Echt data-driven marketing succesvol maken, is een grote uitdaging waar veel merken voor staan. De vakbladen staan vol met veelbelovende data toepassingen. Maar als we eerlijk zijn, hebben we allemaal een beetje data-faalangst en struggelen we hoe we echt optimaal waarde uit data kunnen halen. Paradoxaal genoeg zijn dit merken die de beste datatools en teams in huis hebben…
Om met een positieve noot te beginnen - veel merken hebben enorme stappen gezet als het gaat om het implementeren van data gedreven marketing. De wens is omgezet naar executie: datateams zijn opgezet en ook de systemen zijn in huis gehaald om succesvol data online en offline te verzamelen, te ontsluiten en te verwerken. Merken krijgen zo steeds meer zelf de touwtjes in handen en hebben waardevolle kennis over hun klanten en prospects. Vaak zetten zij deze in voor marketing activatie - het 1 op 1 bereiken en bewegen van consumenten via online- en offline kanalen en/ of het vergaren van diepgaande inzichten in dashboard om zo beter te kunnen begrijpen.
So far so good, zou je zeggen, maar de laatste stap in de data roadmap blijkt het lastigst en dat is het rendement halen uit die data. Ik spreek veel met merken en ik krijg keer op keer terug dat zij het gevoel hebben dat ze niet optimaal die data en inzichten in de praktijk inzetten.
Hoe komt dat? Ik denk dat er een aantal misvattingen zijn over data driven marketing die ten grondslag liggen van deze observatie.
De eerste misvatting is meteen de meest hardnekkige - we willen graag perfecte data hebben, maar perfecte data bestaan niet. We verzamelen data over menselijk gedrag, percepties en motieven. Maar niets is zo complex te verklaren als menselijk gedrag. Data zijn een middel om dit gedrag te verklaren en te voorspellen. Als menselijk handelen moeilijk te meten is, dan is het ook onmogelijk om perfecte data te verzamelen.
We willen allemaal graag na die gemaakte data investering minstens zoveel terugverdienen. Het liefst willen we daar een numerator aankoppelen. Fijn voor de CFO, maar ook om aan te tonen waarom het nodig is om datateams op te zetten. Op zo’n moment wordt ervan uitgegaan dat die data euro zich 1 op 1 terugverdient en dat het effect direct is terug te zien in de P&L. Data-investeringen moet je echter op en aan andere manier interpreteren dan kijken naar lineaire effecten, anders wordt het op een verkeerde manier afgerekend. Hoe het wel moet, licht ik later in dit artikel toe.
In het verlengde van de eerste misvatting: gebruik een ‘glas halfvol’ en niet een ‘glas halfleeg’ visie als het gaat om het verwaarden van data. Ik zie nog wel eens de neiging dat data-afdeling stilstaan bij wat nog niet goed werkt. Dit leidt ertoe dat die ‘trein vaak niet gaat rijden’ en dat men blijft steken in het ontwikkelproces. Het is belangrijk om ook al met beperkte data aan de slag te gaan en use-cases op te bouwen, ook al is dit nog niet perfect. Zo doe je ervaringen op en maak je ‘vlieguren’.
Deze laatste is niet zozeer een misvatting, het is meer een observatie. Veel merken hebben een apart datateam die vaak als aparte silo in de organisatie staat. Ergens anders zijn de marketing of brand managementteams die idealiter gebruik gaan maken van die datakennis.