Smarter Bidding met Smart Data

Omschrijving

In deze case lees je hoe Freo door slim gebruik te maken van eigen data haar Smart Bidding strategie optimaal heeft weten in te richten en vandaag de dag haar online marketing inspanningen investeert in leads die er toe doen!

Doel

De zoektocht van iemand die graag een lening wil afsluiten begint veelal online op Google. Online kredietverstrekker Freo krijgt via zoekopdrachten op Google dan ook dagelijks een groot aantal aanvragen voor een lening binnen. Freo beoordeelt deze aanvragen nauwkeurig en kan slechts een relatief klein deel van de aanvragen honoreren. Tot voor kort werd door Google aan iedere aanvraag dezelfde waarde toegekend. Ongeacht de kans op het uiteindelijk afsluiten van een lening of niet. In de praktijk betekende dit een inefficiënte inzet van het Search budget en werd er veel budget geïnvesteerd in leads waarvan we vooraf eigenlijk wel zouden kunnen voorspellen dat deze niet tot een lening zouden leiden. Zonde natuurlijk. Daarom had Freo zich ten doel gesteld haar Smart Bidding strategie efficiënter in te richten om zodoende die consumenten te bereiken die er écht toe doen.

Resultaat

Freo beschikt over veel data van (potentiële) klanten, maar ook van die mensen die ooit een lening hebben aangevraagd welke is afgewezen. Gegevens als geslacht, leeftijd, burgerlijke staat, opleidingsniveau, hoogte van de leenaanvraag en leendoel worden allemaal geregistreerd. Gevoelsmatig ziet Freo dan ook een duidelijke trend in welke variabelen gunstig zijn voor het daadwerkelijk afsluiten van een lening of niet. Zo converteert de 35+ er beter dan iemand tussen de 18 en 24 jaar en is de kans op het afsluiten van een lening hoger als iemand een koopwoning heeft in plaats van een huurwoning. Op basis van deze beschikbare firstparty data heeft Marketing Sciences een model ontwikkelt waarmee Freo de kans op het daadwerkelijk afsluiten van een lening kon voorspellen. Dit model werd uitvoerig getest en bleek in 85% een nauwkeurige schatting van de eindstatus te geven. Een echte doorbraak in het proces dus, echter moest dit model nog wel geïntegreerd worden in Freo haar Smart Bidding strategie. Hier kwam bGenius om de hoek kijken. Door de inzet van marketing automation tool bGenius kon Freo op dagelijkse basis de geschatte waarde van de aanvraag, welke is gebaseerd op de bestaande firstparty data, automatisch doorvoeren in Google. Op basis van deze inzichten kon het Google algoritme betere beslissingen nemen om zodoende de doelgroep effectiever te bereiken.

Bureau(s) waarmee is samengewerkt

Marketing Sciences en bGenius

Overige informatie

Door slim gebruik te maken van bestaande firstparty data hebben we een voorspellend model kunnen maken welke met 85% nauwkeurigheid de kans op het daadwerkelijk afsluiten van een lening kan voorspellen. Door dit voorspellende framework te integreren in FREO haar Smart Bidding strategie stuurt Freo haar Smart Bidding strategie nu aan op basis van haar eigen firstparty data, met een forse toename in efficiency en relevantie tot gevolg! Deze case is uniek in Nederland en illustreert duidelijk hoe belangrijk firstparty data kan zijn voor de allocatie van je marketingbudget en het bereiken van je businessdoelstellingen.

Reprise

Groningen
Ook aan deze case gewerkt?
  • Hiervoor moet je ingelogd zijn.
    Nog geen account? Registreer je dan nu.

Disciplines

Tags

+ Voeg case toe