Online marketing: Data = Drama!

Het verzamelen, beheren en verwerken van data is een tak van de marketingsport, die zich snel ontwikkelt. Online marketing heeft hier een geheel nieuwe dimensie aan toegevoegd, aangezien veel verschillende resultaten gemakkelijker te meten zijn dan bij traditionele offline media. De eindeloze mogelijkheden kunnen echter leiden tot stress en drama: welke data moet ik hebben, waar haal ik die vandaan, is het de juiste data én wat is nu waar? Hieronder een aantal vragen die elke online marketeer zichzelf zou moeten stellen.

Welke data heb ik nodig?

De vraag die hieraan voorafgaat is: ‘Wat zijn mijn belangrijkste KPI’s?’. Is het antwoord op deze vraag niet duidelijk, dan zal de hoeveelheid beschikbare data je eerder verder van je doel houden, in plaats van dichterbij brengen. Pas wanneer je snapt wat je wilt meten en waarom, kun je sturing geven aan de data die je verzamelt. Veel bedrijven schaffen dure analysepakketten aan, al voordat is vastgesteld wat het pakket zou moeten kunnen en wat er verzameld moet worden. Resultaat: een geweldig systeem en geweldige rapportages, die vertellen wat je niet nodig hebt en nog erger, die je afleiden van je werkelijke doelen.

Wie weet wat?

Of het nu gaat om gedragsdata, conversiecijfers, nieuwsbriefstatistieken, SEA-resultaten, data afkomstig uit het sociale web, prijsvraagantwoorden of ingevulde enquêtes: veel gegevens zijn slechts beschikbaar op één plek in de organisatie. En vaak is het bestaan van deze data niet bekend bij collega’s, die er juist veel aan kunnen hebben. Interessante online marketingdata kan vaak alleen bekeken worden door gespecialiseerde afdelingen, met de juiste inloggegevens. Programmeurs, zoekmachinespecialisten, webredacteuren hebben toegang tot verschillende interfaces en verschillende data.

Als wél bekend is dat de ander beschikking heeft over interessante data, kan er een spanningsveld ontstaan tussen verschillende afdelingen, die elkaar steeds om actuele data-exports moeten vragen. Hierdoor wordt de ene groep van zijn werk gehouden en de andere durft het niet meer te vragen. Het is daarom belangrijk dat, voor veelgebruikte databronnen, geïnvesteerd wordt in applicaties, exports of dashboards, zodat de juiste mensen over de juiste data kunnen beschikken.

Wat moet ik meten?

Vaak heerst het idee dat er maar beter zoveel mogelijk data verzameld kan worden, want wie weet komt het ooit van pas. Je zou dit kunnen vergelijken met mensen, die zoveel spullen verzamelen, dat ze datgene wat ze dagelijks nodig hebben niet meer kunnen vinden. Nu is het verzamelen van online data natuurlijk minder belastend dan het volstouwen van opslagcontainers met rommel, maar als er op de een of andere manier geïnvesteerd wordt in deze databronnen of de verwerking daarvan, kan dit zeer belemmerend en vertragend werken.

Naast het maken van duidelijke keuzes, is automatiseren een belangrijke pijler voor een succesvolle datastrategie. Is iemand elke week bezig om de gegevens bij te werken in Excel en grafiekjes door te trekken? Probeer eens uit te rekenen hoeveel tijd en geld dit kost! Kijk ook goed naar je webanalyticspakket: welke mogelijkheden voor export en analyse biedt dit? Zijn er add-ons, API’s of andere mogelijkheden die repeterend analysewerk kunnen versimpelen en automatiseren?

Er zijn vaak ook minder zichtbare kosten bij dataverzameling. De marketeer realiseert zich bij het aanvragen van een export of analyse bijvoorbeeld niet dat de programmeurs al een uur aan de koffie zitten, omdat de computer zo lang bezig is met de gevraagde query. Zorg daarom voor de juiste machines op de juiste plek, zodat complexe queries en berekeningen snel gedaan kunnen worden. Of laat bijvoorbeeld ’s nachts query’s draaien, zodat de analyses ‘s ochtends beschikbaar zijn.

Wordt er op de juiste manier gemeten?

In het gehele proces kunnen altijd fouten sluipen. Menselijke fouten, stelselmatige meetfouten, verschillen in definitie óf verschillen in interpretatie. Voor online marketingdata zijn er veel technische issues, die groot effect kunnen hebben op de meting van resultaten. Er zijn bijvoorbeeld veel systemen die voor de meting volledig afhankelijk zijn van cookies. Dit terwijl de gemiddelde uitval van cookiemeting rond de 30% ligt. Hiermee is de betrouwbaarheid van deze data in de basis slechts een magere 70%.

Veel fouten ontstaan vervolgens door onjuiste of onvolledige implementatie van het meetsysteem. Er zijn duizenden websites waarbij een deel van de website de meetcodes zijn vergeten en de meting dus slechts een deel van het sitebezoek omvat. En laten we het maar niet hebben over verschil in interpretatie door het gebruik van verschillende definities van bezoeken, bezoekers, visitors, unieke bezoekers en clicks. Ieder meetsysteem geeft hier zijn eigen invulling aan en metingen uit verschillende systemen zijn wat dat betreft dus zeer zelden te vergelijken.

Conversieattributie: verder kijken dan de laatste klik

Een ander voorbeeld van interpretatie is het conversieattributiemodel, dat wordt gebruikt om het resultaat uit een online campagne te beoordelen. Hoewel alle marketeers leren dat marketing draait om het AIDA-model (de klant gaat via aandacht en interesse over tot een beslissing en uiteindelijk actie), wordt bij het toekennen van een conversie aan een campagne meestal alleen nog gekeken naar de laatste click of de laatste cookie (LCC). Inmiddels is iedereen het er over eens dat dit geen volledig recht doet aan iedere campagne. Dit leidt er in de praktijk toe dat we toestaan dat één transactie wordt toegewezen aan meerdere bronnen. Op deze manier is het resultaat uit campagnes alleen veel groter dan het resultaat in de kassa.

Daarom kijken steeds meer partijen verder dan alleen naar de laatste klik en staat de bijdrage van meerdere betrokken partijen bij het aankoopproces centraal. Dit voegt nieuwe dimensies toe aan de interpretatie van de data. Denk hierbij aan unieke én gevalideerde omzet per campagne, zodat écht ROAS (Return On Advertising Spend) per kanaal kan worden bepaald.

Van data naar waardevolle inzichten

Data zijn bakken met cijfers en letters, niet meer en niet minder. Pas op het moment dat iemand er iets mee gaat doen, worden ze waardevol. Veel data verzamelen is niet altijd het begin van veel kennis en informatie als er niet genoeg capaciteit is om het te verwerken en te analyseren. Door een overvloed aan data en te weinig mensen om de data te managen, denk je alles te weten en weet je daardoor eigenlijk niets.

Hoewel het misschien allemaal open deuren lijken, kent iedereen de voorbeelden van bedrijven die zo hard bezig zijn met het verzamelen van data en het in de praktijk weinig succesvol weten in te zetten. Bedenk daarom altijd goed wat je écht wilt weten en voorkom je ondersneeuwt in data.

A giveaway!

Er is bij jou in het bedrijf zeker nog gratis data: de kast met stageverslagen. Het is onvoorstelbaar hoeveel organisaties onderzoeken laten uitvoeren die al gedaan zijn en hoeveel onderzoeksresultaten als papieren tijgers ongebruikt in de kast blijven liggen. Waardevolle data hoeft niet duur te zijn en is soms dichterbij dan je denkt!