{"id":69268,"date":"2023-12-03T15:31:55","date_gmt":"2023-12-03T15:31:55","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=cases&#038;p=69268"},"modified":"2025-06-04T11:24:50","modified_gmt":"2025-06-04T10:24:50","slug":"conforama-ai-enabled-personalization-boosts-conforama-crm-campaign-revenues","status":"publish","type":"cases","link":"https:\/\/www.artefact.com\/nl\/cases\/conforama-ai-enabled-personalization-boosts-conforama-crm-campaign-revenues\/","title":{"rendered":"<span class=\"highlight\"> CONFORAMA <\/span> AI-ondersteunde personalisatie verhoogt inkomsten uit CRM-campagnes van Conforama"},"content":{"rendered":"<p>WATCH : Conforama gaat met succes over op een meer gestroomlijnde en effici\u00ebnte cross-channelstrategie door een AI-oplossing voor gepersonaliseerde productaanbevelingen te integreren.<\/p>\n<p style=\"text-align: center;\"><iframe title=\"YouTube videospeler\" src=\"https:\/\/www.youtube.com\/embed\/3bz_QjikNLU?si=YdZ0EWvtNfcsHE2X\" width=\"560\" height=\"315\" frameborder=\"0\" allowfullscreen=\"allowfullscreen\"><\/iframe><\/p>\n<p>Conforama is <strong>de op \u00e9\u00e9n na grootste verkoper van woninginrichting in Frankrijk<\/strong> en is aanwezig in zeven landen, met 300 winkels, waarvan 200 in Frankrijk.\u00a0<a href=\"https:\/\/www.conforama.fr\/\" target=\"_blank\" rel=\"noopener\">Het bedrijf<\/a>\u00a0verkoopt meubels en decoratieve artikelen in kitvorm en boekte in 2022 een omzet van 1,7 miljard euro.<\/p>\n<p>Als gateway-merk heeft Conforama als doel om \u201ctoegankelijk te maken wat mensen het liefst willen tegen de beste prijs\u201d. Deze ambitie wordt ondersteund door een transformatie <strong>plan om een omnichannel ervaring te leveren via data en AI<\/strong>. Een eerste controle en data marketing visie met\u00a0<a href=\"https:\/\/www.artefact.com\/nl\/\">Artefact<\/a>\u00a012 use cases en 25 technische en organisatorische enablers ge\u00efdentificeerd en geprioriteerd. De eerste use case was het integreren van een gepersonaliseerde productaanbeveling in de wekelijkse e-mails van het bedrijf.<\/p>\n<p><strong>In deze use case moesten verschillende uitdagingen worden aangepakt:<\/strong><\/p>\n<ul>\n<li>Hoe de behoeften van drie miljoen klanten te begrijpen en de meest relevante producten uit een catalogus met 42.000 referenties aan te bevelen?<\/li>\n<li>Hoe kan ik alleen producten voorstellen die op dat moment op voorraad zijn, gepromoot worden en nog niet aan klanten zijn voorgesteld?<\/li>\n<li>Hoe kunt u de technische oplossing gemakkelijk bedienen en onderhouden?<\/li>\n<\/ul>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Consumenten tijd besparen, bedrijfsproductiviteit verbeteren<\/h2>\n<p>Door algoritmen voor machinaal leren te gebruiken om data van gebruikers te analyseren, zoals voorkeuren, aankoopgeschiedenis en online gedrag, suggereert artificial intelligence-gebaseerde productaanbeveling producten die relevant zijn voor consumenten op een gepersonaliseerde manier. Hierdoor kunnen bedrijven de behoeften van hun klanten beter begrijpen en producten aanbevelen die bij hun interesses passen, wat resulteert in een hogere verkoop en klantenbinding.<\/p>\n<p>Een van de belangrijkste voordelen van deze oplossing is dat het klanten tijd bespaart. In plaats van door ontelbare productpagina's te scrollen om te vinden wat ze zoeken, hebben klanten snel toegang tot een selectie aanbevolen producten die specifiek aan hun behoeften voldoen. <strong>Op AI gebaseerde productaanbevelingen kunnen de online winkelervaring verbeteren<\/strong> en klanten aanmoedigen om terug te komen voor meer aankopen. Een strategisch voordeel, aangezien 72% van de consumenten alleen interactie heeft met marketingboodschappen die gepersonaliseerd zijn en op hun interesses zijn afgestemd.