De korrel zout bij ‘datadriven’ [Podcast]
Overoptimalisatie: we weten beter wat werkt en dat is commercieel aantrekkelijk, maar het toevoegen van waarde in brede zin staat ermee onder druk.
Bestaat er zoiets als teveel data? IT-kosten en privacy even daargelaten – gelijk even twee knuppels in het hoenderhok – zegt de nieuwsgierige analist waarschijnlijk: dat is nog niet voorgekomen. Er is altijd nog wel iets anders uit te sluiten, altijd nog extra optimalisatie mogelijk. Altijd nog een klantgroep die we niet in kaart hebben. Maar datadriven vreet brandstof, en loopt ook het risico dat je in rondjes blijft rijden.
Marketingfacts Longreads: Luister dit artikel in je favoriete podcast-app
In samenwerking met audio agency Airborne bieden we je dit verhaal nu aan als podcast. Abonneer via de player hieronder op Spotify, luister hier via Apple Podcast. Meer over deze samenwerking lees je hier.
Vooropgesteld: dit is geen pleidooi voor De Terugkeer van de Feilloze Onderbuik. Nog los van alle biases die we als mens hebben, moeten we ook nederig zijn: ChatGPT slaat de (boven)gemiddelde brainstormer om de oren tegenwoordig. Nog los van contentcreatie, blijken ook de business-concepten die de tool kan bedenken vaak beter beoordeeld (check bijvoorbeeld deze paper).
De onverwachte kracht van AI
OpenAI’s Code Interpreter daarentegen is een knap staaltje, maar als je niet zelf de analyse kan volgen die de plugin voor je uitvoert (of de tool daarin kan coachen), wandel je fluitend het ravijn in. Wat dat betreft biedt het (nu) een laagdrempeliger maar foutgevoeliger alternatief voor de Natural Language Querying die veel BI-tools al hadden. Diepgaande analyse zonder tech-skills is alleen nog een belofte, hoewel de ontwikkelingen snel gaan.
De huidige lichting AI stelt ons daarmee voor een nieuw vraagstuk. Voorheen was nieuwe techniek vooral een tijdsbesparing, zodat wíj de leukere/slimmere/strategische dingen konden gaan doen. Op het moment is veel AI juist beter in dat laatste, en dat is confronterend. Moeten we dan allemaal toch data-analist worden, ondanks dat de tijd van het coderen voorbij leek te zijn?
Een uitstapje naar de voorspelbare muziekwereld
Nee, want teveel data maakt de wereld voorspelbaar, in alle zinnen van dat woord. Een artikel uit de Guardian deze zomer maakte wat muziekstudies daarover wederom saillant. Columnist Arwa Mahdawi stelt dat het feit dat Taylor Swift op dat moment vier van de tien top-albums in de hitlijsten had staan, zeker komt door haar talent, maar ook omdat de muziekindustrie een eenheidsworst geworden is. Een aantal studies ondersteunt die conclusie: de afgelopen decennia is de muzikale diversiteit en complexiteit in de hitlijsten afgenomen en de hoeveelheid herhalingen van hits op de radio toegenomen. De boomer in jou – of je omgeving – had dus gelijk: die (populaire) muziek van tegenwoordig wordt steeds meer hetzelfde.
Een oorzaak daarvan is overoptimalisatie: we weten beter wat werkt, want meer data, dus produceren we wat zeker verkoopt. En natuurlijk is dat wellicht commercieel niet erg, want de bedragen zijn astronomisch. Maar het toevoegen van waarde in brede zin staat ermee onder druk.
Toch die onderbuik?
Een parallel met het ‘normale’ bedrijfsleven is niet ver weg. Met goede data kun je voorspellingen maken over de toekomst, binnen de kaders van wat je over het verleden weet. Een mooie uiteenzetting over de rol van intuïtie hierin las ik van Benn Stancil (hij is mede-oprichter van Mode, een analytics-platform dat onlangs is overgenomen door BI-reus ThoughtSpot. Zijn Substack is een aanrader voor liefhebbers van data en tech met nerdy in-jokes (zodra je Marketingfacts hebt uitgespeeld natuurlijk). De kern uit zijn slot: “No force is more dubious than a sudden burn of excitement, or a sinking bout of despair. But the next great idea is in these feelings—and data alone will never give us the courage to move on them.” Want met data kun je assumpties checken, maar dan moet je wel eerst je nek uitsteken.
Take home
Maar als benodigde intuïtie daarvoor dus ook al niet meer zo uniek is, wat rest ons dan nog? Twee dingen:
- Brute eerlijkheid. Naar je team, je bedrijf(svisie), je markt en jezelf. Tools maken je productiever als je ze niet inzet voor dat waarin je hoort te excelleren. Op het moment dat ChatGPT je moet vertellen waarom jouw bedrijf het verschil maakt (en dan heb ik het niet over de verwoording an sich), gaat er iets mis. Maar zit je op de juiste plek en ben je ergens van overtuigd, ook al is er geen data om het te ondersteunen? Dan is dat de moeite waard te onderzoeken.
Ook andersom: als je (nog) geen analist bent, moet je oppassen met blind vertrouwen op gegenereerde SQL of Python. Onbewust onbekwame generalisten worden met deze tools gevaarlijker. - De kracht van uitvoering. Want wellicht veegt Code Interpreter binnenkort ook met mij de vloer aan, bedenkt ChatGPT betere business ideeën en komt er een strakker marketingplan gerold uit Bard dan uit je CMO: uitvoeren kunnen ze het niet. Er wordt wel gewerkt aan AI die weer andere AI aanstuurt, maar er zit een verschil tussen simpele losse taken automatiseren en een heel product ontwikkelen en vermarkten.
Opgeteld betekent dit een balans tussen datadriven en ondernemen en vooral: weten waar de grens daartussen ligt en waar die van jezelf liggen.
