Data maturity: denk groot, begin klein – maar begin!

Geen reacties
Tags: , , , , , , , , , , ,
Posted 17 Okt 2016 in nieuws

Voor je een boek kunt schrijven, leer je eerst het alfabet en voor je kunt lopen, ga je eerst kruipen. Daarom verbaast het me altijd zo als bedrijven hun klantdata meteen à la Amazon willen kunnen inzetten om te voorspellen wat de klant nodig heeft, liefst nog voordat hij dat zelf weet. Niets mis met ambitie, maar als je tussenstappen overslaat, laat je omzet liggen.

Webshops weten minimaal dat de klant een product in zijn winkelmandje heeft gestopt. Op basis daarvan wordt hij of zij in een segment geplaatst. Het droombeeld is natuurlijk dat je een koppeling maakt met CRM en weet hoelang iemand klant is, wat hij gemiddeld besteedt en wat hij in de toekomst nodig zal hebben. Je kunt meteen van de basis naar dat ideaal proberen te gaan, maar dat vergt heel veel tijd. Het is logischer om kleine stappen te zetten waarmee je uiteindelijk ook bij het doel uitkomt en tegelijkertijd het laaghangende fruit plukt. Door de segmenten die je van je bezoekers maakt iets slimmer te maken bijvoorbeeld. Segmenteer bezoekers niet alleen op het feit dat ze iets in hun winkelmandje hebben gestopt, maar ook op de producten die ze hebben gekozen en de marge daarop. Het is een kleine toevoeging, die snel resultaat oplevert.

Dure missers voorkomen

Ander voorbeeld: wie reclamespotjes laat uitzenden op radio en tv wil graag weten wat het effect daarvan is. Je kunt ernaar streven dat alle data op detailniveau worden verzameld en geanalyseerd. Of je begint simpel en zet het uitzendschema tegenover je web analytics-data. Als hier interessante waarnemingen uitkomen, dan kun je altijd nog besluiten om meer in detail te treden. En door niet meteen alle registers open te trekken, voorkom je dure missers. Misschien is het uitzendschema niet of erg laat beschikbaar. Daar kun je beter achter komen in de beginfase dan wanneer je al veel geld hebt uitgegeven aan een dataproject voor radio- en tv-attributie.

Kortom: bepaal eerst waar je bedrijf staat als het gaat om data verzamelen, analyseren en toepassen en beslis dan wat een logische volgende zet is. Om inzichtelijk te maken in welke fase je bedrijf of merk zich bevindt en welke tussenstappen er mogelijk zijn, hebben we een data maturity model ontwikkeld. Er zijn vijf niveaus: Informed, Tactical, Optimized, Automated, Engaged.

 

Informed
Het bedrijf verzamelt on site data, doet off site A/B-testen en gebruikt basic analytics tools, waarmee de data geaggregeerd worden opgeslagen. Het bedrijf is al wel actief met online media, maar dit wordt nog niet optimaal gekoppeld aan de analytics-data. Voor de klant, gebruiker of bezoeker betekent dit dat de communicatie niet persoonlijk is en er veel overbodige boodschappen worden verstuurd. Dat leidt tot irritatie en draagt niet bij aan loyaliteit richting het bedrijf of merk.

Tactical
De verzamelde data komen uit online mediakanalen, A/B-testen gebeurt on site en de actuele bezoekersgegevens worden verkregen via een data layer. Deze wordt continu geactualiseerd als er nieuwe informatie beschikbaar komt en is dus altijd up-to-date. Door middel van een pixelstrategie worden bezoekers gesegmenteerd op basis van de pagina’s die ze hebben bekeken op de website. Aan de voorkant kenmerkt de tactische fase zich door gesegmenteerde media-uitingen die worden getoond aan bezoekers die interesse getoond hebben. De klant merkt dit doordat de communicatie beter is afgestemd op zijn interesses, maar er is nog steeds geen sprake van personalisatie of timing.

Optimized
Data worden zowel geaggregeerd als op log level niveau opgeslagen. Apps worden als databron hieraan toegevoegd. Door het opslaan van een customer identifier is het mogelijk om contactmomenten van de bezoeker over meerdere apparaten te koppelen. Conversie-optimalisatie vindt plaats op basis van off-site en on-site testen, maar ook door middel van kwalitatief onderzoek.

In deze fase kan het bedrijf conversie-attributie toepassen op basis van log level data. Media-uitingen zijn doelgericht, want de communicatie kan dankzij de verzamelde en geïnterpreteerde gegevens beter worden getimed en wordt als persoonlijker ervaren. Je kunt er in deze fase bijvoorbeeld achter komen dat de klant een vrouw is en geen man, zoals je in fase één en twee dacht.

Automated
De dataverzameling gaat nog een stap verder, met gegevens van offline media en sales. Er komt een real-time verbinding met CRM, managementinformatie en business intelligence. Een zo hoog mogelijke conversie wordt gerealiseerd door personalisatie toe te passen. Met behulp van de verzamelde data kun je marketingmixmodellen toepassen, die de impact van on- en offline marketingactiviteiten op de salesomzet berekenen. Er zit dus al een stukje voorspelling in deze fase. De klant ziet een bedrijf dat eenheid heeft gebracht in de online en offline aanwezigheid. De communicatie is samen te vatten door ‘de juiste boodschap, aan de juiste persoon, op het juiste moment’.

Engaged
Het vijfde niveau is de heilige graal voor veel bedrijven. CRM-data, off-site impressiedata, onsite analytics-gegevens en andere bronnen worden via een datamanagementplatform samengebracht. Online en mobiel gebruikt het bedrijf liquid content. Dit betekent bijvoorbeeld dat de website zich aanpast aan de fase waarin de bezoeker zich bevindt. In de oriëntatiefase zijn reviews prominenter aanwezig. Als je weet dat de bezoeker het product wil kopen, dan zullen de bezorgkosten en levertijd duidelijk in beeld komen. Qua analytics is dit het stadium waarin het klantgedrag kan worden voorspeld. De klant merkt dit uiteraard in de communicatie: hij krijgt op het juiste moment het juiste aanbod, waarvan hij zelf nog niet wist dat hij erop zat te wachten.

Eerst denken, dan doen

Het data maturity model is een handig hulpmiddel om inzichtelijk te maken hoe vergevorderd een bedrijf is met de dataverzameling en -analyse. Bepaal waar je staat en kijk dan welke volgende stap gewenst is. Het is prima om een ambitieus einddoel te hebben, maar houd ook in het oog hoe je op de kortere termijn de conversie kunt verbeteren.

Met het model kun je bovendien onnodige investeringen eruit filteren. Door de verschillende fases te doorlopen, riskeer je immers niet dat je investeert in het behalen van niveau vijf, terwijl de derde fase voor jouw bedrijf misschien op dit moment afdoende is. Reden genoeg dus om eerst de status quo in kaart te brengen en daarna verder te kijken.

data maturity model greenhouse group



Lees het volledige bericht op Emerce »


Add Your Comment