Blog: Hoe AI marketinganalyses versnelt en ideeën toetst

Van data-analyse tot het onderbouwen van strategische keuzes

Kunstmatige intelligentie (AI) wordt steeds vaker ingezet in marketing. Niet om de mens als strategisch denker te vervangen. Maar wél om data-analyse te versnellen, te ondersteunen bij het toetsen van hypotheses en te helpen om inzichten te structureren.

In deze blog kijken we naar het gebruik van AI voor de analyse van de instroom en abonnee-ontwikkeling bij het wetenschapsmagazine New Scientist, in de periode 2020-2024. AI hielp bij het verwerken en interpreteren van grote hoeveelheden data, waardoor sneller conclusies konden worden getrokken en strategische beslissingen beter onderbouwd werden.

Graag laat ik zien hoe marketeers zoals Alex Sieval van New Scientist AI kunnen gebruiken om bestaande ideeën te valideren en patronen te ontdekken, zodat marketingacties slimmer gestuurd worden.

Van ruwe cijfers naar bruikbare inzichten: AI als analyseversneller

Bij de instroomanalyse van New Scientist lag een grote hoeveelheid abonnementsdata klaar. De uitdaging was om de relevante inzichten boven water te krijgen:

Wat moest worden geanalyseerd?

Welke abonnementsvormen hebben de hoogste instroom en retentie?
Hoe verschilt de gemiddelde omzet per abonnee over de jaren heen?
Welke campagnes en perioden hangen samen met een hogere instroom?

Hoe AI hielp:

Snel verwerken van grote Excel-bestanden en structureren van data.
Automatisch berekenen van retentiepercentages en customer lifetime value (CLV).
Creëren van datavisualisaties om patronen zichtbaar te maken.

Wat dit opleverde:

Een snellere herkenning van trends, waardoor marketingbeslissingen beter onderbouwd konden worden.
Focus niet alleen op omzet bij instroom, maar op de lange termijn-waarde per abonnee.
Beter inzicht in welke abonnementstypen structureel goed presteren.

Learning:

AI neemt geen beslissingen, maar versnelt het proces waarin marketeers de juiste vragen stellen en data optimaal benutten.

Retentie: Waar verliezen we abonnees en waarom?

Eén van de grootste uitdagingen in abonnementsmarketing is retentie. Een hoge instroom is goed. Maar als mensen snel weer opzeggen, daalt de waarde per abonnee drastisch.

Wat moest worden geanalyseerd?

Welke abonnementsvormen hebben de hoogste en welke de laagste retentie?
Op welke momenten haken abonnees af?
Werken winback-campagnes zoals ze bedoeld zijn?

Hoe AI hielp:

Berekenen van gemiddelde abonnementsduur per type klant.
Inzichtelijk maken van churn-momenten.
Analyseren of de retentie per jaargang groeide, afnam of stabiel bleef.

Dit liet duidelijke verschillen zien bij verschillende type abonnementen:

Printabonnementen leiden tot veel grotere loyaliteit en daarmee hogere retentie dan digitale abonnementen.
Jongerenabonnementen digitaal bleken de hoogste retentie te hebben.
Proefabonnementen en losse edities hadden extreem hoge churn.

Learning:

AI maakt het makkelijker om retentie en klantwaarde kwantificeerbaar te maken, zodat marketeers weten waar ze moeten bijsturen.

Zijn de juiste kanalen effectief?

Een belangrijk aspect van de marketingstrategie is welke kanalen het meest effectief zijn in het aantrekken en behouden van abonnees. Historisch gezien, zijn verschillende kanalen ingezet zoals:

E-mailmarketing
Gericht op winback, retentie via below the line-campagnes.
Telemarketing
Voor het reactiveren van oud-abonnees, met wisselende effectiviteit.
Direct Mail (DM)
Vaak actiematig ingezet, op groepen die niet via e-mail bereikt worden.

De vraag was: moeten we onze kanaalkeuzes herzien op basis van de effectiviteit per instroomjaar?

Wat moest worden geanalyseerd?

Er was inzicht in de totale instroom per jaar, maar geen koppeling met specifieke kanalen.
De daling in instroom kon niet direct aan kanalen worden toegeschreven.
Geen harde conversiedata per kanaal beschikbaar.

Hoe AI hielp:

Structureren van de beschikbare gegevens: welke jaargangen hadden sterke of zwakke instroom?
Identificeren van patronen in instroomdaling of -stijging: waren deze indirect gekoppeld aan veranderingen in marketinginzet?
Bepalen welke extra data nodig zijn om kanaalkeuzes te optimaliseren.

Dit leverde vooralsnog geen directe conclusies op over kanaaleffectiviteit, omdat er geen koppeling tussen instroom en kanaal is.

Wel leidt dit tot de aanbeveling om ook de herkomstcode (beschikbaar in CleverConnected) te analyseren, zodat kanaalkeuzes kunnen worden onderbouwd. Om kanaaleffectiviteit beter te meten, is dit essentieel omdat deze data aangeven via welke weg een abonnee is binnengekomen.

Wat dit oplevert:

Betere onderbouwing van kanaalinzet: in plaats van aannames over e-mail, DM en telemarketing wordt er gewerkt met harde data.
Kanaalstrategie beter afstemmen op instroomdata, door trends in herkomstcodes te koppelen aan instroom per jaar.
Testen en optimaliseren op basis van daadwerkelijke respons.

AI als ondersteuning voor slimmere marketingbeslissingen

AI is geen vervanger van marketingexpertise. Het is wel een krachtige assistent die helpt om analyses te versnellen, hypotheses te testen en strategische keuzes beter te onderbouwen.

Vijf manieren waarop AI marketingprocessen versnelt:

Data sneller interpreteren → AI helpt bij het verwerken van grote datasets en het berekenen van retentiepercentages, customer lifetime value (CLV) en abonnementsduur. Hierdoor kunnen marketeers sneller inzichten krijgen, zonder handmatige analyses.
Retentie en churn inzichtelijk maken → Door AI te gebruiken voor patroonherkenning, kunnen marketeers voorspellen waar en wanneer klanten afhaken en gerichte acties nemen om klantbehoud te verbeteren.
Efficiënter werken → AI automatiseert tijdrovende analyses en berekeningen. Zo kunnen marketeers zich richten op strategie, creativiteit en optimalisatie in plaats van handmatige data-extractie.
Kanaaleffectiviteit analyseren → AI kan helpen bij het vergelijken van marketingkanalen door patronen in instroom en herkomstdata bloot te leggen. Hierdoor kunnen marketingbudgetten slimmer worden ingezet en campagnes gerichter worden geoptimaliseerd.
Hypotheses sneller testen en valideren → AI helpt bij het controleren van aannames in marketing. Werkt een bepaalde strategie écht zoals verwacht? Door AI in te zetten voor het analyseren van historische data en trends, kunnen marketeers sneller en met meer zekerheid beslissingen nemen.