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.
Big Data is erg trendy. Veel grote bedrijven zijn bang om de boot te missen en starten omvangrijke initiatieven om alvast allerlei data te verzamelen in zogenaamde ‘data lakes’. Zelfs als het nog onduidelijk is in hoeverre die data de strategische doelstellingen van de organisatie gaat ondersteunen. Moderne marketing, met kenmerken als ‘customer-centric’, ‘inbound’, ‘content’ en ‘multi-channel’, lijkt vaak direct gekoppeld te worden aan Big Data. Maar is dat wel zo? In deze blog gaan we hier wat verder op in.
Big Data als begrip
In de afgelopen jaren is het gebruik van de term Big Data steeds verder verschoven van de oorspronkelijke bedoeling. In 2001 is de term gelanceerd door Gartner, met als bedoeling om data te typeren die problemen veroorzaakte in ‘Information Management’ of praktisch gezegd; data die lastig is op te slaan en te verwerken tot zinvolle informatie. Big Data is volgens de eerste Gartneriaanse typering, data die tegelijkertijd en in hoge mate gekenmerkt wordt door:
- Grote hoeveelheid (Volume).
- Veelzijdigheid (Variety).
- Hoge snelheid (Velocity).
Tegenwoordig is Big Data als term ongeveer synoniem met ‘(te)veel data’, waarmee het accent de laatste jaren dus vooral op volume is komen te liggen. Als de historische context van Big Data je interesseert kun je een meer gedetailleerde bespreking van Big Data vinden in een eerder blog.
Praktisch gezien kunnen we, denk ik, het beste refereren naar Big Data als het gaat om data die gebruikmakend van de huidige technologie lastig te verwerken is tot zinvolle informatie, maar ook dit is geen sluitende definitie. Ik ben zelf geen voorstander van het gebruik van de term Big Data, niet alleen omdat het een verwarrende, onduidelijk gedefinieerde term is, maar ook omdat het nogal suggestief is, te pas en te onpas wordt gebruikt en geen business georiënteerd doel lijkt te kennen. Veel leveranciers van Big Data gerelateerde technologie zullen dit uiteraard ten stelligste ontkennen.
Big Data voor Marketing Intelligence
Welke data die tegenwoordig vaak onder Big Data wordt gevat, is eigenlijk zinvolle data voor marketing? Moderne marketing probeert een buyer journey te faciliteren. Daarvoor analyseer je het gedrag van klanten of bezoekers in combinatie met hun eigenschappen, om zo te komen tot het vaststellen van zogenaamde Next Best Actions (NBA’s) voor die klant of prospect. Vooral het monitoren van klantgedrag in jouw kanalen levert data op die door zijn volume vaak gevat wordt onder Big Data. Denk bijvoorbeeld aan klikgedrag van klanten op het web of uitingen over jouw bedrijf of product op sociale media.
Een ander gebied, dat tegen marketing aanhangt, is productontwikkeling. Daarbij kan informatie over het praktische gebruik van jouw product door de consument, je helpen om het product te verbeteren of om aantrekkelijke productcombinaties te bedenken. Ook de sociale media kunnen een bron van informatie zijn voor mogelijke productverbetering.
Drie vormen van marketing data
Concluderend zou je drie vormen van data kunnen onderscheiden die relevant zijn voor marketing:
1. Data over gedrag in de eigen kanalen
Dit omvat data over de wijze waarop bezoekers jouw interactieve kanalen (zoals je website) gebruiken. Denk bijvoorbeeld aan bezochte pagina’s, ingevoerde zoekwoorden en geklikte banners. Laten we deze data eens nader beschouwen in de context van de vraag of deze data problemen gaat opleveren in de verwerking tot zinvolle marketing informatie.
- Volume: dit is direct afhankelijk van de bezoekersaantallen van je interactieve kanalen, hetgeen je vrij eenvoudig kan meten. Op de grote multinationals na, hebben de meeste bedrijven geen indrukwekkende aantallen bezoekers (veelal kleiner dan 1000 per dag), waardoor de registratie van klantgedrag geen onoverkomelijke problemen zou moeten opleveren.
- Velocity: dit is afhankelijk van de snelheid waarmee je deze gedragsdata wilt omzetten in acties. Bijvoorbeeld of je direct wilt reageren op klantgedrag of dat je de data gebruikt om periodiek vast te stellen in welk segment een klant ingedeeld moet worden. Real-time verwerking van gedragsdata uit de kanalen betekent transactionele IT-systemen. Ook al is dit een uitdaging voor de meeste Marketing-afdelingen, die hier immers veelal niet aan gewend zijn, het is geen Big Data probleem. De tweede optie – periodieke verwerking – is feitelijk business as usual voor Marketing en zou zonder problemen moeten kunnen geïmplementeerd.
- Variety: met een beetje fantasie en moeite kun je het gedrag van jouw bezoekers via jouw ‘menselijke’ kanalen, zoals bij gesprekken in je callcenter of winkel, ook formaliseren en vertalen naar ‘klik’gedrag. Als je dat doet wordt de data over bezoekersgedrag feitelijk redelijk eenvormig en dus eenvoudig te structureren (low variety).
