Doe méér met data: in 7 stappen een analyse-gedreven organisatie

‘Data-gedreven’ is een term die opvallend vaak wordt gebruikt in de wereld van de online marketing en de digital intelligence. Voornamelijk door bedrijven die bezig zijn met hun digitale transformatie. Door de vele verkopers die datacollectie- en visualisatiepakketen aanprijzen alsof ze dé oplossing zijn voor elk bedrijfsprobleem. Maar ook door consultants zoals ik, die bedrijven helpen de volgende stappen te zetten in een wereld waar digitale toepassingen steeds meer overheersen. Bedrijven moeten data-gedreven zijn als ze mee willen in de vaart der volkeren. Maar klopt dat eigenlijk wel?

1. Data verzamelen en presenteren

In mijn werk als digital analytics consultant bekruipt mij weleens het gevoel dat er veel te veel data is, waar we uiteindelijk veel te weinig mee doen. Met recht een data-gedreven benadering die niet meteen zoden aan de dijk zet. Want met data alleen, hoe mooi vaak ook bij elkaar gebracht in creatieve dashboards, kom je niet ver. Of niet ver genoeg, moet ik misschien zeggen. Want natuurlijk is data verzamelen een eerste stap. Een onmisbare eerste stap zelfs. Maar ook niet meer dan dat. Een startpunt naar een mooiere wereld vol inzichten…

Met data alleen, hoe mooi vaak ook bij elkaar gebracht in creatieve dashboards, kom je niet ver.

Kwaliteit van data

En ik zal de laatste zijn om te ontkennen dat het in de wereld van data van levensbelang is om kwalitatief goede data te verzamelen. Daar staat of valt ons werkveld nu eenmaal mee. Maar dat is meer een randvoorwaarde waaraan voldaan moet worden dan dat het een waardevol eindpunt is. Al kan ik het niet laten om hier even wat meer uit te weiden over data-kwaliteit. Want als je kijkt naar het meten van gedrag op je website, is het daadwerkelijk ‘taggen’ ervan nog steeds een knelpunt.

Tagging

Ik heb rondgelopen bij bedrijven waar het maanden duurde om simpele aanpassingen in de tagging te kunnen doorvoeren. En hoe vaak gebeurt het niet dat je pas na de lancering van een vernieuwde website ziet dat de code niet helemaal werkt? Op het moment dat de data binnen komt stromen (of niet binnen komt stromen dus).

Tag-management

Een goed tag-managementplatform kan je in ieder geval helpen een belangrijk deel van deze beperkingen weg te nemen. Ik heb het dan niet eens over de brij aan code die je in een simpele container kunt plakken. Of het feit dat tag-management ervoor zorgt dat de bezoekerservaring niet lijdt onder alles wat je op de website probeert te regelen en te vangen. Niet te negeren voordelen natuurlijk. Maar voor mij betekent een bedrijf dat een tag-managementsysteem gebruikt simpelweg een bedrijf dat serieus aan de slag wil met datacollectie en data-kwaliteit.

2. Bedrijfsdoelstellingen als uitgangspunt

”If you don’t know where you are going, any road will take you there and you will be miserable when you arrive.” Een uitspraak van Avinash Kaushik, die altijd tot mijn verbeelding heeft gesproken. Trouwens, ook een waarheid als een koe. En meteen ook het grootste issue dat onze webanalytics-ecosystemen bedreigt, of je nu een klein bedrijf bent met een halve analist en één tool of een grote coöperatie met 30 analisten en 15 tools. Als we onze (online) bedrijfsdoelstellingen niet als uitgangspunt nemen, weten we niet hoe goede of slechte resultaten eruitzien. Toch wel een probleempje, lijkt mij zo.

KPI-framework

Daarom adviseer ik bedrijven bijna altijd om te starten met het uitwerken van een KPI-framework. Voordat je begint met meten, rapporteren en analyseren, moet je eerst nadenken over je online doelstellingen, natuurlijk in nauwe samenhang met je overkoepelende bedrijfsdoelstellingen. Denk vervolgens na over de beste strategieën om die doelstellingen te bereiken. Hang daar de kritische succesfactoren en belangrijkste metrics aan. Je hebt het dan over key performance indicatoren (KPI’s) die je een duidelijk beeld moeten geven van het succes van je gekozen strategieën. En om dan te weten of je inspanningen een succes of een mislukking zijn geweest, moet je van tevoren nadenken over het doel (target) dat je wil bereiken. Klinkt redelijk simpel, nietwaar? Maar vaak blijkt het zo simpel niet te zijn, meestal omdat in beginsel de tijd niet wordt genomen om hier goed over na te denken.

Dagelijkse focus op de juiste KPI’s

Hoeveel bedrijven zijn er niet die nooit een KPI-framework hebben uitgedacht? En dus eigenlijk ook niet weten waar ze hun focus moeten leggen als het om analyse gaat? Terwijl het leven zoveel eenvoudiger zou zijn als je wél weet waar je je elke dag op moet richten. Zodat je je niet hoeft bezig te houden met een grote berg data waar begin noch eind aan zit. Data waarmee je met gemak je hele dag kunt vullen zonder dat het bruikbare inzichten oplevert. En dat kan niet de bedoeling zijn. Niet voor een parttime analist van een klein bedrijfje en ook niet voor die grote intelligence-afdeling bij een speler van wereldformaat.

