Big Data of bananen

Bedrijven hebben niets aan Big Data. Het gaat om de inzichten die eruit te halen zijn. Ik moest even aan deze uitspraak denken toen ik zat te kijken naar de oprecht interessante presentatie van Wiemer Snijders en Robert van Ossenbruggen van The Commercial Works op de – weer fantastische – NIMA Marketing Day, afgelopen 20 juni. Zij lieten een mooie grafiek met staafdiagrammen zien die op de verticale as aangaf hoeveel bedrijven verdienen aan hun klanten. Het illustreerde prachtig hoe lastig het kan zijn om data écht te begrijpen en wat ervaren marketeers zouden moeten leren. Stel dat je een ultieme mastercourse over zo’n onderwerp moest samenstellen, wat zou je behandelen?

Terug naar 20 juni: De big-dataset die Snijders en Van Ossenbruggen presenteerden bevatte het koopgedrag van iets minder dan 2 miljoen mensen over een periode van een jaar. Op de horizontale as was van links naar rechts de mate van licht tot zwaar gebruik te zien. Uiteraard was daar een relatie tussen en was de hoogste ‘staaf met geld’ zichtbaar bij de heavy users die zich rechts van de horizontale as bevonden. Vervolgens was de vraag in welke van de groepen gebruikers nu het beste kon worden geïnvesteerd. Heel voorspelbaar riep de grootste groep in de zaal: “Rechts natuurlijk!” Op het eerste oog lijkt dat ook de juiste conclusie: de heavy users brachten in dit geval circa vijf keer meer omzet binnen. Het probleem is echter dat deze gebruikelijke manier van rapporteren een misleidend beeld geeft van wie je belangrijkste klanten écht zijn; een (denk)fout die een merk duur kan komen te staan…

Want vervolgens lieten Wiemer en Robert exact zelfde dataset zien. Die had nu ineens de vorm van een banaan. De statistisch correcte naam voor zo’n verdeling is de Negatief Binomiale Distributie, maar de vergelijking met een banaan werd expres gemaakt zodat mensen het makkelijker kunnen onthouden. Weer stond de mate waarin men het product gebruikte op de horizontale as uitgezet als frequentie met van links de lichte gebruikers naar rechts de heavy users, maar ditmaal veel fijnmaziger.

Andrew Ehrenberg was de eerste wetenschapper die dit patroon in 1959 beschreef en nadien heeft men in zestig jaar wetenschappelijk onderzoek nog geen afwijking op dit patroon in ons koopgedrag gevonden. Nu pas zie je waar de echte groei zit en dat is in het linkerdeel van de banaan. Daar zijn gewoonweg meer mensen. Penetratieverhoging is dus een veel interessantere groeistrategie dan heavy users proberen aan te zetten tot nóg eens meer Coke Light- of Dreft-gebruik. Zo zie je dat data pas interessante en bruikbare informatie oplevert als je er goed naar leert kijken.

Marketing analytics

Marketing wordt in toenemende mate gestuurd door datagebruik en aangezien het dus steeds belangrijker wordt om data goed te leren begrijpen, moet je bijblijven. Daarvoor zijn geschikte cursussen nodig die speciaal geschikt zijn voor mensen die al een baan hebben. Reden waarom we dit najaar met de Hogeschool Utrecht een nieuwe Masterclass Marketing Analytics gaan aanbieden. Een en ander in overleg met NIMA overigens, dat van permanente educatie onder vakgenoten (terecht!) een speerpunt heeft gemaakt. Het doel was om een korte maar grondige opleiding te ontwikkelen, bedoeld voor professionals die werkzaam zijn op het terrein van marketing, communicatie en/of customer experience en die meer willen weten over hoe om te gaan met data, welke data je voor welke marketingbeslissing nodig hebt, hoe je dat organiseert, structureert en kunt doorgronden. Mooie uitdaging, want wat moet erin? Wat laat je eruit?

“De marketingbeslissing zou leading moeten zijn”

De marketingbeslissing, die zou leading moeten zijn. En zo’n beslissing dient marketing: wederzijdse waardecreatie. Stel, je hebt zeven modules van 6 uur en je wilt dat cursisten samen met andere praktijkgenoten hands-on zelf aan de slag gaan met state-of-the-art data-analyses die vandaag de dag gebruikt worden in moderne organisaties. En met als doel dus om – nou ja – betere marketingbeslissingen te nemen. Denk dan bijvoorbeeld aan segmentatie-analyses, conversie-attributie en customer journey-analyses. In modules worden cursisten aan het werk gezet aan de hand van praktijkopdrachten, onderzoek en literatuur, maar ook om een dataset te leren begrijpen met het gebruik van machine learning en Artificial Intelligence. Het meest voor de hand ligt dan dat colleges ook voor een groot deel worden verzorgd door docenten uit het bedrijfsleven. Van deelnemers verwacht je geen specifieke vooropleiding, maar affiniteit met data en het hbo-denkniveau of ervaring zal zeker helpen en enige jaren werkervaring zijn wel gewenst.

Dat leverde een leuke puzzel op, maar in het programma komen dan qua theorie en aan de hand van een doorlopende praktijkcase onder meer de volgende onderwerpen aan bod. Hier kwamen we op uit:

• Cross-industry standard process for data mining
• Introductie en overzicht van data analytics
• Segmenteren en doelgroepen clusteren
• Conversie-attributie
• Churn voorspellingen en customer lifetime value bepaling
• Social Network Analysis
• Customer Journey analyse
• Product Recommendations

Als gezegd een puzzel, maar volgens mij hebben we het goed staan zo. Mocht je ideeën of aanvullingen hebben die we (bij een volgende editie – deze staat inmiddels) zeker moeten meenemen, laat me weten. Mocht je willen aanschuiven in september of meer informatie willen: je weet me te vinden.