Sanoma SBSEwout VisManager MI & Big Data

Geld verdienen met (Big) Data!

May 3, 2023Presentation name2Sanoma Media NL: Bekend in Nederland van zo’n 60 merken

2

3

Onze visie

Speelveld in het bereiken van de klant verandertSanoma werkt aan een toekomstbestendig cross mediabedrijf

4

Onze visie: Dag in het leven van Louise

Opstaan: mobielGepersonaliseerde content

Pretarget fashionchick content

Lunch: desktop

Gepersonaliseerd regionaal nieuws

Plaatst bericht op VIVA forum over

“Gouden bergen”

Bij thuiskomst: laptop

Kijkt TV: tablet

Danni Lowinski

Aanbeveling om te kijken naar “Gouden bergen” op KIJK.nl na Danni Lowinski (alternativef: koop DVD box vorige seizoen Danni Lowinski)

Volgende dag:Aanbod voor VIVA

abonnement

Mail korting op “woonbeurs ticket

BtB propositieKlikt op mail en gaat naar website en koopt kaartjes

Retarget fashionchick banner:Klikt op banner en koopt product

Interesses:ModeHome DecoEntertainment

- 36 jaar- Louise@wnoit.nl- 06 12345678- Deventer- vtwonen abonnement- Credit card 12345Louise

5

Investeren in data/analytics essentieel voor realisatie visie

Dynamische content

Segmentatie

Inzicht in consumenten

gedrag

Profielen opbouwen

Begrijp wat er in de

consument omgaat

Luister naar de individuele consument

Dynamische campagnes

6

7

Big Data programma

Doelstellingen van ons Big Data Programma

1

2

3

Het enorme bereik van Sanoma SBS op individueel niveau inzetten door personalisatie van content en marketing

Ontwikkelen van use cases, die schaalbaar en uit te rollen zijn over alle merken en kanalen

Uitrollen van de succesvolle use cases en hier geld mee verdienen

8

Het programma richt zich op ontwikkeling van analyse producten, vergroten klantidentificatie, opbouwen profielen en ‘monetizen’

User identificationIdentificeren van de bezoekers van het Sanoma netwerk over merken en devices heen

Data HarvestingVergroten van de klantenbase en bereikbaarheid van

klanten, verrijken van klantprofielen

EnablementOpslaan van klantprofielen, -gedrag en andere (meta)data en ontwikkelen van analytics producten

Data MonetizationGebruik van (big) data voor cross-mediale BtC campagnes en voor relevante klantervaringen

9

10

De 6 uitgangspunten van onze aanpak

1. Ownership 2. Projectteam

5. Automatiseren

3. Slim investeren 4. Schaalbaarheid

6. Scope

Elk project heeft een duidelijke business owner

Slimme pilots leiden tot ‘requirements’ en slim investeren

Voor elk project wordt een multidisciplinair team samengesteld met brede kennis en vaardigheden

Mogelijkheid tot automatiseren is randvoorwaarde voor het starten van een pilot

Pilots worden alleen gestart als we potentieel zien om het initiatief op te schalen naar andere merken

We implementeren end-to-end: 1) waardepropositie, 2) analytics, 3) data 4) automatisering en uitrol

11

Enablement

Geautomatiseerde analyse producten worden ontwikkeld en uitgerold over de merken en ingezet t.b.v. BtB/BtC sales

Opt-in

Contact data

Social and external data

Digital data Analyses

Customer and subscription data

Analytics products

Big data deployment

Data sources

Hard data profiling

0 Similar audiences

1 Interestprofiling

2 Intent profiling

3 Predictive profiling

4 Location based profiling

5 Recommen-dation engine

6

• Homepage recommendations• Content/product/video recommenders• User Experience optimization

Content personalization

• Web advertizing• Mobile / in app targeting• Cross device targeting

BtB Monetization

• Acquisition• Cross- and Upsell• Retention & Winback

BtC Monetization

Enablement

12

Om dit mogelijk te maken bouwen we een 360 klantbeeld

Magazine User data

3rd party, e.g. CendrisCompetitor dataOnline panel data

Data capture consentData sharing consentMarketing consent

Age, gender, income

SpouseChildrenParentsFriends

Facebook, Google+ BlogsContent sharing

SubscriptionsPurchase/ transaction historyOnline subscriptionsBundlesPayments

Product and service ratings Opinion surveys

PicturesBlogsPostings

Next-best offerCLV Likelihood to churn Likelihood to respond to campaignBehavioral segment