Target setting op je KPI’s

In het hele proces van focus leggen, is het erg belangrijk dat je je doelen per KPI vaststelt (target setting). Daarbij is je eigen data als benchmark bijna altijd het meest bruikbare uitgangspunt. Met behulp van historische data kun je voorspellen wat je doel voor de toekomst zou kunnen of moeten zijn. Ik wil wel bekennen dat het niet altijd eenvoudig is om goede targets te zetten. Het vraagt gedegen nadenken en doorrekenen op basis van de trends die je in je eigen data ziet. En mocht je daar echt niet uitkomen of gewoon nog niet voldoende data voor handen hebben, dan kun je er altijd voor kiezen je target op 10 procent groei te zetten. Want geloof me, bijna alles kan met 10 procent verbeterd worden als je er een beetje tijd en moeite insteekt.

3. Aan de slag met data-analyse

En als je dat dan allemaal helder hebt: doelstellingen, strategieën, gerelateerde KPI’s en hun targets, dan kun je concreet aan de slag. En dan bij voorkeur niet te veel met het maken van rapportages, maar vooral met analyseren.

”Maar wat is dan het verschil?” hoor ik je bijna vragen. En dat is een goede vraag, hoewel niet één die altijd even eenduidig te beantwoorden is. Even heel kort door de bocht: als je een grote berg data voorgeschoteld krijgt, dan gaat het om een rapportage, zelfs als die berg is vermomd als dashboard. Maar als er woorden worden gebruikt die inzichten en de daaraan gekoppelde acties beschrijven, mag je er vanuit gaan dat je naar de resultaten van een analyse zit te kijken. Simpel, zou je zeggen. Maar toch worstelen we wat af in de wereld van de data-analyse als het gaat om het vertellen van het verhaal achter de data.

Storytelling met data

Storytelling met data is niet zo eenvoudig als het lijkt. Want hoe zorg je dat de boodschap overkomt, zonder die overload aan data te laten zien waarop je conclusies gebaseerd zijn? Wat is echt essentieel voor je verhaal en voor de acties die eraan gekoppeld moeten worden? Hoe prikkel je je publiek met je aanbevelingen?

De klus die data-analyse heet, vraagt dan ook om inzicht in de bedrijfsdoelstellingen en prioriteiten. Het vraagt creativiteit in het maken van rapporten en het toepassen van de juiste segmenten. En bovenal vraagt het om een zinvolle presentatie van je inzichten en aanbevelingen in een taal die begrepen wordt.

4. Context in data

Hoe vaak hoor je mensen niet klagen dat ze bijna meer data voor handen hebben dan goed voor hen is, maar dat ze toch geen interessante inzichten boven tafel kunnen krijgen? Maar getallen alleen zeggen nu eenmaal niets, tenzij je context toevoegt.

Een voorbeeldje

Geeft bovenstaande ook maar enig inzicht of roept het nieuwsgierige vragen op? Nauwelijks, ben ik geneigd te zeggen. Maar wat gebeurt er als je met wat segmenten een beetje kleur toevoegt aan deze saaie cijfers? Dan krijg je het volgende:

Inzichten waarop actie te ondernemen is

En als ik je dan vraag of dit wél inzichten en vragen oproept, wed ik dat ik een hele andere reactie krijg. Want nu weet je best wat interessante dingen over je 123.608 bezoekers te vertellen. Meer dan de helft kwam via zoekmachines. Slechts een deel (7.054 bezoekers, nog geen 6%) deed wat je graag wilde, namelijk het bezoeken van je productpagina’s. En misschien nog meer ontnuchterend, slechts een heel klein deel (1,1%) converteerde ook.

Laten we vervolgens eens kijken naar de gemiddelde tijd dat bezoekers op je website doorbrachten. In eerste instantie lijkt 73 seconden wel een alarmerend korte tijd die bezoekers op je toch zo inspirerende website doorbrengen. Nu zie je dat in ieder geval een deel van je bezoekers substantieel meer tijd op je website is, namelijk degenen die tot de productpagina’s kwamen. En je weet nu hoelang het duurt voordat iemand converteert. En natuurlijk is dit maar een eenvoudig voorbeeld, maar het roept zeker interessante vragen op waarop je een al even interessante analyse kunt loslaten. Je gaat je bijvoorbeeld afvragen waarom er 71.215 bezoekers gemiddeld slechts 45 seconden op je site doorbrengen. Waar komen ze binnen? Via welke zoekwoorden? Is het betaald of organisch verkeer? Een andere vraag die je je zelf kunt stellen is of 234 seconden een goede tijd is om tot conversie te komen.

Dus zoals je ziet, maakt context data een stuk interessanter. Het helpt je focus te leggen en inzichten te ontdekken waarop actie te ondernemen is.

