Marketeers zijn vastgeroest: durf te experimenteren met data!

Laatst kwam een interessante vraag bij me op. Hoe ‘vastgeroest’ zijn wij marketeers bij de inzet van datagedreven tools en methodes? Kleuren we niet te veel binnen de lijntjes die influencers opstellen, zonder zelf te durven ontdekken wat we nog meer kunnen met middelen als personalisatie, recommenders en A/B-testen? Kennen we de wetenschappelijke oorsprong van de methodes die we inzetten en blijven we daar nog wel trouw aan? Samen met Maurits Kaptein, Chief Science Officer bij Science Rockstars, zette ik onze gedachten en ervaringen op een rijtje.

Wetenschap is sexy tegenwoordig. Niemand denkt meer aan witte jassen en reageerbuizen; wetenschappers zijn rocksterren geworden. De tijd dat je in het bedrijfsleven ‘afgestraft’ werd als je er een te wetenschappelijke benadering op nahield, is voorbij. In de dynamische wereld van online marketing zijn tal van ontwikkelingen gaande die hun ontstaan aan wetenschap te danken hebben. Denk aan personalisatie, A/B-testing en de inzet van recommender engines.

Bepaal waarom je data verzamelt

Hoewel de oorsprong van deze acties een wetenschappelijk karakter heeft, gaan veel marketeers bij de inzet ervan vaak allesbehalve wetenschappelijk te werk. Neem bijvoorbeeld het verzamelen van data. Nog altijd steken veel bedrijven tonnen in het opzetten van datacollectie, om die data vervolgens alleen maar op te slaan. Er gebeurt niets mee. In de wetenschap – en dat zou net zo goed voor het bedrijfsleven moeten gelden – bepaal je eerst wat je wilt bereiken om daarna gericht data te gaan verzamelen.

Personalisatie

Nu hebben veel bedrijven en marketeers inmiddels wel begrepen dat die collectiedrift niet de juiste aanpak is. Ze zijn een stap verder, bijvoorbeeld door hun marketingacties te personaliseren. Maar klopt dat wel? Personaliseren houdt in dat je iemand een boodschap stuurt die op maat gemaakt is op basis van zijn of haar profiel en persoonlijke voorkeuren. Zoals de kruidenier vroeger een oprechte suggestie deed omdat hij zijn klanten uit-en-te-na kende.

Contextualisatie

Maar niet elk aangepast bericht is een gepersonaliseerd bericht. Een paraplu aanbieden als het regent is geen personalisatie. Het is eerder ‘contextualisatie’; je berichten aanpassen op de context. Daar is niets mis mee, maar personalisatie kun je het niet noemen. En toch zijn er heel veel mensen die dat doen.

Als je – los van de definitie – kijkt naar het proces van personalisatie, dan wordt vaak te weinig stilgestaan bij het daadwerkelijke effect ervan. Gaat de investering die je wil doen ook een effect geven? Het komt in de praktijk te vaak voor dat bedrijven personaliseren om te personaliseren. Zelfs als ze van tevoren verwachten dat het resultaat nihil is.

Bepaal de potentie van scenario’s op basis van data

Dan wordt ineens gesproken over een langetermijneffect dat niet te meten is. Dit onderbuikgevoel speelt nog te vaak op, terwijl het meten en analyseren van online gedrag zo ongelooflijk veel mogelijkheden geeft die je kunt gebruiken als de basis voor personalisatie. Analyseer de data die je hebt om vooraf reëel in te schatten of je met personalisatie het gedrag van je bezoekers in de juiste richting kunt sturen. Onderzoek bijvoorbeeld hoe bestaande scenario’s – waar de personalisatie betrekking op heeft – presteren. Op basis daarvan kun je ook de potentie van andere scenario’s bepalen.

Denk bijvoorbeeld eens aan de ‘cognitieve stijl’ van een bezoeker om een productdetailpagina te optimaliseren. Welke opbouw van die pagina vindt een bezoeker het prettigst? Ziet hij of zij graag een visuele pagina met veel afbeeldingen en generieke features? Duikt de persoon in kwestie het liefst in de specificaties of zijn juist de gebruikersreviews het belangrijkste onderdeel?

