Apps & Tools, How to

Van Excel naar data driven marketing: dit zijn de obstakels

0

Data driven marketing is een must. Wie niet snel genoeg meebeweegt met de markt is gezien. Dat bewijst de ondergang van onder meer Selexys, Free Record Shop en Oad. Aan de andere kant investeren digital natives als Booking.com en Zalando fors in analytics en marketing automation. Maar ook bedrijven die al langer bestaan, bijvoorbeeld Wehkamp hebben zich succesvol omgevormd tot een klantgedreven organisatie. Waarom krijgt het gros geen grip op de klant?

Hier de 3 valkuilen en 3 tips op een rijtje.

Valkuil 1: De one-size-fits-all analytics oplossing

Bij veel bedrijven zijn klantgerelateerde data verspreid opgeslagen. Naast een CRM-systeem zijn er bestanden met verkoopgegevens, call center data, leads en campagneresultaten. De reflex van de IT-afdeling is om al die data te centraliseren en te structureren in een datawarehouse. Daarbij wordt in overleg met de eindgebruikers bepaald welke tools gebruikt gaan worden voor analyse en rapportage. Liefst is dat één tool die kan voldoen aan alle eisen.

Probleem opgelost? Niet voor de moderne marketeer. Die blijft met Excel werken omdat het data warehouse alleen toegankelijk is door business intelligence-systemen. Ook is het lastig om met die systemen te werken, omdat ze niet de analysemogelijkheden bieden die de marketeer nodig heeft.

Valkuil 2: Data moet strak beheerd worden

IT hanteert strakke processen voor het beheer van data. Dat werkt prima om beschikbaarheid van data te garanderen en te waarborgen dat de afgesproken definities gehanteerd worden.

Een strak beheerproces botst echter met de dynamiek op de marketingafdeling. Daar verschijnen steeds nieuwe databronnen, bijvoorbeeld door het inzetten van social media, mobile apps en advertising partners. Gegevens over gedrag, zoals click logs, worden continu uitgebreid met nieuwe typen meetwaarden. In de praktijk blijkt het vaak te tijdrovend voor IT om ook al die data gestructureerd onder te brengen in de centrale data-architectuur. Die tijd heeft de marketingafdeling niet, waardoor er oplossingen geïmproviseerd worden, niet zelden – wederom – met Excel.

Valkuil 3: Maak het de gebruiker makkelijk door data voor te koken

Het gegevensmodel van het data warehouse sluit aan op het bedrijfsproces. Daardoor is er maar één versie van de waarheid. Bijvoorbeeld één definitie van ‘omzet’ en heldere regels om die omzet toe te wijzen aan marketingcampagnes (conversie-attributie). Belangrijk voor het genereren van financiële cijfers en standaard managementrapportages.

Maar door de transformatie, filtering en aggregatie van data kan relevante informatie verloren gaan in het datamodel. Een model is immers per definitie een vereenvoudigde versie van de waarheid. Bovendien is vaak onduidelijk hoe de gegevens precies zijn bewerkt.

Prima om over KPI´s te kunnen rapporteren, maar het datamodel voldoet daarom vaak niet meer om een slag dieper te gaan. ‘Data fluent‘ marketeers en data scientists moeten zelf verdiepingsanalyses uit kunnen voeren. Voor deze geavanceerde analyses geldt: hoe ruwer de data, hoe groter de analysemogelijkheden.

De problemen zijn duidelijk, maar hoe los je ze op?

Tip 1: Leg een data lake aan

Klantgegevens in het data warehouse zijn normaliter niet te koppelen aan data die marketing via nieuwe media genereert. De oplossing hiervoor is het aanleggen van een data lake met alle ruwe gegevens uit elke bron. Deze data zijn niet gestructureerd, gefilterd of geaggregeerd zoals in een data warehouse.

Dat geeft marketeers de vrijheid om op basis van hun eigen inzicht en context informatie te destilleren uit het stuwmeer van gegevens. De barrières zijn opgeheven om de ruwe data te bemachtigen. Ruwe gegevens zijn met name interessant voor verkrijgen inzicht in de cross-channel customer journey, het opbouwen van zinvolle klantprofielen en het uitvoeren van predictive analytics.

Tip 2: Van multi purpose naar single purpose tools

Er bestaat geen universele tool voor ad hoc analyse en rapportage. Met een web analytics tool kun je bijvoorbeeld bezoekersgedrag op de site efficiënt in kaart brengen. Voor management dashboarding heb je meer aan een business intelligence tool. En zo is er nog veel meer doelgericht gereedschap, bijvoorbeeld voor social media monitoring, SEO, CRM en predictive analytics.

Erken de meerwaarde van een bont palet aan analyticstools en zie het niet als een probleem.

Tip 3: Bring your own tool

Excel is de meest gebruikte analysetool. Veel gebruikers kunnen er mee lezen en schrijven. Iedere werknemer heeft het op zijn pc staan. Zonder enige beperking kun je er data in combineren. Binnen jouw bedrijf circuleren vast ware kunststukjes die gebouwd zijn in Excel (dat wil zeggen: een complexe spreadsheet die alleen de maker nog begrijpt). De reden? Wat in de ‘enterprise analytics oplossingen’ niet mogelijk is, krijg je in Excel wél voor elkaar.

Systemen in een kwadrant

Tegelijkertijd zien we in het Gartner Magic Quadrant voor Business Intelligence (2015) dat de ‘enterprise analytics oplossingen’ op hun retour lijken te zijn. IBM, Microsoft en Oracle worden niet langer als leiders beschouwd. Systemen die bij veel bedrijven de (opgelegde) standaard zijn, zijn dus niet langer de state of the art.

Gartner Magic Quadrant of BI 2015
‘New kids on the block’ gooien hoge ogen. Bijvoorbeeld Tableau dat naast ijzersterke visualisaties gebruikers de mogelijkheid biedt om zelf data te laden en te manipuleren. Ook R wint snel terrein. Deze tool is bedoeld voor analisten met kennis van statistiek en programmeren. R verlost gebruikers van de belemmeringen die vaste datamodellen opwerpen. Bovendien is het open source software en dus gratis te gebruiken.

‘Iets nieuws’ is vaak niet mogelijk

Maar ‘even een nieuwe tool installeren’ wordt in menig bedrijf -om begrijpelijke redenen- onmogelijk gemaakt.

Dit krijg je te zien als je wat wilt installeren op je eigen account
Organisaties zouden hun medewerkers beter moeten faciliteren om nieuwe de tools te installeren die het beste bij hun doel passen. En wat extra RAM bijprikken als de medewerker dat nodig heeft.

Tableau voor het verkennen van data. R voor het kwantificeren van data en het bouwen van modellen. Gephi om inzicht te krijgen in (sociale) netwerken. Talend of Alterix om data te transformeren. Google Analytics of Adobe voor webanalyse. En IBM Cognos of SAP Business Objects voor dashboards. Om er maar een paar te noemen. Voor ieder doel een tool.

De moraal van dit verhaal: geef marketeers de vrijheid

Veel bedrijven hebben houden de deur van hun data warehouse angstvallig dicht. Het datamodel biedt weinig ruimte voor analyse. Alle medewerkers moeten met dezelfde toolset werken. En iedere wijziging van de IT-omgeving vraagt een lang goedkeuringsproces. Dat werpt drempels op bij de transitie naar een data driven organisatie.

Mijn advies: leg een data lake aan naast het data warehouse. En laat medewerkers zelf bepalen met welke hengel ze daarin willen vissen.

Foto intro via Flickr/Utrecht/CC BY 2.0