4 redenen waarom data-driven werken niet lukt (en zó moet het wel)

Data zijn het nieuwe goud. Alles wordt data-driven en hoe meer data je verzamelt, hoe beter. Tenminste, dat is het beeld wat je krijgt als je de blogs en de media volgt. En het is ook niet onwaar, maar enige nuance is op zijn plaats. Want in abstracte termen klinkt het allemaal prachtig, maar in de praktijk lopen veel bedrijven nog tegen uitdagingen aan.

Alles, van websites en social media tot auto’s en fabrieksmachines, produceert non-stop data. Data-uitdagingen zijn dus verschoven van het verzamelen van data naar het bij elkaar brengen en succesvol inzetten ervan. 

Leuk dat je precies weet welke gebruiker welke webpagina bezocht heeft, naar welke regio je de meeste pakketjes verstuurt en welke producten het meest tegelijk besteld worden, maar hoe ga je die drie kennisbronnen bij elkaar optellen om een marketingcampagne op te zetten? En hoe ga je de resultaten van die campagne weer gebruiken om bij te sturen?

Het antwoord op al die vragen is simpel. Begin met het opbouwen en onderhouden van een compleet klantbeeld. Daarvoor verzamel je alle data die je in je bedrijf hebt en transformeer je die naar een formaat dat relevant is op het niveau van een individuele klant, prospect of lead.

Basisuitdagingen

Dat is de theorie. Technisch is dat allemaal mogelijk en aan ambitie ontbreekt het Nederlandse bedrijven ook niet. Maar, bedrijven die waarde uit hun data willen halen worden geconfronteerd met een aantal basisuitdagingen waar ze vaak moeilijk grip op krijgen. Dit zijn de belangrijkste vier:

  1. Data in silo’s

Langzaamaan zijn de meeste bedrijven hun organisatiesilo’s aan het afbreken. Het werken in gespecialiseerde afdelingen past steeds slechter bij de eisen van de markt en er komen vaker multidisciplinaire klantteams. 

De door corona in gang gezette boom in digitaal samenwerken draagt daar zeker aan bij. Met het afbreken van de data-silo’s gaat het minder hard. Veel HR-, marketing-, sales- en BI-teams opereren, als het om data gaat, nog als ‘eilanden’. 

Zij hebben hun eigen processen, systemen en data waarmee ze hun dagelijks werk doen. Het resultaat is dat heel veel waardevolle data opgesloten zitten in Excelsheets en andere moeilijk benaderbare systemen. En het zijn heus niet alleen maar bedrijven met een lange geschiedenis en een kelder vol logge legacy-servers die dit probleem hebben. Er zijn bijvoorbeeld ook e-commercespelers die jarenlang zó gefocust waren op het primaire online proces, dat andere systemen en processen zijn achtergebleven.

  1. Data in verschillende formaten

Data uit verschillende systemen, afdelingen en (als je in een internationaal bedrijf werkt) data uit verschillende landen kun je meestal niet zonder meer samenvoegen. 

Verschillende systemen hebben vaak andere namen voor hetzelfde, gebruiken andere velden om klanten te identificeren of slaan velden op in andere datumnotaties, getalnotaties of valuta. Toen ze je vertelden dat er zo geweldig veel werk was in data-analyse, zeiden ze er vast niet bij dat een deel van dat werk bestond uit het verwijderen van spaties uit datumvelden of het omzetten van decimale punten naar komma’s. Toch zijn het vaak zulke technische details die het lastig maken om databronnen te koppelen en te integreren.

  1. Geen goede data-infrastructuur

Het werken met grote hoeveelheden data eist nogal wat van je IT-infrastructuur. Die moet schaalbaar zijn en altijd toegankelijk. Eigenlijk lukt dit alleen goed als je het in de cloud doet. Niet ieder bedrijf heeft daar de kennis voor in huis. Maar zelfs binnen de cloud-architectuur is data-infrastructuur nog een vak apart. De meeste organisaties moeten dit dus uitbesteden en zien op tegen lange, dure developmenttrajecten. Vaak strandt het dataproject dus al in deze voorbereidende fase.

  1. Niet genoeg data-mensen

De goed opgeleide, ervaren datamensen die je nodig hebt om je data-zaken op orde te krijgen zijn enorm in trek op de arbeidsmarkt. Het is dus erg moeilijk om een data-afdeling op volle sterkte te krijgen. 