<\/p>\n<p>Daarnaast, <strong>Op AI gebaseerde productaanbevelingen kunnen de productiviteit van bedrijven verhogen<\/strong>: algoritmen voor machinaal leren kunnen grote hoeveelheden data in realtime analyseren, waardoor bedrijven voortdurend klantentrends en koopgedrag kunnen volgen. Dit kan organisaties helpen om de wensen van de klant beter te begrijpen en hun productaanbod snel hierop aan te passen. Het kan bedrijven ook in staat stellen om hun inventaris te optimaliseren door producten aan te bieden die meer kans hebben om verkocht te worden, wat de kosten kan verlagen en de winst kan maximaliseren.<\/p>\n<p>Tot slot kunnen op AI gebaseerde productaanbevelingen aanzienlijke zakelijke voordelen bieden. Door relevante en gepersonaliseerde producten aan klanten voor te stellen, kunnen bedrijven hun conversiepercentage verbeteren, de verkoop verhogen en hun merkimago versterken. Vanuit marktperspectief is aangetoond dat op AI gebaseerde productaanbevelingen +2,5% incrementele groei opleveren.<\/p>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Een eerste use case gericht op personalisatie van e-mailcampagnes<\/h2>\n<p>V\u00f3\u00f3r dit project ontvingen alle klanten van Conforama e-mails met dezelfde acht producten die elke week door de marketingteams werden geselecteerd. Dit was een arbeidsintensieve taak, omdat de acht producten moesten worden ge\u00efdentificeerd die waarschijnlijk drie miljoen klanten zouden interesseren, die allemaal unieke interesses hadden. Al deze tijd die besteed werd aan het analyseren van data had besteed kunnen worden aan meer strategische activiteiten, zoals het cre\u00ebren van redactionele inhoud voor die e-mails.<\/p>\n<p>Vandaag de dag wordt er elke dinsdag naar elke klant van Conforama een e-mail gestuurd met acht productaanbevelingen. Maar deze aanbevelingen zijn gepersonaliseerd op basis van de aankoopgeschiedenis, en worden uitsluitend gefilterd op producten die in de aanbieding zijn, in de winkel verkrijgbaar zijn, en die nog niet in eerdere activeringen aan bod zijn gekomen.<\/p>\n<p><strong>De ge\u00efmplementeerde AI-oplossing omvat 4 belangrijke data verwerkingsstappen:<\/strong><\/p>\n<ul>\n<li>Verzamelen van transactiehistories, klant- en productreferenties, vervolgens data voorbereiden;<\/li>\n<li>Bouwen van het \u201cCollaborative Filtering\u201d model om de appetijt van klanten voor de productcatalogus te berekenen;<\/li>\n<li>Filtering van producten op basis van beschikbare inventaris, commercieel nieuws (verkoop, promoties, enz.), eerdere activeringen en aankopen;<\/li>\n<li>Product data verrijking (foto's, prijzen, beschrijvingen, enz.) voor activering.<\/li>\n<\/ul>\n<p>Deze oplossing is gebaseerd op 16 data tabellen, 25 transformatie- en modelleerstappen en 40 geautomatiseerde kwaliteitstesten. Tientallen iteraties van het model maakten het mogelijk om de meest effici\u00ebnte aanpak te kiezen op basis van de transactiegeschiedenis. <strong>Dankzij deze oplossing genereert Conforama nu elke week enkele miljoenen aanbevelingen in 45 minuten tegen een kostprijs van 50 euro per week.<\/strong><\/p>\n<p>Met andere woorden, als u de ontwikkelings- en bedrijfskosten en de incrementele verkoop meetelt, wordt het break-even punt van het project in \u00e9\u00e9n week bereikt, met een geautomatiseerde en betrouwbare oplossing.