5 Strategieën ter verbetering van Marketing Analytics

25 februari, 2019

Farisch Hanoeman Foto School of Data Science

Farisch Hanoeman

“Er is een grote discrepantie tussen de opbrengsten die de data revolutie met zich mee zou brengen en wat het tot nu toe daadwerkelijk heeft gebracht. Uit het CMO rapport van 2018 blijkt dat leidinggevende meer aan marketing analytics willen spenderen (van 5,8% in 2018 naar 17,3% in 2021), maar dat het tot nu toe slechts gemiddelde effecten oplevert (4,1 op een schaal van 7, waarbij 1=niet effectief en 7=zeer effectief). “

Talent

De oorzaak van deze discrepantie ligt grotendeels bij het vinden van het juiste talent: slechts 1,9% van leidinggevenden is van hun mening dat er in hun bedrijf genoeg talent aanwezig is om genoeg te halen uit de beschikbare data. Ondanks het gebrek aan talent, kan er nog steeds veel waarde uit data gehaald worden. Welke strategieën kunnen bedrijven daarvoor hanteren?

1) Definieer het probleem gezamenlijk

Vaak ontbreekt er bij degene die het probleem definieert een overzicht van wat er allemaal mogelijk is met de beschikbare data. Neem als voorbeeld een marketeer die een aanvraag doet bij een data-analist naar convertieratio’s. De marketeer is misschien niet op de hoogte dat de analist ook veel kan vertellen over factoren over long-term sales. Een probleemstelling zou daarom moeten voortvloeien vanuit een zo open mogelijke dialoog, waarin een probleem zo generiek mogelijk wordt besproken.

2) Spendeer tijd buiten de data

Data-analisten worden effectiever wanneer ze duidelijk begrip hebben van de context van data. Het is daarom belangrijk dat data-analisten ook een significant gedeelte van hun tijd spenderen buiten de data. Voor marketing data-analisten betekent dit vooral tijd doorbrengen met klanten om een goed gevoel te krijgen voor de specifieke behoeften.

3) Prioriteer projecten

Data-analisten worden soms overladen met verzoeken. Vaak ontbreekt het hier aan prioritering. Stel data-analisten daarom goed op de hoogte van bedrijfsprioriteiten op basis van: 1) in hoeverre het project een duidelijke verandering van werken teweeg kan brengen en 2) in hoeverre het project een significant economisch rendement kan opleveren.

4) Communiceer inzichten

Het gebeurd nog te vaak dat analisten zich focussen op de gebruikte modellen, complexe grafieken en jargon in plaats van inzichten. Data-analisten moeten leren beseffen dat gecompliceerde modellen vaak vervangen kunnen worden door simpele infographics. Deze zijn beter begrijpbaar voor stakeholders die niet diep in de materie zitten. Ook dit is een reden waarom bovenstaande adviezen opgevolgd dienen te worden; data-analisten moeten tijd doorbrengen buiten de data en gezamenlijk het probleem definiëren. Dit ter voorkoming van miscommunicatie.

5) Train ontbrekende vaardigheden

Sommige data-analisten zijn goed met Excel, wiskunde en programmeren. Sommige zijn goed in het begrijpen van de bedrijfsproblematiek en het vertellen van het verhaal. Er is een hele kleine groep die goed is in beide. Om effectief te zijn als data-analist is het belangrijk beide goed te kunnen. Door het trainen van ontbrekende vaardigheden is het mogelijk goed de data te kunnen begrijpen en ook deze goed weten te vertalen.

In het kader van de exponentiële groei in data, krijgen bedrijven een ongekende kans om hun klanten te verrassen door de juiste producten en services aan de juiste mensen op het juiste moment en het juiste formaat, locatie, apparaten en kanalen te leveren. Het realiseren van dat potentieel vereist echter een proactieve en strategische benadering van Marketing Analytics. Bedrijven moeten investeren in de juiste mix van data, systemen en mensen om deze winst te realiseren.

Wil jij ook leren programmeren met Python?

“Je krijgt een goed beeld hoe de basis van Python werkt. Duidelijk stof en veel oefeningen inclusief een duidelijke handleiding. Goede cursus om de eerste stappen van het programmeren te leren.”

5/5

Michel Degger – Acceptatie verzekeringen

Scroll to Top