Daarbij heb ik het niet alleen over data-analisten en data scientists, maar ook over data-architecten en data engineers die de architectonische en technische aspecten van het werken met data moeten inrichten. De mensen die er wel zijn, zijn vaak druk met het blussen van allerlei technische detail-’brandjes’ en houden nauwelijks tijd over om projectmatig aan doorontwikkeling van de data-tooling te werken.

Reputations CC, data-driven

De waarde van een Customer Data Platform

Gelukkig zijn er heel veel bedrijven die deze uitdagingen hebben en is er dus ook een markt voor oplossingen. Voor marketing- en salestoepassingen heeft zo’n oplossing meestal de vorm van een Customer Data Platform (CDP). 

Een CFP is een systeem (meestal in de cloud), dat alle data die een bedrijf heeft over klanten, prospects en leads centraal verzamelt, koppelt, onderhoudt, bruikbaar maakt en beschikbaar stelt. 

Als alle relevante systemen op je CDP zijn aangesloten, stromen ook de resultaten van je campagnes weer terug het platform in. Zo worden je segmentaties, je marketing automation, je personalisatie en je KPI-rapportages iedere keer een beetje beter. En dat is wat je wil bereiken met data-based werken.

Een goed CDP regelt in ieder geval de volgende dingen voor je:

Data verzamelen

De basis is natuurlijk het verzamelen van data. Doordat je dit in een CDP kunt automatiseren, ben je verlost van veel tijdrovend en foutgevoelig handwerk. Heb je een databron eenmaal gekoppeld, dan zorgt het CDP dat data up-to-date blijven. Realtime als het kan, anders in nachtelijke updates.

Integreren en transformeren

Na het verzamelen transformeert een CDP je data en integreert het records uit verschillende systemen. Dit is een essentiële stap, omdat je in een CDP data wil hebben op het niveau van een individuele klant. Voor deze transformaties definieer je regels, waarna het platform deze transformaties automatisch kan uitvoeren.

Verifiëren

Een belangrijke, soms vergeten stap, is het verifiëren van data. Een CDP is bedoeld om te dienen als basis voor beslissingen. Soms gaat het bij die beslissingen om veel geld. Je wil dus werken in het vertrouwen dat de data die je ziet ook klopt. Een CDP heeft dus mogelijkheden nodig om data niet alleen te verzamelen en te transformeren, maar ook te checken aan de hand van vooraf gedefinieerde criteria.

Up-to-date houden

Als je een dataplatform hebt met actuele, geverifieerde data over al je klanten ben je een heel eind, maar je bent nog niet helemaal klaar. Een dataplatform dat vandaag werkt is namelijk niet per se een dataplatform dat morgen ook nog werkt. 

Binnen bedrijven zijn altijd veranderingen gaande die effect hebben op de data. Overnames en fusies brengen bijvoorbeeld IT-integraties en migraties met zich mee, waarbij dezelfde data in verschillende vormen zijn opgeslagen. Je dataplatform vraagt dus onderhoud en het is het beste om een CDP te kiezen dat dit automatisch doet.

Toegankelijkheid voor de hele organisatie

Je weet niet vooraf welke data nuttig zal zijn voor welk proces. Veel van de beste data-toepassingen zijn juist ontstaan uit combinaties van nieuwe bronnen en processen. Data moeten daarom toegankelijk en bruikbaar zijn voor je hele organisatie. 

Iedereen moet, op basis van alle beschikbare data, experimenten kunnen opzetten en voorspelmodellen kunnen bouwen. Een CDP moet dit moeiteloos kunnen ondersteunen en naadloos meeschalen met toegenomen gebruik of gebruikspieken.

Hoe meer data je hebt, hoe belangrijker het is om goed na te denken over de visualisatie ervan.

Dashboarding

De meeste data-driven beslissingen worden nog steeds door mensen genomen. Die hebben behoefte aan een dashboard dat snel en makkelijk te interpreteren is. Een CDP maakt dat makkelijk.

Marketing automation en NBA-marketing

Veel CDP’s doen meer dan alleen maar data verwerken en bieden ook oplossingen voor marketing automation en het voorstellen van Next Best Actions (NBA) aan klanten of salesteams. 

Met deze functionaliteit helpt een CDP je om data meteen nuttig in te zetten, zonder dat daar een extra softwarepakket voor nodig is. Werk je al met een marketing automation-pakket? Dan ben je uiteraard op zoek naar een CDP dat daar goed mee integreert.