2. Data over gedrag in publieke kanalen
Deze data omvat alle uitingen binnen communities, denk aan, clicks, likes en reacties op social mediaberichten. Steeds meer B2C-bedrijven hebben inmiddels aparte afdelingen voor het monitoren van deze sociale media en het adequaat reageren op posts. Ook voor marketing kan deze informatie relevant zijn, zowel specifiek (per prospect) als generiek (naamsbekendheid en emotionele tendensen en gevoelens). Likes en dislikes op jouw eigen reclame-uitingen op social media zijn nog redelijk eenvoudig te turven. Het wordt echter lastiger als je data wilt verzamelen over tekstuele uitingen (posts) van consumenten en de likes of dislikes daarop. Deze zijn namelijk sterk afhankelijk van de interpretatie van de uitingen. Het betrouwbaar automatiseren van tekstinterpretatie staat nog in de kinderschoenen, vooral door linguïstische nuances (denk bijvoorbeeld aan sarcasme).
3. Data over het gebruik van producten
Door middel van sensoren kun je data verkrijgen over het gebruik van jouw producten. Daarmee kom je op het gebied van het “Internet of Things’. Sensorische data is vrijwel altijd hogelijk gestructureerd (low variety) en daarmee eenvoudig te verwerken, ook al kan de hoeveelheid data voor bepaalde typen producten best groot zijn (high volume).
Is dit wel Big Data?
Ook al worden deze vormen van data tegenwoordig vaak onder de term Big Data geschaard, ze voldoen feitelijk niet aan de oorspronkelijke definitie. In principe kan het volume van de genoemde data-soorten wel sterk toenemen, maar - met uitzondering van de data uit sociale media - de data is goed gestructureerd en kent weinig variëteit. Bovendien valt voor kleinere bedrijven de kosten/baten-analyse voor real-time dataverwerking meestal negatief uit. De snelheid van informatieverwerking hoeft daarom ook niet erg hoog te zijn. Met andere woorden: er is weinig of geen sprake van een combinatie van datakenmerken (volume, velocity en variety) die betekent dat de verwerking van deze ‘Big Data’ problemen gaat opleveren.
De ongestructureerde inhoud van berichten op sociale media veroorzaakt een uitzondering op deze conclusie. Volume en Variëteit spelen hier gelijktijdig een rol en ook de behoefte aan snelheid kan voor marketing een rol gaan spelen, als je bijvoorbeeld tijdig wilt reageren op oplaaiende emoties.
Welke data ga je als eerste oppakken?
Op het gebied van ‘Big Data’ voor marketing, ligt het voor de hand om te beginnen met de data uit het klikgedrag van de bezoekers aan jouw eigen interactieve kanalen. Deze data kan uit de kanalen worden doorgegeven aan jouw BI-omgeving en dan direct bijdragen aan het vaststellen van Next Best Actions voor individuele klanten of prospects. Bij het vormgeven van de berichten over klikgedrag uit de kanalen, kun je het beste zo kanaal-onafhankelijk mogelijk zijn (channel agnostic). Zo kun je dezelfde berichtformaten gebruiken voor zowel website, callcenter als winkel. Eigenlijk formaliseer je op die manier meer het bezoekgedrag dan het klikgedrag.
Voor B2C-bedrijven kun je als tweede stap aandacht gaan schenken aan sociale media. Eenvoudig zijn de metingen van likes en dislikes van jouw eigen posts. Ook de metingen rond naamsbekendheid aan de hand van het gebruik van jouw naam in berichten is vrij eenvoudig, als jouw bedrijfs- of productnaam tenminste uniek genoeg is. Voor de meeste bedrijven is het nog te duur om zich te storten op automatische tekstinterpretatie van tweets en posts. Dus dat zou ik vooralsnog even links laten liggen, tenzij het van groot belang is. De huidige stand van zaken rond Big data technologie stelt je echter wel in staat om grote hoeveelheden tekstberichten supersnel te kunnen doorzoeken op zoekwoorden en dat kan interessante informatie opleveren. Er zijn inmiddels al bedrijven die diensten in het gebruik van data uit sociale media aanbieden, dus doe daar onderzoek naar voordat je er zelf activiteiten in gaat ontplooien.
Data uit sensoren rond het gebruik van jouw producten speelt alleen een rol als je een aansluitende soort producten aanbiedt. Denk aan witgoed, thermostaten, auto’s, enzovoort. En daarbij speelt natuurlijk een belangrijke rol of je deze sensoren op Internet kunt aansluiten. Op enkele productsoorten na, is dit type data qua timing nog wat prematuur.
Conclusie
Zoals eerder betoogd: Laat je niet gek maken door Big Data. Kijk goed naar het doel, voordat je alvast allerlei data gaat verzamelen in een ‘data lake’ in de hoop er iets moois uit te halen. En realiseer je dat de eerste laaghangende vruchten waarschijnlijk niet eens Big Data zijn.
Meer weten over Big Data en wat kan de groei van Big Data kan betekenen voor uw bedrijf? Op deze vraag zal onderstaand eBook antwoord geven. Dit eBook is een verzameling van blogs door Gerrit Versteeg geschreven over Big Data vanuit het perspectief van de manager.
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.