Iedereen die het formulier op Geld.nl invulde, behoorde tot onze doelgroep. Binnen die doelgroep zat echter ook het probleem: onder die ‘leads’ zijn veel mensen die een financieel product aanvragen maar voor de aanbieders in feite waardeloos zijn. En dus zonde van de tijd, moeite en vooral investering. Daarom kenden wij punten toe aan alle variabelen van het invulformulier op Geld.nl, van het gewenste financiële product (10 variabelen) en het gewenste leenbedrag, tot geboortedatum (15 leeftijdsgroepen), gezinssituatie (4 variabelen), woonsituatie (3 variabelen) en werksituatie (12 variabelen). De combinatie van variabelen bepaalde hoe interessant wij deze persoon vonden. Een BKR-registratie of werkeloosheid maakte de waarde van de aanvraag bijvoorbeeld al 0. Andersom maakten kenmerken als een eigen huis of vaste baan de conversie juist relevant en waardevol. In totaal praten we over 21.000 mogelijke combinaties.
En toen? Toen was het zaak om deze waardes om te zetten in een strategie. Precies díe tool ontbrak nog in het digital marketinglandschap, dus bouwden we hem gewoon zelf! Wij ontwikkelden het Automated Lead Potential Scoring Algorithm™, kortweg ALPSA™. Met ALPSA™ gaven we betekenis aan het puntentotaal van een ingevuld formulier, opgebouwd uit alle mogelijke variabelen en de historische waarde van offertes die we uit het CMS van Geld.nl haalden. Daarbovenop een uitgekiend gewicht per variabele (ons geheim van de chef) en zo ontstond voor iedere lead de ALPSA™ Value, oftewel een Potential Lead Value. Een volledig geautomatiseerd algoritmisch systeem.
Door een datalayer.push op de website te plaatsen en zo de variabelen te beheren, verliep de implementatie vlekkeloos. De verkregen ALPSA™ Value schoten we met de enhanced e-commerce module via Google Tag Manager naar Google Analytics. Bijkomend voordeel was dat we zagen wát die klant in zijn ‘winkelwagen’ had: het gaf ons de informatie welke combinaties van variabelen de beste zijn. Zo benaderden we een profielschets van ‘de perfecte klant’, gebaseerd op al die 21.000 mogelijke combinaties en de historische waarde uit het CMS.
Met de perfecte datasets in handen schoten we onze informatie naar de social channels, Google Ads en e-mail. Daar voeden we de algoritmes met relevante waardes, zodat zij steeds beter leerden wie interessant is voor Geld.nl. Daarbovenop gebruikten we de datasets voor targeting en re-targeting: we maakten look-a-like profielen van waardevolle personen en sloten personen uit die we níet wilden hebben.