Digital Transactions

Ratings

Consumer Opt-in

Demographics

Digital Behaviour

Contact

Subscriptions/Products

Advertorial behaviour

SocialMedia External data

Family relations

Online browsingMobile application usageWebsites visited

Analyses

Customer and subscription data

Analyses

Digital data

Opt-in

Social and external data

Service purchases / salesConsumer bidsSearches

Ad clicks, viewsAds shown

360 Customer View

User-generated

content

Inbound contacts

Outbound DMOutbound TMOutbound EMResponses

Contact data

Available Partially available

Enablement

13

Dit resulteert in een Big Data menu, geserveerd aan alle Sanoma SBS merken

BtCMoneti-

zation

Content persona-lization

BtBMoneti-

zation

• Homepage recommender

0. Hard data profiling

1. Similar audiences

2. Interest profiling

3. Intent profiling

5. Location based profiling

6. Recommen-dation engine

• Article recommender

• Product recommender

• Video recommender

• User Experience optimization

• Targeted web advertizing

• Mobile / in app targeting

• Cross device targeting

• Acquisition

• Cross- & Upsell

• Retention & Winback

Analytics productsFoundation

Applications

• Location based targeting

4. Predictiveprofiling

Enablement

14

We gebruiken deze analyse producten gedurende de complete customer journey van Louise

Similar Audiences

Interest profiling

Location based profiling

Predictive profiling

Recommen-dation engine

Cross-device targeting

Recommendation engine Next Best Offer

Enablement

15

Vb Analyse product: ‘Topic model’ waarin interesses, leeftijd, geslacht worden voorspeld van bezoekers o.b.v. leesgedrag

Brondata: • >300.000 artikelenTechniek: • Natural Language Processing• Continu testen, validatie (o.b.v. onderzoek)

en optimaliseren van het model

Resultaat: 200 topics, ingedeeld in interessegroepen

Toepassing:- Content en aanbiedingen personaliseren o.b.v. interesseprofielen- Sales propositie BtB- Op web en mobiel te gebruiken

Voorspelkracht:Van alle websitebezoekers- geslacht: 85%- leeftijd: tot 74%correct voorspeld

Enablement

16

Gebruik van topic model bij vtwonen leidt tot uplift van 63%

0,10%

0,13%

0,13%

0,10%

0,12%

0,14%

0,08%

0,06%

Look-a-like model based on visitors of landing page of summer campaign

Visitors of Home Deco related websites* (standard krux segment)

Frequent movers based on Cendris data

House owners of above average prices (>= 250K € WOZ) based on Cendris data

Visitors of Home Deco related websites** (according to vtwonen marketing)

Run of Network (Random)

Look-a-like model based on participants of the one day shopping campaign

Interest Group Home Decoration based on topic model

+63%

-21%

• Topic model is gebruikt om slim te segmenteren

• Tijdens de campagne worden diverse segmenten samengesteld en onderling vergeleken.

Enablement

May 3, 2023

Presentation name18

User identification

Facebook heeft 11,8 m unieke users elke maand in NL, meerderheid logt in. Google heeft 11,5 m users

11.8 million unique users per month in NL*. Estimated 80% logged in: 9.4 million. Excluding Messenger, Whatsapp (7 million daily**), Instagram.

11.5 million unique visitors on Google sites per month, in NL**. 1.3 million daily unique visitors on Youtube, 17% logged in***.

**www.Marketingfacts.nl ***Google former productmanager on www.quora.com*NOBO (Nederlands bereiksonderzoek) latest estimate (aug 2016)

User Identification

19

Sanoma Account is de sleutel om online en offline data te koppelen

SanomaAccount

Transacties

Online gedragVoordelen klant

Voordelen Sanoma

Niet geïdentificeerd

• Toegang tot premium content• Betaalgemak• Gepersonaliseerde instellingen

& meldingen• Beheer abonnementen• 3rd party voordelen

• Verbeterde profiling• Cross device targeting• Loyaliteit en churn verbetering• Verhogen traffic• Gepersonaliseerde ecommerce

mogelijkhedenGeïdentificeerd

User Identification

20

Per merk en over de merken heen ontwikkelen we waarde proposities om als gebruiker (blijvend) in te loggen

Livestream Champions League wedstrijden op NU.nl & SBS/ Veronica

LINDA.tv Cook Love Share weekmenu, persoonlijke content

User Identification

21

May 3, 2023

Presentation name22

Data Harvesting

Data Harvesting

Met de media enquête brengen we interesses van onze database in kaart om gerichte campagnes te kunnen doen

Interesse profielen

Look-a-likes

23

Video, games/testjes en smarticles steeds vaker ingezet om interesses te verzamelen en leads gericht te converteren Data Harvesting

Video

Gaming / tests / polls

Smarticles

24

Dataverzameling is een vast onderdeel geworden van het vtwonen concept en laat zien dat het ook echt leuk kan zijn!

