Samen met Solita ontwikkelde Readly een nieuwe manier om marketingbudget te optimaliseren en het geld daar in te zetten waar het leidt tot de meest efficiënte groei van abonnees. Het resultaat was een winstgevendere groeistrategie en een slimmere manier van werken die hielp om zich aan te passen aan het lastige economische klimaat.
Readly is een digitale abonnementsdienst die mensen die geïnformeerd, geïnspireerd en vermaakt willen worden, onbeperkte toegang biedt tot duizenden tijdschriften, kranten en podcasts, rechtstreeks in één app. Het bedrijf is opgericht in Zweden en is vandaag de dag marktleider in Europa op het gebied van digitale tijdschriften en kranten, met een aanbod van meer dan 7.500 titels in 17 talen. Het werkt samen met 1.200 uitgevers wereldwijd en heeft gebruikers in meer dan 50 landen.
“Readly is al een paar jaar een groeibedrijf, met hele stevige groeidoelstellingen. We hebben altijd de Lifetime Value gemeten en gebruikt als maatstaf, maar de optimalisatie van onze uitgaven en marketing was grotendeels gebaseerd op acquisitiekosten en groeidoelstellingen voor abonnees. Vooral de laatste twee jaar waren we gefocust op een verdubbeling van de jaarlijkse digitale abonneegroei en opereerden we als een groeibedrijf, dus hebben we zwaar geïnvesteerd in onze gebruikersgroei in al onze markten”, zegt Marie-Sophie von Bibra, Chief Marketing Officer bij Readly.
Verschuiving van maximale groei naar winstgevende groei
Veel groeibedrijven passen zich naar de veranderde economische omstandigheden aan door kosten te besparen en de efficiëntie te verhogen met als doel een sterke concurrentiepositie voor de toekomst op te bouwen. Dit is ook cruciaal voor Readly.
“We hebben onze focus verlegd van loutere groei naar duurzame groei om beter gepositioneerd te zijn bij het bereiken van onze financiële doelen, waaronder het bereiken van een positieve EBITDA in uiterlijk 2025. Dit betekende dat we ook moesten kijken naar het kader waarbinnen onze teams opereerden, waaronder het veranderen van Lifetime Value van een vertragingsfactor naar een lead-metric die we konden gebruiken voor optimalisatie en die onze marketing- en strategiewerkzaamheden zou sturen. We wilden overgaan van op acquisitiekosten gebaseerde groei naar een op eenheidseconomie gebaseerde manier van marketing; een evolutie en op de een of andere wijze ook een complete ommekeer van 180 graden”, zegt Marie-Sophie von Bibra.
Lifetime Value als lead metric
Readly investeert veel geld in marketing en optimaliseert haar marketinginvesteringen in correlatie met de voorspelde Lifetime Value (LTV), oftewel de waarde die een klant genereert gedurende de tijd dat de klantrelatie duurt. LTV wordt gebruikt om de waarde van een klant te berekenen, vooral in sectoren waar je de waarde van de klantrelatie niet kunt berekenen aan de hand van de eerste transactie van de klant, zoals bij abonnementsdiensten en apps.
De uitdaging is dat klanten verschillende LTV’s hebben per markt en kanalen en het risico bestaat dat de acquisitiekosten hoger zijn dan de waarde die de klant genereert. Dit heeft een negatieve impact op de eenheidseconomie. Het probleem is dat het moeilijk is om van tevoren te weten welke klanten winstgevend zullen zijn en dus welke markten en kanalen naar verwachting een hogere eenheidseconomie zullen hebben.
“Dit is een uitdaging waar veel bedrijven mee te maken hebben. Wat we samen met Readly hebben gedaan, is een model bouwen voor een voorspellende LTV. In plaats van maanden te wachten om de winstgevendheid van marketinginvesteringen op te volgen, konden we de eenheidseconomie en de verwachte winstgevendheid voor de marketinginvesteringen slechts een paar dagen na aanvang van het klanttraject voorspellen. Proactief zijn in plaats van reactief is essentieel bij zowel het experimenteren als het optimaliseren van marketinginvesteringen”, zegt Niklas Liedholm, Managing Data Scientist bij Solita en verantwoordelijk voor het project.
Het team bouwde een geavanceerde machine learning-oplossing die in staat is om de waarde van een nieuwe abonnee te voorspellen op basis van hun betrokkenheid bij de service. Het model bleek al na een paar dagen in het klanttraject accuraat in het voorspellen van de Lifetime Value. Nauwkeurigheid is echter maar één dimensie in dit soort projecten. Belangrijker is om een balans te vinden tussen de prestaties van het model en het nut van het model en hoe dat kan worden geïntegreerd in de besluitvorming.
