

Vervolgens gaf het model per bezoekersprofiel een resultaat. Op basis daarvan werden bezoekers onderverdeeld in de categorieën low, medium of high. Als bezoekers weinig kans hadden op een afspraak maken, werden deze in de categorie ‘low’ geplaatst. De bezoekers zitten dan in een oriënterende fase, en krijgen vooral content te zien in de vorm van berekeningen. Pas in de categorie ‘high’ sturen we op het maken van een afspraak. Door de content op deze manier te personaliseren, past het altijd bij de klantreis van de bezoekers. Dit maakt de content relevanter en waardevoller voor de bezoekers.

stap-2

Stap 4: Script draaien

Het nieuwe model is nu opgeslagen in de BlueConic AI-workbench. Daar wordt het script 2 keer per dag gedraaid en zet het model de uitkomst van elke voorspelling (low, medium, high) in een profieleigenschap.

stap-2

Stap 5: Uitingen tonen

Op basis van de voorspellingen kon de content op de belangrijkste touchpoints op de website gepersonaliseerd worden. Dit ziet er niet anders uit dan bij de eerste versie van de leadthermometer, maar past nu wel beter bij de bezoekers. Waar bezoekers uit de ‘low’ categorie eerst per ongeluk content voor de ‘medium’ categorie zag op de website, is dat nu niet meer zo.

Resultaten

Wat heeft onze inzet voor resultaat gebracht? Héél wat!

De nieuwe leadthermometer heeft een voorspellende waarde van 93%. Dat betekent dat het model voor 93% van de websitebezoekers een voorspelling kan doen: behoren ze tot de groep ‘wel afspraak maken’ of ‘geen afspraak maken’? Een mooie uitkomst, want de voorspellende waarde was eerst slechts 36%.

In hoeveel procent van de gevallen is deze voorspelling nu ook écht juist? De accuracy van het model ging van 3% naar 85%. Dat betekent dat de content die nu aan de bezoekers wordt getoond, voor 85% zeker aansluit bij hun plek in de klantreis. De content is nu veel relevanter voor de bezoekers, waardoor de conversieratio van high leads steeg van 3,5% naar 17%. Dat is stijging van bijna 400%!

Het nieuwe model heeft een voorspellende waarde van

93%

De voorspelling van het model is bijna altijd correct

85%

Conversieratio high leads steeg met +/-

400%
Door Bikkelhart kunnen we onze websitebezoekers beter door de klantreis begeleiden en zorgen dat ze goed geïnformeerd aan tafel zitten bij onze adviseurs.
De Hypotheker beoordeelt Bikkelhart met een
9.0     

Benieuwd hoe jij kunt voorspellen of een bezoeker klant wordt?

Sebastiaan vertelt je graag alles over de mogelijkheden. Neem contact op via sebastiaan@bikkelhart.com of telefonisch via 020-7718235.

Ja, ik wil een afspraak