Theatermarketing is een walhalla voor marketeers; klantgedrag blijkt goed voorspelbaar en zorgt voor hoge respons bij acties. Je kent ongetwijfeld de voice-over bij bankencommercials: resultaten uit het verleden zijn geen garantie voor de toekomst. Bij beleggen is dat een waarheid als een koe. Hoewel? Aandelen of beleggingsfondsen met goede resultaten in het verleden doen het in de toekomst ook vaak goed. Mits je natuurlijk die resultaten goed volgt en tijdig je strategie bijstelt. En ondanks die voice-over zegt het verleden veel over de toekomst. En niet alleen in de politiek maar ook in de marketing ‘l’histoire se répète.
Klantgedrag uit het verleden
In de theaterwereld is er in de vroege zomer altijd extra dynamiek omdat dan de programmering voor het komende seizoen beschikbaar komt.
Daaraan gaat wel een jaar van voorbereiding aan vooraf. Onderhandelingen met producenten, voorstellingen in het buitenland bezoeken, overleg met andere theaters voor gezamenlijke producties, inschatten van de markt en het continue analyseren van het klantgedrag vanuit het recente en soms ook het verre verleden etc. Doe je dat laatste goed dan levert dat opzienbarende inzichten op. Dat een jeugdvoorstelling veel ouderen trekt is nog wel te beredeneren (opa’s en oma’s die met hun kleinkinderen naar Nijntje of Kabouter Plop gaan). Maar dat je voor een opera in de ene wijk op andere variabelen segmenteert dan in een andere wijk of stad (bijvoorbeeld inkomen versus gezinsprofiel) is al een heel stuk complexer.
Het resultaat-denken is ook binnen de theaterwereld een ‘must’. Het was voorheen geen uitzondering als het gehele bezoekersbestand een seizoensbrochure werd gezonden. En daar zit natuurlijk heel veel ‘waste’ bij. Met de juiste data-analyse kun je behoorlijk exact voorspellen wie wel en wie niet in het nieuwe seizoen voorstellingen boekt. En zelfs hoeveel, hoe vaak, het soort voorstelling en welke genres. Je kunt ook inschatten wanneer men boekt en via welk kanaal (telefoon, web of aan de kassa van het theater). En dat allemaal op basis van het klantgedrag en de resultaten uit het verleden.
Heavy users
Voor het komende seizoen hebben we de nieuwe seizoensbrochure extra selectief gesegmenteerd. Uit ervaring weten we dat bepaalde bezoekers alleen tijdens de voorverkoop boeken. Andere bezoekers daarentegen kopen gedurende het hele jaar kaarten. Het klantgedrag zoals wanneer mensen boeken is dus een belangrijke segmentatievariabele. En natuurlijk geeft de data-analyse in het CRM-systeem antwoord hoeveel kaarten, voorstellingen en producties mensen boeken. Allemaal data uit het verleden. Door meerdere jaren met elkaar te vergelijken kom je tot veel inzichten, bijvoorbeeld:
- veel klanten hebben een zeer voorspelbaar gedrag
- als klanten in een seizoen niet boeken hoeven ze nog niet verloren te zijn
- met de juiste verkoopdruk kun je incidentele klanten verleiden
- klanten met het “juiste” profiel om heavy user te zijn, zullen dat nooit worden
(bijvoorbeeld bezoekers met een hoog inkomen / opleiding zijn niet per definitie fervente theaterbezoekers) - etc.
Van klanten die jaar op jaar veel voorstellingen boeken (heavy users) weet je behoorlijk zeker dat die komend seizoen ook weer boeken. Het is dus zaak deze groep extra aandacht te geven en zeker te benaderen. Extra aandacht door bijvoorbeeld ze enkele dagen eerder de mogelijkheid te geven om te boeken en dus de betere plaatsen te reserveren. En dat werkt!!! De responscijfers lopen zelfs op tot 84%.
