Achtergrond
Als onderdeel van Rabobank, krijgt online kredietverstrekker Freo dagelijks een groot aantal aanvragen voor een lening binnen en in 2018 begon Freo dan ook te experimenteren met Smart Bidding. Freo hanteerde hierbij de aanvraag van een lening als uitgangspunt. Dit klinkt misschien logisch voor een kredietverstrekker als Freo, maar dit is het niet direct als je bedenkt dat een groot aandeel van de aanvragen voor een lening (om meerdere redenen) uiteindelijk niet resulteert in het daadwerkelijk afsluiten van een lening. Daarbij werd aan iedere aanvraag, ongeacht de hoogte van de lening en andere relevante variabelen, dezelfde waarde toegekend door het Smart Bidding algoritme. Zo werd er bijvoorbeeld relatief veel waarde toegekend aan lage leenaanvragen, omdat deze eenvoudiger waren te realiseren. Echter, worden juist deze leenaanvragen procentueel gezien vaker afgekeurd, waardoor het afkeuringspercentage nóg verder steeg.
De gehanteerde Smart Bidding strategie werkte soms dus zelfs averechts en daarom ging Freo op zoek naar een oplossing waarbij een nauwkeurige inschatting van de waarde van een aanvraag kon worden gemaakt, zodat de Smart Bidding strategie hier op kon worden afgestemd. Deze oplossing werd gevonden door zoals Google zei ‘the best of both worlds’ te combineren en zodoende 1st party data van Freo op het diepst mogelijke niveau te koppelen ten behoeve van de aansturing van Smart Bidding. In deze case lees je hoe dat proces ondanks alle complicerende factoren precies in zijn werk ging.
Uitdagingen
De oplossing voor het vraagstuk leek in eerste instantie simpel. Er zou een backoffice koppeling kunnen worden gemaakt waarin alle aanvragen van A tot Z werden gevolgd en Freo zodoende kon optimaliseren op basis van voortschrijdend inzicht. In de praktijk ligt dit iets gecompliceerder want:
- Een backoffice koppeling is niet 1,2,3 gemaakt;
- Met een backoffice koppeling heb je nog geen unieke identifier in je CRM om conversies aan te passen in Google Ads;
Maar het werd nóg complexer. De eindstatus van een lening welke vandaag is aangevraagd is veelal pas over zes weken definitief. Met een hoog afhaakpercentage is dit net een potje Russische roulette. Als klap op de vuurpijl gaf Google aan niet om te kunnen gaan met het hoge ‘correctiepercentage’ binnen het Smart Bidding algoritme en de eerder genoemde zes weken.
Strategie
Al met al had Freo dus te maken met heel wat complicerende factoren. Al gauw kwam Freo tot de conclusie dat elke aanvraag samengaat met vele, bij Freo bekende, variabelen die impact hebben op de waarschijnlijkheid dat een aanvraag een contract wordt. Voorbeelden van deze variabelen zijn:
- Hoogte van de lening aanvraag;
- Geslacht en leeftijd van de aanvrager;
- Het leendoel;
- Inkomsttype;
- Burgerlijke staat
Op basis van deze voorspellende data heeft Marketing Sciences (IPG Mediabrands) een voorspellend model gemaakt waarin inzichtelijk werd wat de invloed van de verschillende variabelen was op de conversie. Dit model is uitvoerig getest en bleek in maar liefst 85% van de gevallen een correcte schatting van de eindstatus te kunnen geven. Dit betekende een echte doorbraak in het proces!
Implementatie
Nu was het zaak om deze formule zo toe te passen dat er voor iedere afzonderlijke aanvraag een schatting van de waarde kon worden gemaakt. Hier kwam bGenius om de hoek kijken. Om over te stappen op een ROAS Smart Bidding strategie heeft Freo voor elke aanvraag de GCLID afgevangen en deze, via het CRM, doorgestuurd. bGenius maakt op basis van alle unieke variabelen dagelijks voor alle aanvragen een berekening en de geschatte waarde van de aanvraag naar Google Ads. Tussen week vier en week zes zal deze schatting worden omgezet naar de daadwerkelijke waarde.
Resultaat
Met deze case heeft Freo 1st party data weten te activeren op het diepst mogelijke niveau in combinatie met de smart solutions van Google. Hierdoor kan Freo vandaag aansturen op data uit de toekomst. En dat is uniek, want geen enkele andere API partner kan auction level bidding ondersteunen. Waar we voorheen voor iedere aanvraag een CPA-doel aanhielden, sturen we nu aan op de daadwerkelijke marge per aanvraag. Hiermee zijn we in staat de kosten (CPA) beter te beheersen. Het voorspellende search framework betekent een doorbraak voor (financiële) dienstverleners die ook dergelijke lange doorlooptijden kennen en zal helpen bij het zo efficiënt mogelijk besteden van Search budget.