Begin vanuit de gebruiker

Schotel je bezoeker die stimuli bewust voor en analyseer welke indeling het meeste effect heeft. Dat zijn voorbeelden van personalisatiemogelijkheden die snel een goed effect opleveren, iedere productpagina opnieuw. Begin daar dus mee als je wilt personaliseren. En verlies jezelf niet in te ambitieuze projecten die waarschijnlijk nooit uit de kosten komen.

Recommender engines

Zeker op websites met massa’s producten krijgen bezoekers veelal te maken met een ‘choice overload’; ze worden overweldigd met keuzes. Om dit fenomeen te minimaliseren en content relevanter te maken, worden tegenwoordig veelvuldig recommenders ingezet. Het alom gebruikte principe is simpel: gebruiker 1 keek naar product A, B en C. Gebruiker 2 naar B, C en D. Dan is het zeker de moeite waard om persoon 1 ook eens product D voor te schotelen en persoon 2 met A te confronteren. Een simpel principe dat goed werkt. Het mooie is ook dat je als marketeer niet hoeft te weten wie welke producten heeft gezien. Als je maar voldoende data hebt, kun je er eindeloos mee doorgaan.

Product E

Aan de andere kant blijf je op die manier een kringetje van populaire producten aanbieden. Daarom zie je dat steeds meer bedrijven recommenders inzetten om hun data te verrijken en de recommender uit te breiden en beter te maken. Ze nemen dan heel gericht ook product E mee, een item dat populair is binnen een bepaalde groep mensen.

De reactie van je bezoeker die je daarop krijgt, kan een heel waardevolle toevoeging voor je dataset zijn. Het kan je bijvoorbeeld helpen om het geslacht of de leeftijd van een bepaalde bezoeker nader te bepalen. Je kiest hierbij niet voor exploitatie, maar voor exploratie, een principe dat in de wetenschap vaak voorkomt als je een beslissing moet maken over een onzekere uitkomst.

A/B-testen

A/B-testen zijn gemeengoed in marketingland. Iedereen weet hoe het werkt en wat je ermee kunt. Het stamt direct af van medische testen en online is dit principe zo gemakkelijk in te zetten dat het massaal gedaan wordt. Een uitkomst is er altijd. Want de kans dat twee varianten van een website of uiting precies hetzelfde effect laten zien is nihil. Veel marketeers nemen echter veel te snel aan dat het effect van een test vaststaat. Daarbij onderschatten ze de sampling variabiliteit. Oftewel: als je dezelfde test volgende week weer doet, is het effect dan hetzelfde?

Variëren met de verhouding

Daarom is het zeker het overwegen waard om de verhouding van de test te variëren. Je begint bijvoorbeeld met 50-50. De ene helft krijgt variant A, de andere helft variant B. Daar komt dan een bepaald effect uit. Je kunt ook je kennis uitbouwen door bijvoorbeeld te onderzoeken of het effect hetzelfde is als je de verhouding naar 60-40 en later misschien naar 70-30 brengt. Zo kun je zien of het effect van de verschillende varianten ‘meebeweegt’ of niet.

Denk overigens ook goed na over de grootte van een A/B-test. Is de test te klein? Dan is de kans heel groot dat je de verkeerde keuze neemt. Is de test aan de andere kant te groot, dan lopen de kosten van een niet-presterende variant enorm op. Maak van tevoren een inschatting op basis van de statistieken die je al hebt. Bepaal de verwachte of de minimale verhoging die je wilt halen en hoe groot je sample size moet zijn. Op basis daarvan kun je dan afbakenen hoe groot je bereik voor de test moet zijn, welk percentage van je bezoek je erin mee moet nemen bijvoorbeeld.

Ken je werkveld

Soms kan net iets anders denken je een groot concurrentievoordeel opleveren. Daarvoor moet je alleen wat verder durven denken dan de doorsnee inzet van de gebruikelijke marketingtools. Laat technologie niet de baas worden over je creativiteit als marketeer. Ga op zoek naar de wetenschapper in jezelf en kies de juiste balans tussen exploiteren en exploreren. Daarvoor is wel kennis nodig. Zorg ervoor – en dat klinkt veel simpeler dan het daadwerkelijk is – dat je weet hoe het internet werkt en tot op zeker hoogte ook zelf kunt programmeren, zodat je ook kritisch kunt zijn naar IT toe. Je hoeft geen doorgewinterde IT-crack te zijn, maar zorg ervoor dat je ‘weet dat melk van de koe komt’.

Afbeeldingen met dank aan Fotolia