Zeg je “da’s nogal logisch”? Dan heb je helemaal gelijk. Maar in de praktijk zie je dat het toch nog maar weinig op deze manier wordt opgepakt. Door je hele klantenbestand te mailen loopt je natuurlijk geen risico maar het kost je een vermogen wat je nog maar moet zien terug te verdienen. Er is behoorlijke durf voor nodig om het over een andere boeg te gooien En dan de grote uitdaging van de uitvoering. Denk eens aan de planning als je 10-20 doelgroepen mailt en dat elke doelgroep een eigen boodschap meekrijgt. En via meerdere communicatiekanalen. Ook de data-analyse is een uitdaging. Krijg je de juiste data uit je CRM-systeem, is het consistent en sluipen er geen fouten in de selecties? En op het moment suprême, werkt de website dan ook zodanig dat voorkeursklanten ook daadwerkelijke eerder toegang hebben tot de webshop? En hoe vang je de hausse aan telefoon en email op als mensen ‘klagen’ omdat ze de mailing en brochure niet hebben ontvangen? Tja, en dan blijkt dat ze eerder hebben aangegeven geen post en mailings te willen ontvangen. Kortom, het vereist durf om te veranderen en ‘blind’ te vertrouwen op je medewerkers en collega’s.
Long tail
De ‘long tail’ is een in de internetwereld bekend concept. Iets dergelijks zien we ook terug in theatermarketing. Met het bovenstaande richt je je op zo’n 20% van het klantenbestand. Helaas gaat de 80/20-regel niet helemaal op want dan zou je al voor de seizoenstart 80% van je kaarten hebben verkocht. Zelfs 50% is al een stevige doelstelling. Dit betekent dat gedurende het seizoen ook nog eens de helft van de kaarten moet worden verkocht. En dan zitten we in de ‘long tail’, het grote aantal klanten die incidenteel een theater bezoekt. Ook deze groep kun je in kaart brengen maar in deze groep zitten veel eenmalige klanten en van hun klantgedrag weet je niet veel. Of toch wel? Als je deze groep weer matcht met bijvoorbeeld MOSAIC (een lifestyle segmentatie-database om bijv. klantgedrag te voorspellen) dan weten we al veel meer.
De uitdaging is hier om frequent van je te laten horen. En wel gepersonaliseerd en afgestemd op het koopgedrag uit het verleden (al is dat mondjesmaat), de lifestyle-database en bijvoorbeeld demografische gegevens uit Microsoft Mappoint of het CBS. Hierbij gaat het vooral om een goede planning. Eén actie of (e)mailing is wel te doen maar per week een seizoen lang 3 acties via meerdere kanalen is geen sinecure. Maar uit de direct marketing zijn de RFM-inzichten er niet voor niets; recentheid en frequentie bepalen je toekomstige conversie en respons.
Het klantgedrag uit het verleden is dus een belangrijke voorspeller voor je respons en conversie. En misschien wel de belangrijkste voorspeller. Maar . . . wees wel creatief. Als iets niet werkt, durf dan iets anders te doen. Met internet is dat makkelijker dan offline, bijvoorbeeld door A/B-test uit te voeren. Een ding is zeker, analyse van klantgedrag uit het verleden geven je absoluut een hoge respons en ideeën voor toekomstige acties en segmentaties.
Beste Sander,
Voor mijn scriptie wil ik dit artikel als bron gebruiken, hiervoor heb ik wel een datum nodig van de publicatie. Zou je mij dit kunnen vertellen aangezien ik nergens een datum zie staan op deze website over dit artikel?!
Alvast dank!
Hoi Innes,
leuk dat je het artikel voor je scriptie kunt gebruiken. Het is oorspronkelijk gepubliceerd op 30-7-2013.
Waar gaat je scriptie over? Misschien kan ik je verder helpen met ons werk voor meerdere theaters en/of ervaringen met business intelligence en analytics.
-Sander
Hi Sander,
Bedankt voor je reactie en de datum. Mijn scriptie gaat over digitalisering van seizoensbrochures van het theater.