Reputations CC, data-driven

Stappenplan voor kiezen en uitrollen

Kom je tot de conclusie dat je een CDP nodig hebt? Dan loop je meteen tegen het volgende probleem aan: kiezen. Een paar minuten op Google levert je een indrukwekkende lijst opties op, maar het is niet makkelijk om te bepalen welk CDP past bij jouw processen en toepassingen. Om het goede platform te kiezen, kun je het beste bij het begin beginnen. Hieronder vind je een stappenplan:

  1. Databronnen inventariseren

Eerst moet je weten welke data je wil ontsluiten. Dat is een mooie aanleiding om op ontdekkingstocht te gaan in je organisatie. Want waarschijnlijk zijn er nog veel verborgen databronnen die wel waarde hebben. 

Begin bij IT en kijk of je een overzicht kunt krijgen van welke databases er draaien en welke data ze bevatten. Ga daarna bij alle afdelingen langs en inventariseer SaaS-oplossingen, Excelsheets, Access-databases en andere plekken waar waardevolle data zich schuilhouden.

  1. Gewenste integraties in kaart brengen

Welke koppelingen moeten er gemaakt worden om alle data in je CDP te krijgen? De meeste systemen bieden tegenwoordig API-koppelingen aan of andere relatief eenvoudige manieren om bij de data te komen. 

80% van het werk gaat echter zitten in de 20% van je data waar je niet makkelijk bij kunt. Omdat je in stap 1 goed in kaart hebt gebracht welke databronnen er zijn, kun je in deze stap inventariseren wat er technisch nodig is om deze te ontsluiten.

  1. Platformkeuze

Nu weet je in principe genoeg om een platformkeuze te kunnen maken. Je baseert je keuze voornamelijk op de mogelijkheid om al je data te koppelen zonder al te veel maatwerk. 

Daarnaast is het erg belangrijk dat je een platform kiest dat een groot deel van het handwerk automatiseert. Zo zorg je ervoor dat jouw data-mensen met analyses bezig zijn en niet met onderhoud en het oplossen van fouten.

  1. Aannames valideren in een pilot

Wat er in het salestraject beloofd wordt en wat een systeem daadwerkelijk kan, blijkt in de praktijk nogal eens te verschillen. Daarom is het goed om een pilot op te zetten, voordat je je committeert aan een platform. 

Dit geeft je ook de kans om de leverancier van het pakket beter te leren kennen. Als de manier van samenwerken je tijdens de pilot niet bevalt, heb je nog de kans om verder te kijken.

  1. Organisatiebrede adoptie en inrichten dataproces

Is de pilot succesvol afgerond? Dan heb je als het goed is een aantal belangrijke technische en organisatorische vragen beantwoord gekregen. Je volgende doel is een organisatiebrede uitrol van je CDP. 

Je kunt niet alles tegelijk, dus kies je projecten op basis van de waarde die ze toevoegen. Zit je in e-commerce, dan zal bijvoorbeeld conversie-optimalisatie bovenaan de verlanglijst staan. In B2B ligt de prioriteit waarschijnlijk bij leadselectie. 

Door met een beperkt aantal projecten te beginnen geef je je mensen de kans om te leren en om de geleerde lessen uit het ene project toe te passen in het andere. 

Tot slot: a fool with a tool…

Om succesvol te kunnen zijn, moet het werken met inzichten uit data echt deel worden van alle processen. Adoptie van je CDP is dus net zo belangrijk als goedwerkende techniek. 

Je hebt niets aan een CDP als Sales alsnog besluit om ‘op onderbuikgevoel’ leads te gaan bellen of als Marketing uit de losse pols LinkedIn-doelgroepen bij elkaar blijft klikken. Data-driven werken is ook een organisatie- en cultuurverandering. Mensen moeten leren vertrouwen op data en bereid zijn om aannames te toetsen aan wat de data laten zien.

Aan de andere kant blijft het belangrijk om kritisch te zijn en vragen te stellen. Want blind sturen op wat de data je lijken te vertellen, is nooit een goede strategie. Soms zijn er data die je gewoon niet hebt. 

Dan is er creativiteit nodig om experimenten op te zetten en nieuwe databronnen aan te boren. Soms leiden de data je in een richting die logisch lijkt, maar die toch niet klopt. Zoals wanneer je advertenties laat zien aan mensen die toch al klaar waren voor een aankoop, omdat de conversie zo lekker hoog is.

Een goed CDP kan je veel uit handen nemen bij het verzamelen, onderhouden en bruikbaar maken van data. Maar nadenken, dat moet je zelf blijven doen.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *