Succesvol aan de slag met consumer data science? Zo begin je

Hoewel veel organisaties de waarde inzien van data science om de consument beter van dienst te kunnen zijn, blijkt het écht effectief inzetten nog een lastig verhaal. Toch is het een heilige graal voor wie consumenten voor zich wil winnen. Hoe begin je ermee? Dat lees je hier.

Het analyseren van consumentendata is dé manier om klantbehoeften in kaart te brengen. Het brengt klantinteracties naar een hoger niveau doordat er beter ingespeeld kan worden op individuele behoeften en daarmee de relevantie voor de consument verhoogt. Laat je dus vooral niet tegenhouden door beren op de weg. Met de volgende vier zaken maak je alvast een goede start.

1. Beleg de verantwoordelijkheid voor data science bij de business

De rol van data science binnen de organisatie is niet altijd duidelijk. Door de technische associatie die het heeft, wordt de verantwoordelijkheid hiervoor vaak bij de IT-afdeling neergelegd. Ondanks dat de IT-afdeling een grote rol speelt bij de implementatie, is het belangrijk dat het initiatief en de verantwoordelijkheid bij de business ligt.

Data science is geen doel op zich, maar een middel om de klant beter van dienst te kunnen zijn

Data science is namelijk geen doel op zich, maar een middel om de klant beter van dienst te kunnen zijn. De business is immers ook de plek waar het daadwerkelijke contact met de klant plaatsvindt, waar de problemen liggen en waar data science echt van waarde kan zijn. In de meest ideale situatie is data science een middel dat de manager in de organisatie kan inzetten om de besluitvorming en de processen preciezer, beter en doelgerichter te maken.

Om hier te komen is het belangrijk dat er data science competenties worden ontwikkeld binnen de hele organisatie. Dit betekent niet dat iedereen zich bezig hoeft te houden met de techniek. Het gaat om het kunnen herkennen van problematiek waar data science als oplossing kan dienen. Daarnaast is het ook cruciaal om te begrijpen wat de beperkingen zijn. Hiervoor is bewustzijn en kennis bij managers nodig, wat je kunt bereiken middels educatie of training. Dan kan data science daadwerkelijk een krachtig middel worden waarmee iedere afdeling de klant echt beter kan helpen.

2. Zorg voor voldoende focus op impact en resultaat

Een valkuil voor organisaties die aan de slag willen met de nieuwste technologieën en ontwikkelingen, is dat er veel focus ligt op over-de-top innovaties die ver afstaan van de dagelijkse bedrijfsvoering en problemen. Hierdoor neemt de complexiteit toe, maar de urgentie af doordat de link met de businesscase vaag wordt. Projecten worden vaak onnodig duur en daarbij duurt het vaak te lang voordat het gewenste resultaat wordt bereikt, áls dit al wordt bereikt. Bij innovatie gaat het er niet om dat het groot, experimenteel en complex is, maar dat het impact heeft voor consument en bedrijf. Focus daarom hierop en begin klein. Ga bijvoorbeeld aan de slag met het doorontwikkelen van bestaande klantinteracties waar al data aanwezig zijn, zoals websiteclicks of transactiedata. Hiermee breng je klantbehoeften in kaart en kan de klantervaring al flink verbeterd worden. Zo boek je snel successen, lever je toegevoegde waarde aan de klant én creëer je meer draagvlak voor de inzet data science.

3. Zoek de juiste balans tussen mens en algoritme

Automatisering klinkt vaak als muziek in de oren, maar in één keer alles automatiseren brengt problemen met zich mee. De verwachtingen van algoritmen zijn vaak hoog, maar net zoals menselijk handelen is een algoritme niet feilloos. Neem het voorbeeld van de zelfrijdende auto. Deze is veiliger dan een menselijke chauffeur, maar ongelukken zijn niet uitgesloten. Dit maakt de oplossing niet slecht of onbetrouwbaar, het gaat om het kennen van de beperkingen van een algoritme en het belang van de rol van de mens.

Een algoritme moet bijvoorbeeld eerst de context begrijpen waarin het opereert. Informatie zoals domein specifieke kennis of sociale codes zit in de hoofden van medewerkers en het is belangrijk om dit over te dragen op het algoritme. Hierdoor kan het algoritme leren en ontwikkelen en dat gaat niet over één nacht ijs.

Ga je in één keer alles automatiseren, dan gaat de jarenlange kennis en ervaring verloren

Ga je wel in één keer alles automatiseren, dan gaat de jarenlange kennis en ervaring van medewerkers verloren én heb je een oplossing die niet meer aansluit op de wensen en behoeften van de klant. Werk daarom stapsgewijs: begin met het algoritme in een adviserende rol en schaal dit steeds verder op, totdat de tussenkomst van medewerkers bijna niet meer nodig is.

4. Zorg dat data science-oplossingen continu meebewegen met de verwachtingen van de klant

Data science is geen eenmalige implementatie. De consument, de markt, de technologie en de context waarin we leven zijn zo veranderlijk dat data science-oplossingen continu moeten meebewegen. Een organisatie die niet anticipeert op de veranderende verwachtingen van de klant, zal een afnemende waarde zien van bestaande oplossingen. Daarom brengt een statische, puur softwarematige oplossing niet wat je zoekt. Het is belangrijk om data science te zien als een maatpak dat continu meebeweegt met de veranderende omstandigheden. Blijf bestaande oplossingen doorontwikkelen, voeg bijvoorbeeld nieuwe databronnen toe, gebruik inzichten op andere plekken in de customer journey en ontwikkel nieuwe toepassingen. Zo is data science onderdeel van de bedrijfsstrategie en alles behalve een module of eenmalig trucje.

Aan de slag gaan met data science hoeft niet complex of moeilijk te zijn. Start met data science als ondersteuning voor de business van vandaag en houd het eenvoudig. Door met het juiste strategische fundament te beginnen en de huidige processen eerst aan te pakken, bouw je langzaam op richting disruptieve innovaties. Alleen dan ben je in staat om met data science de race om de klant te winnen.