Hoe de Nierstichting telemarketingcampagnes optimaliseert met machine-learning

Hoe de Nierstichting telemarketingcampagnes optimaliseert met machine-learning
  • 25 October 2021
  • Redactie

Ruim 200.000 mensen telt de achterban van de Nierstichting. De stichting benadert deze mensen regelmatig met fondsenwervende campagnes, maar had het gevoel dat deze slimmer en beter ingericht konden worden. Men wilde beter weten wie op welk moment met welke informatie te benaderen. Door telemarketingcampagnes in te richten met behulp van machine learning lukte het niet alleen om betere resultaten te behalen, er is ook een kostenbesparing.

De Nierstichting zet zich al ruim 52 jaar in voor mensen met een nierziekte door aandacht te vragen voor het onderwerp en meer onderzoek te doen. De stichting is daarvoor afhankelijk van giften en donaties.

“Voor het genereren van inkomsten om onze missie uit te voeren maken we gebruik van direct mail, e-mail en telemarketing. Vooral telemarketingcampagnes werken goed voor ons. Deze zijn echter ook kostbaar”, vertelt Wouter Langeveld, manager marketing & communicatie bij de Nierstichting. “Uiteraard willen we onze budgetten zo efficiënt mogelijk inzetten. We maakten daarom al veelvuldig gebruik van data voor onze campagnes, doen behoefte-onderzoeken en verrijken data.”

Hoewel er dus steeds slimmer gewerkt werd, had het team toch het gevoel het nog beter te kunnen doen. “We wilden niet meer afhankelijk zijn van toevalligheden en campagnes scherper instellen. De volgende stap in de zoektocht naar manieren om telemarketing slimmer in te zetten is dan de stap naar kunstmatige intelligentie”, vervolgt Langeveld.

Beter acteren op basis van data
Twee data-analisten in het team zijn verantwoordelijk voor het slim(mer) omgaan met data. Via een van hen kwam DataRobot in beeld, een enterprise AI-platform waarmee organisaties  zelf machine learning-modellen kunnen bouwen, implementeren en beheren. 

“We zochten naar een oplossing waarmee we snel zelf aan de slag konden en die zichzelf ook binnen twee jaar terug zou verdienen. Dat laatste is voor ons belangrijk, omdat we investeringen moeten kunnen uitleggen aan onze achterban. DataRobot was heel stellig in de aantoonbaarheid daarvan. Dat schepte vertrouwen, en zo’n acht maanden geleden zijn we gestart”, vervolgt Langeveld.

Data-analist Ruben Romijn licht toe hoe de samenwerking van start ging: “Het platform maakt de inzet van data science heel toegankelijk door standaard machine learning modellen beschikbaar te stellen. Dat stelt ons in staat voorspellende modellen in gebruik te nemen, zonder veel handmatig programmeren. We begonnen door al gerealiseerde of ingerichte campagnes in het platform te zetten. DataRobot voorspelde vervolgens de kans op conversie en gaf scores. Dat gaf al gauw inzichten om campagnes te optimaliseren.”

Als data-analist is Romijn nog steeds verantwoordelijk voor het selecteren van de juiste data voor een campagne.

“Bij de Nierstichting werken we met een on-premise CRM-systeem. We moeten er dus per campagne voor zorgen dat de juiste data in het platform worden gezet”, legt Romijn uit. “We maken nu zo’n 8 verschillende voorspellingen voor een telemarketingcampagne en vergelijken de uitkomsten, zodat we kunnen zien welke insteek het meeste resultaat oplevert.”

Een van de functies die Romijn in het platform van DataRobot waardeert is de profit matrix: “Deze voorspelt heel overzichtelijk wat de kosten en baten van een campagne zijn. Bijvoorbeeld als we een dataset invoeren, berekent het platform met percentages wat de meest relevante personen zijn om te benaderen, maar ook wat het break even point van een campagne is. Dat is ontzettend handig. We kunnen collega’s die een campagne bedenken binnen no-time laten zien of die campagne een succes gaat worden. We kunnen dus veel beter bepalen welke campagnes we wel en niet gaan doen en schieten minder met hagel.”

Hoewel Langeveld nog wat voorzichtig is met uitspraken over de resultaten van de nieuwe werkwijze, ziet Romijn al duidelijke verschillen. “In vergelijking tot vorig jaar leveren onze telemarketingcampagnes nu 10 procent meer resultaat op. We zien verder dat de voorspellingen vooral heel effectief zijn voor het optimaliseren van de duurdere campagnes, zoals de inzet van telemarketing. Voor direct mail, waarbij de kosten voor een contact een stuk lager zijn, is het minder interessant.”

“Het platform gebruikt een samenhang van verschillende variabelen om een voorspelling te maken”, vervolgt Romijn. “Wij hebben bijvoorbeeld data over de relatieduur van onze donateurs of de interactie met de stichting. In de toekomst zouden we ook graag websitebezoek willen koppelen. We weten dat onze site ook jongere bezoekers trekt en willen ook hen beter kunnen benaderen.”

“We hebben een andere manier van werken in gang gezet. Door gebruik te maken van kunstmatige intelligentie kunnen we nu beter inschatten wie we moeten bellen. Zo komen we tot een compleet campagnesysteem, waarin we donateurs met de juiste informatie benaderen op het juiste moment”, sluit Langeveld af.

tekst: Joep Gerrits, Regional Director bij DataRobot

comments powered by Disqus
  • Deel dit artikel
  • Geplaatst in
  • Reacties
  • Link