NL
Verbind je AI-agent

Voeg Hello Retail toe aan je AI-assistent

Voor klanten van Hello Retail: Kopieer het adres en voeg het toe als connector in Claude, ChatGPT of Codex.

MCP-adres

https://core.helloretail.com/mcp

Nog geen klant?De MCP werkt met een Hello Retail-login. Vertel ons wat je wilt bouwen.

Laten we praten
Laten we praten

Chapter: Voorspellende analyses in Klaviyo · 17:28

Voorspellende analyses in Klaviyo: Gedragsgegevens gebruiken om e-mails op het juiste moment te versturen en op de juiste doelgroep te richten

Rasmus Leth Skjoldan·May 18, 2026·5 min read

Predictive analytics in Klaviyo genereert vier scores per contact – verwachte besteldatum, klantwaarde over de hele levenscyclus, risico op klantverloop en tijd tussen bestellingen – die retentiemarketeers gebruiken om te bepalen wie welke e-mail krijgt en precies wanneer. De modellen worden continu bijgewerkt naarmate het klantgedrag verandert, waardoor een statische contactlijst verandert in een dynamisch overzicht van intenties en risico’s. Voor merken die op grote schaal lifecycle-e-mails versturen, maken deze scores het verschil tussen gissen naar de frequentie en handelen op basis van signalen.

Hoe een taalkundige uitlegt waarom voorspellende modellen belangrijk zijn

Anna Sophie Christensen, hoofd E-mailmarketing & Klantbehoud bij FABO en een Klaviyo-communitychampion, zegt dat haar analytische instinct teruggaat naar de vervoeging van Spaanse werkwoorden. “Je hebt één werkwoord en dat kun je op duizend verschillende manieren vervoegen, afhankelijk van de zin waarin het voorkomt,” legt ze uit. De regels en dynamiek van die complexiteit fascineerden haar enorm, en ze ziet die fascinatie als het startpunt voor de analytische manier van denken die ze nu toepast in e-mailmarketing.

Die invalshoek is belangrijk, want de voorspellende tools van Klaviyo draaien in wezen om regels en dynamiek. De machine learning van het platform schat de volgende besteldatum, de verwachte omzetbijdrage en de kans op klantverloop per contactpersoon. Die voorspellingen hebben dezelfde structuur die Anna Sophie zo boeiend vond in het Spaans: Contextgebonden, gelaagd en alleen nuttig als je begrijpt wat het model eigenlijk doet.

Haar opleiding bestaat uit een bachelor- en masterdiploma op het gebied van zowel MVO als bedrijfscommunicatie, inclusief technische ervaring met het opzetten van een cursusplatform. Die combinatie van analytische scherpzinnigheid, communicatieve vaardigheden en technische kennis zorgt ervoor dat haar kijk op de voorspellende functies van Klaviyo echt diepgaand is, in plaats van oppervlakkig.

Wat de voorspellende analyses van Klaviyo eigenlijk in kaart brengen

Klaviyo’s predictive analytics genereert vier kernscores voor elk contact, die allemaal dynamisch worden bijgewerkt naarmate het gedrag van de klant verandert:

  • Verwachte besteldatum: Een schatting van wanneer een klant waarschijnlijk zijn volgende aankoop zal doen, gebaseerd op eerdere aankoopfrequentie en recente signalen van betrokkenheid.
  • Customer Lifetime Value (CLV): Een prognose van de omzet die een klant naar verwachting zal genereren gedurende de gehele looptijd van de relatie.
  • Churn-risicoscore: De kans dat een klant niet meer iets koopt, afgeleid uit gedragssignalen zoals het afbreken van het browsen, het niet meer reageren op e-mails en steeds langere tussenpozen tussen aankopen.
  • Gemiddelde tijd tussen bestellingen: De verwachte frequentie tussen de aankopen van een klant, die wordt gebruikt om het juiste tijdvenster vast te stellen voor herbestellingsherinneringen, terugwinningscampagnes en e-mails over het klaarmaken van de voorraad.

Wat deze scores zo handig maakt voor klantbehoud, is dat ze de vraag verschuiven van “wie staat er op deze lijst?” naar “in welke fase zit deze specifieke klant, en wat betekent dat voor wat we hem of haar vervolgens sturen?” Het werk van Anna Sophie bij FABO draait precies daar om: De levenscyclusfase als leidraad, met voorspellende signalen als input.

Voorspellende AI versus generatieve AI in Klaviyo

Klaviyo gebruikt ‘AI’ nu als overkoepelende term voor twee heel verschillende functies, en als je die door elkaar haalt, krijg je de verkeerde evaluatievragen.

Voorspellende AI (het onderwerp van dit artikel) analyseert historische en gedragsgegevens om een specifieke uitkomst voor een specifieke klant te voorspellen: Wanneer die de volgende bestelling plaatst, hoeveel die op termijn waard is, hoe groot de kans is dat die weggaat. Het geeft een getal of een datum weer. Het genereert niets wat een klant daadwerkelijk leest.

