door Danny Oosterveer |
Last Updated: 10 juli 2020 Tags: data
Zodra het over data gaat, wordt vaak de verwachting gewekt dat we een deel van ons werk straks helemaal kunnen overlaten aan de data. Maar net als een piloot de baas over het vliegtuig blijft, hoeveel die ook geautomatiseerd wordt, zo moeten wij ook in de lead blijven als het gaat over data en datagedreven werken.
Betekenis Datagedreven
Zoek je op Google naar datadriven (datagedreven), dan vertelt Wikipedia je dat data-driven betekent dat “vooruitgang in een activiteit wordt bereikt door het toepassen van data, in plaats van door het gebruik van intuïtie of ervaring”.
Hoewel de uitleg goed is, doet de term iets anders vermoeden. De term ‘datagedreven marketing’ suggereert namelijk dat het marketingproces een machine is waar je maar data in hoeft te stoppen en voìla: de juiste innovaties en communicatieboodschappen rollen eruit. Het suggereert dat je je laat ‘leiden’ door data.
De praktijk is anders. Buiten het feit dat zo’n machine – de mooie belofte van big data – voor weinig bedrijven is weggelegd, is het vooral de vraag of het altijd de juiste oplossing is, bijvoorbeeld voor jouw merk. Want de zekerheid die we aan data ontlenen, is soms een schijnzekerheid. Dat maakt data gedreven werken complex.
Blijf de baas over de data
Het is belangrijk dat er mensen zijn betrokken blijven, die begrijpen wat er onder de motorkap gebeurt. Alleen dan ben je in staat om te leren van datgeen wat er gebeurt. En alleen dan kun je grip blijven houden op datgeen wat er gebeurt en ingrijpen wanneer dat nodig is.
Met de groei van data en komst van slimmere algoritmes laten we steeds vaker onze ziel en zaligheid bepalen door software. Zo worden online bijvoorbeeld advertenties automatisch geoptimaliseerd. Bryan Melmed, Vice President of Insights Services bij Exponential, een groot advertentienetwerk, legt uit hoe systemen hun gang gaan als niemand hen corrigeert. In het voorbeeld dat hij aanhaalt, werd er geadverteerd voor een online kledingwinkel.
Door het algoritme volledig de vrije loop te laten en te optimaliseren op kliks, kwamen spelletjessites constant als beste uit de bus. Werd er geoptimaliseerd op conversies, dan vertoonden ‘mensen die geïnteresseerd zijn in kleding’ de hoogste conversie. Hieruit wordt duidelijk dat er altijd mensen nodig zijn om te begrijpen wat er echt gebeurt. In dit geval klikten de mensen op spelletjessites heel vaak en klikken daardoor ook vaak per ongeluk op advertenties. Het tweede is dat kliks maar voor een klein deel iets zeggen over performance. Vaak zijn andere metrics, zoals conversies, veel accurater.
‘You don’t want a machine at the core making decisions for you.‘ – Bryan Melmed
Maar er zijn ook steeds meer bedrijven die sollicitanten laten analyseren door een algoritme, op basis van hun cv. Het idee van slimme software die miljoenen variabelen analyseert voedt de suggestie dat de computer vele malen slimmer is dan mensen en dat ze de data voor zichzelf kunnen laten spreken. Wie zijn wij immers om die onmetelijke intelligentie te betwisten?
Algoritme voorbeeld: Calvin Klein
Op social media bepalen algoritmes wie welke content zien. Calvin Klein is een bekend Amerikaans modehuis en -merk, dat onder andere jeans en lingerie verkoopt. Om de verkoop van bh’s te stimuleren, zette Calvin Klein een advertentie met een vrij wulpse dame in, om kliks naar de webshop te genereren.
Het is makkelijk voor te stellen dat veel mannelijke Facebookgebruikers door deze advertentie werden geprikkeld en erop klikten. Omdat er relatief veel mannen op de advertentie klikten, was dit een signaal voor het systeem om de advertentie vaker aan mannen dan aan vrouwen. Dit lijkt een slimme optimalisatie, want mannen waren immers meer geïnteresseerd in de advertentie en zouden dus wel de doelgroep vormen.
In de praktijk blijkt echter dat vrouwen voornamelijk zelf hun lingerie kopen. Mannen klikten vaker door, maar zouden veel minder converteren. Een ongewenst resultaat dus. Had Facebook de conversiedata van Calvin Klein gehad, dan had zij kunnen optimaliseren op het aantal verkopen of de verkoopwaarde. Dan zou het systeem niet zijn gaan optimaliseren op mannen, maar op vrouwen.
Facebook kende die data echter niet. Facebook optimaliseerde dus op basis van bekende data, maar de data waar het daadwerkelijk om draaide, kende het niet.
Wees databedreven, niet datagedreven
Het is belangrijk om te beseffen dat data alleen kan kwantificeren en niet kwalificeren. En dat je als databedreven marketeer kennis hebt van data, zodat je zelf kunt bepalen wanneer data van waarde zijn en wanneer niet, en je daar waar nodig de juiste mensen, tools en methodieken erbij kunt vinden. Alleen dan gebruik je de kracht van data. Zo niet, dan is het gevaar dat je de beslissingen door data laat maken. Dan zijn de data feitelijk de baas over jou.
Daarom is mijn advies om niet data-gedreven te zijn, maar data-bedreven. Om je daarbij te helpen, heb ik het boek Data-bedreven marketing geschreven.
Afbeelding credits: John Spencer
Aanbevolen artikelen rondom dit thema
Kun je als marketeer nog langer wachten met data-analyse?
Met alle data die ruim voorhanden is, kun je je afvragen of marketeers het zich nog wel kunnen veroorloven om geen gebruik te maken data-analyse?
E-commerce optimaliseren? Check deze 8 onmisbare nieuwe spelers in je digitale organisatie
E-commerce optimaliseren? Check deze 5 onmisbare nieuwe spelers in je digitale organisatie
Met deze drie tips word je een meer datagerichte B2B organisatie!
Hoe zorg je voor een datagerichte b2b organisatie met een positief koopproces en zo weinig persoonlijke interactie-momenten?
Een geautomatiseerd klantbeeld: kan dat?
Als marketeer ben je dagelijks bezig met het scherpstellen van het ideale klantbeeld. Hoe doe je dat met een ultiem marketing dashboard?
Data Mixologist Steve Kemish: “Marketing Data Is a Culture, Not a Project”
Interview: with Data Mixologist Steve Kemish: "Marketing Data Is a Culture, Not a Project"
We respecteren uw privacy, u kunt zich op ieder moment afmelden voor deze nieuwsbrief.