Machine learning is al jaren zijn weg aan het vinden in digitale marketing. Ik (Arthur) – en mijn collega’s bij Booosters for Jobs – maak daarom ook al jaren gebruik van machine learning binnen de campagnes gericht op arbeidsmarktcommunicatie. De term machine learning wordt al lang niet meer alleen door computernerds gebruikt, maar meer en meer door (online) marketeers. In dit blog leg ik uit waarom we niet meer om machine learning heen kunnen. Ook krijg je een exclusief inkijkje in de opbouw van onze arbeidsmarktcommunicatie-campagnes en laat ik zien hoe we hierdoor meer potentiële kandidaten vinden voor jouw vacatures!
Wat is machine learning?
Voordat we kijken hoe we machine learning kunnen inzetten voor het vinden van die ene perfecte kandidaat middels Google Ads of Facebook Ads, behandelen we eerst de definitie van machine learning:
Machine learning is een vorm van kunstmatige intelligentie (Artificial Intelligence, AI), die gericht is op het bouwen van systemen. Deze systemen kunnen veel data verwerken en daar vervolgens van ‘leren’, met als doel betere prestaties (bijvoorbeeld van campagnes).
Wat betekent dit voor openstaande vacatures die je graag ingevuld ziet?
Online campagnes genereren gigantisch veel gegevens over jouw potentiële kandidaten, oftewel data.
Data van gebruikers die interactie hebben met je vacature-advertenties, data van gebruikers die de vacaturepagina gelezen hebben, data van gebruikers die meer over jullie organisatie te weten zijn gekomen en zelfs data van gebruikers die je vacature helemaal niet interessant vinden. Er is eigenlijk zo gigantisch veel data beschikbaar, dat we vaak niet eens weten wat we ermee moeten. Dit is de voornaamste reden om gebruik te maken van machine learning in arbeidsmarktcommunicatie-campagnes. Met machine learning is het namelijk mogelijk om enorme hoeveelheden data veel sneller en effectiever interpreteren. Hierdoor zijn we in staat om sneller potentiële kandidaten te vinden voor jouw openstaande vacature.
Zo gebruiken wij machine learning voor een booost van jouw arbeidsmarktcommunicatie-campagnes
We ontwikkelen campagnes waarbij we een brede doelgroep aanspreken. Aan deze brede doelgroep laten we jouw vacature zien, om vervolgens zoveel mogelijk bezoekersgedrag te verzamelen. Op basis hiervan creëren we nieuwe doelgroepen van bezoekers die kwalitatief gedrag vertonen. Denk aan: een scrolldiepte op de vacaturepagina van 80%, of een paginatijd van meer dan een minuut. Middels machine learning laten we het advertentieplatform op zoek gaan naar meer van dit soort potentiële kandidaten.
Ik kan begrijpen dat dit misschien wat vragen oproept. Want hoe werkt dat nou concreet? Ik neem je hieronder stap voor stap mee in de opbouw van onze campagnes.
Stap 1: data inzichtelijk maken
Google Analytics zorgt er standaard voor dat veel bezoekersgedrag/data op jouw website gemeten wordt (als je dit nog niet geïmplementeerd hebt: echt zo snel mogelijk doen). Ook de standaard Facebook Pixel verzameld standaard gedrag zoals interactie met je advertenties, hoeveel seconden van je video’s zijn bekeken en meer.
De standaard metingen van deze platformen zijn voor een succesvolle inzet van machine learning nog lang niet genoeg. Doorgaans verkrijg je op deze manier niet voldoende informatie om te bepalen in welke fase van de candidate journey jouw doelgroep zich bevindt. Het is vaak niet duidelijk wanneer een bezoeker wel relevant is geweest en wanneer niet. Om hier een goed beeld van te krijgen, stellen we micro- en macro conversies in, afhankelijk van het type organisatie en doel. Dit doen we altijd via Google Tag Manager.
Voorbeelden van micro conversies om te achterhalen of een gebruiker kwalitatief gedrag heeft vertoond n.a.v. vacatures zijn:
- Interacties met je advertentie op bijvoorbeeld social media (doorgeklikt naar je Facebook pagina, X aantal seconden van je vacature video bekeken).