25

May 3, 2023

Presentation name26

Data Monetization

2 belangrijke doelen: implementatie van cross mediale campagnes en personalisatie van digitale assets

Cross Medialecampagnes

BtC Monetization

Personalisatie van belangrijkste digitale Sanoma assets

Consumer experience

Data Monetization

27

Onze visie op campagne voeren

Campagnes die aan individuele klanten worden aangeboden op basis van gedrag van deze klant of van klanten die er op lijken (trigger). Wordt eenmalig per trigger opgezet en continu geoptimaliseerd

Always on

Campagnes die eenmalig worden opgezet en gedurende het hele jaar live staan met een standaard (variabel) actie aanbod. Kunnen zowel voor een bepaald merk worden opgezet als portfolio breed vanuit de customer journey (bv cross-sell programma). Wordt continu geoptimaliseerd.

Trigger basedAd hocCampagnes die op basis van de marketing kalender voor een korte actie periode worden ontwikkeld met een actieaanbod

Visie

Data Monetization

28

Data Monetization

Inzet van (big) data in campagnes geeft een impuls aan sales, succesvolle segmenten doorgezet naar ‘always on’

880

1.189

Big DataBusiness as usual Totaal

43%

57%

2.069

+74%

Resultaten targeted campagne Autoweek Succesvolle segmenten “always on”

Big data in standaard campagne aanpak

DBM menu kaart

29

‘Always on’ model werkt volgens principe ‘kans x waarde’ eventueel overruled door businessregels en online gedrag

De beste aanbieding is het product van conversie kans x waarde

Business rules kunnen de uitkomst van het model overrulen

Relevant online gedrag is onderdeel van de 'always on' campagne logica

De hoogst scorende magazines voor Jantien vanuit het ‘always on’ model zijn Margriet, Libelle en Story

Op basis van conversiekans x waarde komt Libelle als beste tijdschrift aanbieding voor Jantien uit de bus

In december zetten we alles op alles voor Story acquisitie in de Story Guilty Pleasure campagne

Het beste aanbod voor Jantien op basis van principe 1 wordt tijdelijk overruled door het campagne

aanbod van Story

Jantien zoekt op 123Tijdschrift en clickt op de kerst aanbieding van Donald Duck voor haar zoontje

Het beste aanbod voor Jantien vanuit principe 1 en 2 wordt opnieuw overruled door het Donald Duck kerstaanbod

Principes ‘always on’ model Hoe werkt het in de praktijk? Stel je voor …

Principe 1: kans x impact

Principe 2: business logica

Principe 3: recent gedrag

Data Monetization

30

Kids identificatie

Opa & Oma

Verhuizen

Premie & product interesseSales funnel abandonment

Trigger based campagnes is het volgende concept dat we groot gaan maken over de merken heen Data Monetization

31

Data gedreven productsuggesties vtwonen levert significant extra omzet op

Business as usual Big Data & analytics

Voorbeeld vtwonen website aanbevelingenProduct waarop geklikt Product suggesties

Voorbeeld vtwonen website aanbevelingenProduct waarop geklikt Product suggesties

Producten in dezelfde categorie “Andere mensen die dit product kochten, kochten ook deze producten”

Data Monetization

Recommendation engine voor content aanbevelingen vtwonen leidt ook tot extra omzet

• Collaborative filtering is gebruikt voor aanbeveling van artikelen

• Tijdens A/B testing wordt dit vergeleken met ‘business as usual’: manuele tagging van artikelen

Data Monetization

34

Data gedreven gepersonaliseerde e-mails voor KIJK leiden tot uplift van 65% in bekeken video’s (extra BtB inkomsten) Data Monetization

34

Gepersonaliseerde video aanbevelingen op NU, gebaseerd op interesses, recentheid, populariteit, collaborative filtering Data Monetization

Nieuwsvideo’s

Interesse profielen Recency Populariteit Collaborative Filtering

Parameter gewicht

Parameter gewicht

35

May 3, 2023

Presentation name36

Samengevat

What’s next?

Bewezen successen groot maken binnen alle domeinen en merken

Testen van nieuwe innovatieve ideeën om meer schaalbare use cases te creëren

Focus op executie en realisatie!

Deze big data successen zijn nog maar het topje van de ijsberg van wat wij met big data toepassingen gaan doen

37

Samengevat: 5 belangrijke inzichten

1 Zonder business(problemen) geen projecten

2 Maak de CxO een ‘believer’ en zorg voor sponsoren in business

3 Begin klein, toon meerwaarde aan om een business case te bouwen en (IT) investeringen te rechtvaardigen

4 Formeer multidisciplinaire teams

5 Factor mens cruciaal: Data-denken in de genen

38