Generatieve AI-technologie in Klaviyo (onderwerpregels, het opstellen van e-mailteksten, het maken van afbeeldingen met Image Remix) maakt nieuwe content op basis van een prompt. Het weet niet wat de verwachte besteldatum of het verlooprisico van een specifieke contactpersoon is, tenzij die gegevens expliciet in de prompt worden ingevoerd.

Die twee doen verschillende dingen. Voorspellende scores bepalen wie er een e-mail krijgt en wanneer. Generatieve tools helpen bij het opstellen van de inhoud van die e-mail. Een workflow voor het risico op klantverloop, die wordt geactiveerd door een voorspellende score, kan generatieve AI gebruiken om de tekst voor het terugwinnen van klanten op te stellen, maar de triggerlogica en het opstellen van de tekst zijn aparte systemen die aparte problemen oplossen. Teams die ‘Klaviyo AI’ evalueren, moeten zich afvragen welke van de twee mogelijkheden een bepaalde functie daadwerkelijk biedt, aangezien de marketing van leveranciers beide vaak als ‘AI-aangedreven’ bestempelt zonder onderscheid te maken.

Segmenten samenstellen op basis van voorspellende scores

Voorspellende scores zijn pas echt de moeite waard als ze worden omgezet in segmenten waarop flows en campagnes zich kunnen richten. Klaviyo ondersteunt voorspellende analyse-eigenschappen als segmentvoorwaarden, en vier patronen doen het grootste deel van het werk op het gebied van klantbehoud:

  • Verwacht verloop. Filter contacten waarvan de verlooprisicoscore boven een drempelwaarde ligt en waarvan de laatste bestelling buiten de gemiddelde herbestellingsperiode van het account valt. Dit segment wordt gebruikt voor een retentiestrategie voordat de klant bewust heeft besloten om weg te gaan.
  • Binnenkort een bestelling plaatsen. Filter op de verwachte datum van de volgende bestelling, die binnen de komende 3-7 dagen valt. Handig als een kleine herinnering of een duwtje in de rug om je voorraad aan te vullen, in plaats van een korting, aangezien het model toch al een aankoop verwacht.
  • Hoge voorspelde CLV, lage betrokkenheid. Door de klantlevenscycluswaarde te combineren met e-mailbetrokkenheid kom je waardevolle klanten tegen die stilletjes hun interesse verliezen – een groep die je beter prioriteit kunt geven dan brede terugwinningscampagnes.
  • Achterstand ten opzichte van hun eigen ritme. Door de tijd die sinds de laatste bestelling is verstreken te vergelijken met de gemiddelde tijd tussen bestellingen van die contactpersoon, kun je afwijkingen ten opzichte van het normale gedrag van die klant opmerken.

Hoe het in de praktijk werkt: Voorspellende kenmerken worden segmentvoorwaarden, het behoren tot een segment zet een flow in gang, en de berichten in die flow sluiten aan bij de reden waarom de contactpersoon in aanmerking kwam. Een contact dat is gesegmenteerd op basis van het risico op klantverloop zou niet hetzelfde bericht moeten krijgen als een contact dat is gesegmenteerd op basis van de voorspelde besteldatum. Door voorspellende eigenschappen te combineren (bijvoorbeeld een hoge CLV en een stijgend risico op klantverloop) krijg je scherpere segmenten dan met één enkele score alleen.

Waarom timing de echte sleutel is

Bij ‘batch-and-blast’-e-mails wordt een klant die al 12 maanden niets meer van je heeft gehoord op precies dezelfde manier behandeld als iemand die gisteren nog iets heeft gekocht. Voorspellende analyses doorbreken dat patroon door de timing af te stemmen op individueel gedrag in plaats van op een algemene campagnekalender.

McKinsey’s 2021 research on personalization bleek dat 76% van de consumenten eerder geneigd is om bij merken te kopen die personalisatie toepassen, en dat bedrijven die personalisatie op grote schaal toepassen hun omzet met 5 tot 15% kunnen verhogen. Dit klopt echter alleen als de timing deel uitmaakt van de personalisatie. Een relevante e-mail die op het verkeerde moment in de klantcyclus wordt verstuurd, levert nog steeds te weinig resultaat op.

De voorspelde besteldatum maakt mogelijk waar Anna Sophie’s werk bij FABO om draait: Processen die in gang worden gezet op basis van waar elke klant zich in zijn aankoopcyclus bevindt, in plaats van waar het merk zich in zijn contentkalender bevindt. Een klant waarvan wordt voorspeld dat hij binnen 48 uur iets gaat kopen, heeft misschien helemaal geen promotioneel duwtje in de rug nodig. Iemand wiens risico op wegvallen een belangrijke drempel heeft overschreden, heeft iets heel anders nodig – en waarschijnlijk iets substantieels dan alleen een korting.