5. Vergelijken van trends

In je zoektocht naar inzichten zijn er een aantal redelijk eenvoudige uitgangspunten die je kunt toepassen. Allereerst is daar het vergelijken van trends over verschillende tijdsperiodes. Simpel, maar effectief! Kijk hieronder maar eens.

Een eenvoudige trendlijn met wat data. En hoewel het er best mooi uitziet, zegt het niet zoveel. Zeker niet voor mensen die niet zo diep in de data zitten als jij. En kijk dan nu eens naar het volgende: een vergelijking tussen deze periode en een andere vergelijkbare periode.

En ik wil niet meteen helemaal uit mijn dak gaan, maar je moet toch toegeven dat dit je ineens confronteert met veel meer inzichten, vragen en ideeën. Allereerst lijkt het me duidelijk dat je een topmaand achter de rug hebt, dus zorg ervoor dat iedereen dat te weten komt. Het is behoorlijk uniek dat je verkeer stijgt met meer dan 50 procent, waarbij de bouncerate nauwelijks gestegen is en de engagement stabiel is gebleven. Het gebeurt zelden dat je nieuwe bezoekers trekt die kwalitatief zo waardevol zijn. Ik zou snel eens met je marketeers gaan praten om erachter te komen wat ze gedaan hebben de afgelopen maand.

6. Vergelijken met gemiddelden

Ook het vergelijken met gemiddelden kan extra inzichten opleveren. Dit lijkt een gevaarlijke zet. Want zoals we allemaal weten, zijn gemiddelden niet de beste cijfers om conclusies op te baseren. Toch kunnen ze je helpen als je op zoek bent naar een eerste stukje context in je data. Een voorbeeld: stel dat je meer wil weten over het directe verkeer naar je site. Wat zegt het onderstaande plaatje je dan?

Gaat het goed met het directe verkeer? Of juist niet? Toch lastig om hier conclusies aan te verbinden. Maar wat gebeurt er als je gemiddelden toevoegt? Dan krijg je het volgende.

Plotseling zie je betekenisvolle data, veel dichterbij dan je verwacht had. Plotseling heb je waardevolle inzichten in je directe verkeer. Een bescheiden deel van je totale verkeer, maar wel heel waardevol volgens de statistieken hierboven. Geweldig!

Dat tweede overzicht kun je naar iedereen binnen je organisatie sturen en er zullen geen irrelevante discussies ontstaan over definities. Niet de vraag wat de bouncerate nu precies is of hoe average time on site wordt berekend. Iedereen zal de performance en waarde van het directe verkeer zien, omdat je hen context hebt gegeven. En dat is wat je wil! Geen discussies over definities of cijfers, maar discussies over welke acties deze cijfers oproepen.

7. Combineren van metrics

Tot slot: een veel voorkomende fout die gemaakt wordt bij het maken van rapporten is om alleen de focus te leggen op die ene belangrijke metric. Terwijl zo’n metric alleen vaak niet voldoende context biedt om zinvolle conclusies te trekken. Mijn advies is dan ook om belangrijke metrics altijd te combineren met andere metrics, die er de noodzakelijke context aan geven. Kijk maar eens naar het overzicht hieronder.

Wat je hier ziet, is alleen maar data en niet erg bruikbaar. Maar als je het combineert met wat andere metrics krijg je een heel ander verhaal.

De  gerelateerde metrics geven onmiddellijk context aan de oorspronkelijke metric (vistis) en plotseling heb je een veel beter inzicht in het presteren van de verschillende marketingkanalen. Je ziet meteen welke goed presteren en welke wat minder. En je kunt er veel gemakkelijker conclusies en acties aan verbinden. Top toch?

Rapporteren versus analyseren

Wat de voorbeelden hierboven duidelijk maken, is dat er een verschil is tussen rapporteren en analyseren. In een organisatie die de focus wil leggen op analyseren, moeten analisten een duidelijk beeld hebben van alle facetten van de business. Ze moeten gemotiveerd zijn om al hun vaardigheden in te zetten om specifieke, begrijpelijke en tot actie aanzettende inzichten boven tafel te krijgen. Dat vraagt meer dan data-inzicht alleen. Dat vraagt om kennis van de organisatie, maar zeker ook om overtuigingskracht en virtuoze presentatietechnieken.

Analyse-gedreven organisaties

Een organisatie wordt volgens mij pas echt analyse-gedreven als de analisten minstens 50 procent van hun tijd aan daadwerkelijk analyseren besteden. Een evenwichtige verdeling tussen datacollectie, rapporteren en analyseren ligt rond de 15-35-50. Veel bedrijven zijn daar nog niet, daar ben ik me van bewust. Maar we bewegen wel gestaag die kant op. En als we dat volhouden, kunnen we het hoofd bieden aan het alsmaar groeiende aanbod aan data en kunnen we daar meer en meer zinvolle conclusies uit trekken. Want dat is tenslotte waar het om gaat!

Ik ben benieuwd wat jullie ervaringen met rapporteren versus analyseren zijn in dit tijdperk van alsmaar groeiende data toepassingen. Laat het me weten in een reactie.