Marketeers struikelen nog te vaak over data

Marketeers struikelen nog te vaak over data

Marketeers voelen de druk om met data aan de slag te gaan. Hun ambitieuze analyses en campagnes lopen echter nog te vaak vast op data, inzichten en organisatorische aspecten.

 

De resultaten zijn binnen. Je startte onlangs een ambitieuze campagne. De doelgroep bestond uit duizenden consumenten met een persoonlijk profiel onder het kopje ‘loyale klant’. Je hebt een prachtige campagne opgezet en de selectie gebaseerd op een kersvers voorspellend model. Op basis hiervan weet je precies welke klanten in de markt zijn voor een nieuwe aankoop. Trots had je al aan de board verteld dat je bezig bent met predictive modelling en big data.

 

Eindelijk zijn de resultaten zijn binnen. Maar wat blijkt? De conversie is niet de verwachte 5%. Sterker nog, je komt niet verder dan 0,2%. Snel schakel je met je data scientist. Waar hebben we de verkeerde afslag genomen? Maar natuurlijk blijken alle modellen te kloppen. In een feedbackronde met de klant blijkt echter dat klanten en transacties niet correct aan elkaar zijn gekoppeld. Al jaren wordt er voortgeborduurd op deze onjuiste data set up en dat komt juist nu aan het licht.

 

Scoren met data

Je bent echter niet de enige. De praktijk leert dat dit soort fouten met grote regelmaat voorkomen, ook bij organisaties die zichzelf presenteren als ‘data savvy’ zo blijkt uit het  DDMA Data Driven Marketing onderzoek 2016. Een belangrijke oorzaak is de druk uit de boardroom om snel met data te scoren. Echter blijkt dat diezelfde boardroom vaak voldoende uitdaging ervaart om een datagedreven werkwijze effectief aan te sturen. 37 procent van alle respondenten gaf niet voor niets aan dat de samenwerking tussen verschillende afdelingen de belangrijkste drempel is voor een datagedreven organisatie. Daarnaast staat datakwaliteit met 56 procent bovenaan de lijst met uitdagingen.

 

Centraal klantbeeld                   Top 5 Data Uitdagingen

 

Focus op technologie

Een datagedreven marketing strategie welke niet vanuit directieniveau wordt aangestuurd kan eenvoudig scheefgroeien. In het kader van Big Data wordt er regelmatig gefocust op het aansluiten van zoveel mogelijk databronnen op het DMP, in plaats van kritisch te bepalen welke data er nu werkelijk nodig is voor een relevante dialoog. Of de board wil graag dat er predictive marketing ingezet wordt op basis van een 360° klantbeeld terwijl de operatie nog niet eens de basisbeginselen van klantgedrag in kaart heeft. Hier is mogelijk de kiem gelegd voor het niet slagen van jouw campagne. Je ontwikkelde een campagne welke gebruik maakt van een geavanceerd model, maar deze mismatch had je al eerder tegen kunnen komen als je vaker met klantinzichten had gewerkt.

 

Data maturity model

Bij Yourzine hanteren we daarom een data maturity model gebaseerd op drie assen: data, inzichten en organisatie. Idealiter ontwikkelt een datagedreven marketing strategie zich gelijkmatig over deze assen waardoor kennis en ervaring en daarmee het vertrouwen stapsgewijs toenemen.

 

Data Square

 

Deze balans kan worden geborgd met opleidingen, workshops en kennisbijeenkomsten, maar vooral ook door de juiste processen te implementeren. Kijkend naar de drie assen kom ik vaak de volgende drie verbeterpunten tegen om te voorkomen dat je achteraf verrast wordt door tegenvallende resultaten.

 

Data

Data dient letterlijk centraal te staan. Net als de multinational hebben veel bedrijven op iedere afdeling een eigen analist, met elk hun eigen gefragmenteerde versie op de onderliggende bedrijfsprocessen. Door al deze analisten op één centrale afdeling te plaatsen ontstaat er een eenduidige versie van feiten waardoor conflicterende data snel gecorrigeerd kan worden. Als de verschillende afdelingen hun data in een eerder stadium hadden samengevoegd, dan was de onjuiste koppeling tussen transacties en klanten niet pas tijdens jouw campagne aan het licht gekomen.

 

Inzicht

Analisten of data scientists hoef je niet te vertellen hoe ze hun werk moeten doen. Zij zijn de specialisten in hun vakgebied en beheersen een breed scala aan kwantitatieve technieken. Maar met de komst van feedback tools blijkt kwalitatieve data een zeer waardevolle bron welke nog vaak wordt genegeerd.  In de reacties van klanten kun je teruglezen of de data correct wordt geïnterpreteerd en daarmee selectiecriteria en aannames over de motivatie van de klant kloppen. Het voorbeeld uit de inleiding is gebaseerd op een case waarbij de oorzaak bleek uit de feedback tool. Klanten gaven aan zichzelf niet te herkennen in de campagne en begrepen niet waarom de geselecteerde producten en boodschap aan hen werd getoond.

 

Organisatie

Mensen welke met data werken hebben regelmatig de eigenschap om zoveel mogelijk data te verzamelen, deze aan elkaar te knopen en daarna met een voldaan gevoel naar huis te gaan. Daarmee staat niet de klant maar de data centraal. Het gebruik van use cases voorkomt dit. Laat de belangrijkste stakeholders expliciet aangeven welk klantgedrag ze willen stimuleren, waarom ze dat willen en welke data en inzichten ze daarvoor nodig hebben. Door telkens een use case vanuit data tot aan analyse, campagne en evaluatie uit te werken houd je de scope klein, leert iedereen de data goed kennen en kun je snel succes aantonen.

 

Dit bericht is ook verschenen op:
Marketingonline.nl 

Wil je meer weten over dit onderwerp?
Neem contact met me op, ik vertel er graag meer over!

Bas Karsemeijer
Bas Karsemeijer

Lead Data & Insights

bas@yourzine.nl

"The best way to predict the future is to create it." - Peter Drucker