Deze blogreeks valt binnen ons thema ‘Management & BI’. Dit thema is bedoeld voor managers die wat meer willen weten over Business Intelligence, maar dan alleen de essentie, in begrijpelijke taal en zonder alle technische termen en hypes.
Marketing en data science worden steeds vaker in één adem genoemd. Daarom lijkt het mij goed om het onderwerp data science - bekeken vanuit de marketing-discipline - eens wat nader te beschrijven in deze no-nonsense blogreeks over Marketing Intelligence. Ik begin daarom maar met een introductie van het begrip zelf.
Introductie
De hype rondom data science concentreert zich veelal om twee aspecten: de data en de tools. Discussies rond nog grotere volumes, nog snellere of nog meer gevarieerde data – onder de kapstok-term Big Data – laaien op, als indicatie voor het belang van Data Science. En dan meestal hand in hand met het tweede brede discussieonderwerp “tools”, met termen als Hadoop, NoSQL, MapReduce en Data Lakes en heftige debatten over R versus Python.
Toch draait Data Science meer om de ‘science’ dan om de data of de tools. Voor bedrijven zou data science geen hobby moeten zijn. Het nut van data science ligt in het beantwoorden van bedrijfsvragen. De science ligt in het doen van gedegen, navolgbaar en herhaalbaar onderzoek naar de antwoorden. Welke data en tools daarbij nodig zijn, is instrumenteel. Zo kan het zijn dat je uit een data lake van 3 TeraByte, slechts 10kb aan data nodig hebt om die specifieke vraag te beantwoorden en kun je met behulp van MS/Excel die 10 kb makkelijk analyseren voor correlatie of regressie.
Maar een discipline data science die zichzelf beschrijft als “wij gebruiken data om onze bedrijfsvragen te beantwoorden” klinkt veel minder spannend, dan “wij hebben met onze 3 TB de meeste data vergeleken met onze concurrenten binnen de branche” en “wij werken al met een data lake gebaseerd op Hadoop, gecombineerd met R en Tableau”.
Science, en niet Data of Tools
Als je begint met de vraag die je wilt beantwoorden als belangrijkste motivatie, kom je er vaak achter dat je nieuwe data nodig hebt of dat dat je een nieuw experiment nodig hebt om tot het juiste antwoord te komen. Je moet je ook realiseren dat het eenvoudig is om structuur of verbanden in een data lake te vinden. Er is immers - op basis van allerlei redenen - vaak correlatie te vinden, als je maar genoeg data hebt. Het begrijpen of deze correlaties er toe doen voor bepaalde interessante vragen, is veel lastiger. Vaak wordt de structuur die je vindt in een eerste analysefase veroorzaakt door fouten in de metingen of de dataverwerking of door het hanteren van artefacten die geen rol spelen bij voor marketing nuttige vragen.
Het zal niet lang meer duren of de hypes rond veel data en geavanceerde tools verdwijnen naar achtergrond. Het werkelijke effect van data science zal worden gemeten aan de hand van het vermogen om vragen met een duidelijk omlijnde bedrijfswaarde, middels een gedegen wetenschappelijk onderzoek op basis van data, te kunnen beantwoorden.
Marketing en data science
Marketing heeft als discipline van nature allerlei vragen. Welke klanten passen bij mijn nieuwe producten? Hoe kan ik het risico van churn inzichtelijk maken? Hoe meet ik het netto effect van mijn campagnes?
Moderne marketing vereist een goed passende en snelle reactie op het vaak ‘onduidelijke’ gedrag van je klanten en bezoekers. Dat genereert weer nieuwe, vaak complexere vragen, bijvoorbeeld: Hoe kan ik voorspellen in welke van mijn producten deze bezoeker geïnteresseerd zal zijn, gezien zijn gedrag tot nu toe?
Vooral moderne marketing, waarbij je de buyer journey zo goed mogelijk wilt faciliteren, heeft behoefte aan allerlei voorspelmodellen die we pas na goed onderzoek kunnen opstellen. Dat onderzoek is afhankelijk van data. Denk aan gegevens over klanten, productgebruik, bezoekersgedrag, concurrenten, merkbeleving, naamsbekendheid, sentimenten op sociale media, enzovoorts. Vaak wordt het pas gedurende het onderzoek duidelijk welke data precies de hoogste voorspellingswaarde geeft en welke data dus nodig is in het model. Ook voor marketing geldt dus dat data science gedreven wordt vanuit de vraagstelling en niet vanuit een vooraf verzamelde set van gegevens of vanuit de beschikbare functionaliteit die moderne tools je kunnen bieden.
De data science reeks
Na deze introductie, zal ik in de komende blogs het onderwerp data science voor marketing wat verder gaan toelichten. Denk bijvoorbeeld aan het data science proces, de rol van de data scientist en mogelijke databronnen.
Ben je nieuwsgierig wat de groei van Big Data en de opkomst van Market Intelligence als een hulpmiddel betekenen voor jouw bedrijf? Op deze vraag zal in onderstaand E-book antwoord worden gegeven.
Laat hieronder een opmerking achter als je een bepaald onderwerp rond Marketing Intelligence wilt aandragen. Dan kan het zomaar voorkomen dat jouw situatie of vraag in een dedicated blog binnen de reeks wordt besproken.