- Vacaturepagina gelezen aan de hand van scrolldiepte.
- Meer te weten zijn gekomen over je organisatie (door bijvoorbeeld door te klikken op de website of het bekijken van jullie bedrijfsvideo).
- Vragen over de vacature die worden gesteld middels een livechat.
Voorbeelden van macro conversies zijn:
- Ingevuld vacature-formulier.
- Klikken op het e-mailadres.
- Klikken op het telefoonnummer.
Stap 2: doelgroeplijsten opzetten op basis van kwalitatief gedrag
Zodra relevant bezoekersgedrag gemeten wordt, is het tijd om alvast doelgroeplijsten aan te maken. Deze lijsten zijn gebaseerd op kwalitatief bezoekersgedrag. We richten lijsten in op basis van zoveel mogelijk verschillende micro- en macro conversies. Hierdoor kunnen doelgroeplijsten oplopen tot honderden lijsten per account in Facebook. In Google Analytics kunnen dit er helaas maar maximaal 20 zijn.
Het is belangrijk om zoveel mogelijk doelgroepen te maken van het kwalitatief gedrag, van micro – tot macro conversies. Micro conversies worden veel sneller gegenereerd. Dat betekent dat doelgroeplijsten sneller gevuld worden en uiteindelijk ook sneller gebruikt kunnen worden in campagnes.
Voorbeelden van doelgroepen die wij doorgaans maken:
- Gebruikers die de vacature gelezen hebben.
- Gebruikers die interactie hebben gehad met je advertentie.
- Gebruikers die je vacaturevideo hebben bekeken.
- Gebruikers die de bedrijfsvideo op de website hebben bekeken.
- Gebruikers die de werken-bij of over ons pagina hebben gelezen.
Stap 3: Een brede doelgroep bereiken en data verzamelen
Om doelgroeplijsten te vullen is uiteraard advertentiegedrag en websitebezoek nodig. Door relevante displaycampagnes via Google of social media en Google zoekcampagnes in te zetten, kunnen we snel doelgroepen vullen. Hierbij geldt: hoe meer budget, hoe sneller we doelgroepen kunnen vullen.
Een veelgemaakte fout bij het opzetten van displaycampagnes is om deze gelijk al ultra relevant in te richten. Displaycampagnes zetten we juist relatief breed in, om zoveel mogelijk data van verschillende gebruikers te verzamelen.
Stap 4: Machine learning voor je laten werken
Eindelijk is het zover! Tijd om gebruik te maken van machine learning van advertentieplatformen zoals Facebook en Google. We hebben enorm veel data verzameld door het gedrag van advertenties en het bezoekersgedrag op de website te verzamelen. Bij de genoemde advertentieplatformen hebben we de mogelijkheid om soortgelijke mensen te zoeken middels machine learning: namelijk door vergelijkbare doelgroepen te maken. ‘Vergelijkbare doelgroepen’ is een targetingfunctie op Google en social media die gebaseerd is op lijsten met verzamelde, kwalitatief bezoekersgedrag. Hiermee kunnen we nieuwe gebruikers bereiken die vergelijkbaar zijn met het kwalitatieve gedrag zoals gedefinieerd in de eerder ingestelde doelgroeplijsten.
Eigenlijk kun je het dus als volgt zien. We zeggen tegen de platformen: “alsjeblieft, we hebben voor jullie veel data van gebruikers die kwalitatief gedrag hebben vertoond op onze website en socialmedia-kanalen. Wij zijn op zoek naar meer van dit soort gebruikers. Dit zouden namelijk potentiële kandidaten voor onze vacatures kunnen zijn. Gebruik de data van al jullie gebruikers en match dat met onze data, om zo de gebruikers te vinden die onze vacatures waarschijnlijk ook interessant vinden.”
Zoek en gij zult (de potentiële kandidaten) vinden
Voor ons is het duidelijk: met machine learning zijn wij in staat om meer potentiële kandidaten te vinden voor jouw openstaande vacatures. Bedrijven als Google en Facebook beschikken over gigantisch veel data van hun gebruikers. Maak hier slim gebruik van met machine learning. Wij helpen je graag!