Dat onderscheid is belangrijk, want het verandert wat ‘een goede e-mail’ precies inhoudt. Timing is net zo goed een creatieve keuze als een technische. Dankzij Anna Sophie’s analytische instinct – dat ze heeft ontwikkeld door jarenlang te werken met systemen waarin de context de vorm bepaalt – kan ze voorspellende resultaten gebruiken als input voor het daadwerkelijke ontwerp van de workflow, in plaats van ze te zien als loze statistieken op een dashboard.

Het risico op klantverloop als signaal voor klantenbinding

Het beoordelen van het risico op klantverloop verandert de aanpak van klantenbinding aanzienlijk. In plaats van elk kwartaal terugwinningscampagnes te voeren gericht op een statisch segment van ‘voormalige klanten’, kunnen teams die voorspellende analyses gebruiken eerder ingrijpen – namelijk wanneer het model een gedragsverandering signaleert nog voordat een klant technisch gezien is weggevallen.

Salesforce’s State of the Connected Customer (2023) bleek dat 88% van de klanten zegt dat de ervaring die een bedrijf biedt net zo belangrijk is als de producten zelf. Voor retentieteams geeft dat een nieuwe invulling aan het terugwinnen van klanten: Het is meer een kwestie van relevantie dan van kortingen. De klant is afgehaakt omdat er iets niet goed ging. Vroege signalen van klantverloop geven retentieteams genoeg tijd om dat daadwerkelijk te achterhalen – in plaats van zomaar 10% korting te geven aan iemand die al maanden geleden zijn interesse verloor.

Anna Sophie’s focus bij FABO op triggerlogica, timing en levenscyclusfasen sluit hier naadloos op aan: Kleine beslissingen over wanneer een workflow wordt geactiveerd en wat er dan gebeurt, stapelen zich in de loop van de tijd op. Voorspellende scores vormen de gegevensbasis om die beslissingen bewust te nemen in plaats van automatisch.

Gedraggegevens buiten de e-maillijst om

Een van de belangrijkste inputbronnen voor de voorspellende modellen van Klaviyo zijn gedragsgegevens over de volledige sessie: Welke producten een klant heeft bekeken, hoe vaak hij terugkomt, wat hij aan zijn winkelmandje toevoegt zonder iets te kopen. Alleen de aankoopgeschiedenis geeft het model maar een onvolledig beeld. Uitgebreidere gedragssignalen zorgen voor nauwkeurigere voorspellingen.

Dit is waar platformintegraties in de praktijk echt het verschil maken. Hello Retail stuurt gedragssignalen – productweergaven, zoekopdrachten, interacties met aanbevelingen – rechtstreeks door naar Klaviyo, zodat voorspellende modellen beschikken over context op sessieniveau die verder gaat dan alleen de datum van de laatste bestelling. Voor winkels die beide platforms gebruiken, betekent dit dat de voorspelde besteldatum en CLV-scores op vollediger gegevens zijn gebaseerd, waardoor de beslissingen over de levenscyclus die op basis van die scores worden genomen, betrouwbaarder zijn.

Epsilon’s research on personalization Uit onderzoek blijkt dat 80% van de consumenten eerder geneigd is iets te kopen als merken gepersonaliseerde ervaringen bieden. Voor dat soort personalisatie is een volledig beeld van het gedrag nodig, niet alleen de transactiegeschiedenis. De integratielaag zorgt ervoor dat die context beschikbaar is voor de voorspellende modellen die de processen aansturen.

Het idee achter de tool

Wat Anna Sophie’s benadering zo waardevol maakt, is dat ze de voorspellende functies van Klaviyo benadert als iemand uit de praktijk die begrijpt waarom het model werkt, en niet alleen hoe je het moet inschakelen. De analogie met Spaanse werkwoorden klopt: De regels zijn interessant omdat ze afhankelijk zijn van de context. Een voorspelde besteldatum is alleen nuttig als de workflow erachter rekening houdt met wat die timing daadwerkelijk zegt over de klant. Een churn-risicoscore is alleen bruikbaar als de retentieworkflow die erdoor wordt geactiveerd echt iets te bieden heeft.

Voorspellende analyses in Klaviyo zorgen ervoor dat je betere e-mails kunt sturen. Het is nog steeds de taak van de marketeer om die voorwaarden goed te benutten – om te weten wat het model detecteert en waarom, en om flows te ontwerpen die op de juiste manier op dat signaal reageren. Dat is het werkterrein van Anna Sophie, en de reden waarom haar kijk op deze functies de moeite waard is om te volgen.

Bekijk de volledige aflevering van ‘Conversations’ met Anna Sophie Christensen: E-mailmarketing – meer dan alleen massamailings.