<\/p>\n<blockquote><p>\u201cTijdsbesparing, ja, maar vooral een zakelijk voordeel voor onze CRM-teams. Want dankzij deze personalisatie klikken klanten meer en kopen ze dus meer. We hebben 15% van het klikpercentage gewonnen na het personaliseren van deze e-mails, wat neerkomt op enkele miljoenen aan extra verkoop.\u201d<br \/>\nM\u00e9lodie Charles, Marketingdirecteur Conforama<\/p><\/blockquote>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Een soepele overgang naar AI: lessen uit het succesverhaal van Conforama<\/h2>\n<div class=\"fusion-text fusion-text-9\">\n<p>Voor veel spelers zijn er drie uitdagingen die verband houden met hun maturiteitsniveau:<\/p>\n<\/div>\n<ul>\n<li>Niveau 1: Personaliseer een touchpoint dat momenteel op regels is gebaseerd met behulp van een AI-algoritmische aanpak;<\/li>\n<li>Niveau 2: Op AI gebaseerde gepersonaliseerde aanbevelingen uitbreiden over het hele klanttraject (vergelijkbare producten \/ complementaire producten \/ suggesties op basis van aankoopgeschiedenis);<\/li>\n<li>Niveau 3: De orkestratie van aanbevelingen over kanalen heen optimaliseren om een omnichannelervaring te garanderen.<\/li>\n<\/ul>\n<p>Niveau 1 is vaak het moeilijkst, omdat hiervoor de basis moet worden gelegd voor vier afzonderlijke dimensies: doelvisie, gebruikerservaring en prioriteiten; data bronnen; technologische hulpmiddelen; projectteam en werkmethode.<\/p>\n<p>Het voorbeeld van Conforama biedt waardevolle lessen over deze vier dimensies:<\/p>\n<ul>\n<li>Selecteer een eerste use case en functionaliteiten die snel ge\u00efmplementeerd en gemeten kunnen worden om de organisatie op weg te helpen naar succes. Deze eerste overwinning betekent bijvoorbeeld dat Conforama nu de inzet van productaanbevelingen in winkels kan plannen of de verbetering van hun algoritme dankzij het browsen van data.<\/li>\n<li>Zorg ervoor dat de data betrouwbaar is. Goede data modellering is in de eerste plaats afhankelijk van een goede kwaliteit data. Voor Conforama werden verkennende analyses uitgevoerd op meer dan 50 tabellen om data-bronnen te selecteren op gebieden zoals klantenkennis, productopslagplaatsen en transacties.<\/li>\n<li>Gebruik technologie\u00ebn waarmee teams snel en gezamenlijk een technische oplossing kunnen implementeren. Conforama selecteerde de meest geschikte tools voor dit type workflow: DBT, BigQuery ML en Vertex AI vanwege hun prestaties, modulariteit en overdraagbaarheid.<\/li>\n<li>Een toegewijd team samenstellen dat in staat is om alle potenti\u00eble problemen aan te pakken, en een aanpak van testen en leren hanteren. Hiervoor werd een multidisciplinair IT \/ Conforama business team gevormd, en werd een 2-weekse sprint-aanpak aangenomen.<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>Conforama gaat met succes over op een meer gestroomlijnde en effici\u00ebnte cross-channelstrategie door de integratie van een AI-oplossing voor ...<\/p>","protected":false},"featured_media":69798,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"categories":[91],"class_list":["post-69268","cases","type-cases","status-publish","has-post-thumbnail","hentry","category-retail"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/cases\/69268","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/cases"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/cases"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/69798"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=69268"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/categories?post=69268"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}