Hogere winstgevende groei door betere besluitvorming
Het doel van het vaststellen van voorspellende LTV was het verhogen van de groei-efficiëntie. Dit hield in dat de besluitvorming op drie gebieden moest worden verbeterd: uitgaven toewijzen aan markten, kanalen en campagnes met het beste verwachte rendement, nieuwe kanalen en partnerschappen sneller evalueren en de prestaties van afzonderlijke kanalen verbeteren. Het voorspellen van LTV was slechts één aspect van het bereiken van deze doelen. Uiteindelijk vereiste het verbeteren van de besluitvorming verschillende beschrijvende, voorspellende en prescriptieve oplossingen die samen de voorspelde terugverdientijden per markt en kanaal opbouwden en weergaven op een manier die efficiënt kon worden opgenomen in de dagelijkse workflow van de medewerkers.
“Het verwachte rendement en de kosten per eenheid voor elke markt en elk kanaal werden voorspeld door de totale LTV van het cohort te combineren met de uitgaven per markt en kanaal. Het was ook belangrijk om de terugverdientijd te voorspellen. Dit werd bereikt door een LTV-model te bouwen dat de maandelijkse verwachte brutowinst voor elke klant voorspelde. Dit model verbeterde ook de monitoring en maakte het mogelijk om de opbouw van de cashflow te voorspellen, waardoor nieuwe middelen beschikbaar kwamen om te investeren in gebruikerswerving”, aldus Niklas Liedholm.
Het resultaat bleek erg succesvol.
“Predictive LTV heeft de manier waarop we de individuele kanaalstrategieën en onze marketingstrategie als geheel kunnen voorspellen, plannen en evalueren totaal veranderd. Het heeft een compleet nieuwe en zeer belangrijke laag toegevoegd aan onze marketingstrategie. We gebruiken nog steeds al onze meetgegevens van vroeger en ook alle traditionele marketing meetgegevens, maar nu hebben we deze laag van geprojecteerde LTV en respectievelijke eenheidseconomieën per markt per kanaal per week, wat een game changer is geweest”, zegt Marie-Sophie von Bibra.
Zakelijke impact door op data gebaseerde manieren van werken tussen afdelingen
Een belangrijk onderdeel van de projecten was het implementeren van een nieuwe manier van werken en deze deel te laten uitmaken van het dagelijks leven van de werknemers. Bij Readly hebben ze ervoor gezorgd dat alle teams, niet alleen het marketingteam maar ook de financiële en productteams, geïntegreerd zijn en dezelfde besluitvormingsbasis en metriek gebruiken. Op deze manier kunnen ze snel beslissingen nemen en elke dag optimaliseren naar de best presterende markten en kanalen. Hierdoor is het voor alle medewerkers duidelijker geworden dat ze aan hetzelfde doel werken en is het voor hen gemakkelijk geworden om te zien en te begrijpen hoe hun dagelijkse beslissingen bijdragen aan de bedrijfsdoelen.
“Dit nieuwe niveau van verwachte LTV heeft ons in staat gesteld om marketing- en productgegevens veel beter te verbinden met de algemene bedrijfsgegevens en daardoor betere zakelijke beslissingen mogelijk te maken in lijn met ons algemene bedrijfsdoel van duurzame en winstgevende groei. We hebben echte zakelijke impact gezien, bijvoorbeeld door onze markten anders te prioriteren op basis van de nieuwe inzichten, onze kanaalmix over markten te veranderen en kanalen en tactieken holistischer te evalueren. Nu hebben we goede vooruitgang kunnen laten zien in lijn met onze financiële doelen en dat is de weg waarop we van plan zijn door te gaan”, zegt Marie-Sophie von Bibra.
Resultaat:
– Hogere groei efficiëntie en ommekeer in verschillende markten
– Gewijzigde operationele aansturing op basis van eenheidseconomie (LTV/CAC)
– Significante LTV/CAC-verhoging wereldwijd door markt-/kanaalaanpassingen na 6 maanden
– +40-60% verbeterde kanaalwinstgevendheid binnen de belangrijkste kanalen
– Nieuwe voorspellende LTV dashboards
– Nieuw UE raamwerk & dashboards als basis voor besluitvorming
– LTV geïmplementeerd als een MLOps-proces voor geautomatiseerde bewaking, training en inzet van modellen
Technologie:
– Combinatie van beschrijvende, voorspellende en prescriptieve oplossingen
– Op AWS gebaseerde MLOps-oplossing, die honderden modellen beheert door middel van geautomatiseerde training, inzet en modelbewaking
– MLFlow, AWS ECS
– Tableau
– Python
– Snowflake
