Innoveren doe je met thick data: van ‘wat’ naar ‘waarom’

Op basis van het koopgedrag van een tiener, trok warenhuis Target de conclusie dat zij zwanger was. Het warenhuis stuurde haar na haar bezoek reclame voor babyspullen. Haar ouders trokken boos aan de bel bij de manager van het betreffende filiaal… Een aantal dagen later bleek dat het datasysteem van het warenhuis de dochter beter kende dan haar ouders.

Deze anekdote heb je vast al eens eerder gehoord. Het maakte duidelijk: big data was de toekomst. En inderdaad, big data heeft inmiddels zijn waarde bewezen voor tal van zaken gerelateerd aan business, sales en marketing. Onder andere voor personalisatie van acties, aanbevelingen en abonnementen.

Big data geeft bedrijven mogelijkheden om uit zeer grote aantallen platte data snel te herleiden ‘wat’ er gebeurt en op basis daarvan verklaringen te maken en voorspellingen te doen. Door een steeds groter geloof in technologie, data en machine learning lijkt het aantrekkelijk om big data dus ook in te zetten bij innovatie.

Maar daar gaat het juist vaak mis. Hoewel big data je veel kan vertellen over ‘wat’ er gebeurt, kom je meestal van een koude kermis thuis als je wil weten ‘waarom’ dingen gebeuren. En laat het nu juist de waarom-vraag zijn die interessant is voor innovatie.

Voorbeeld: geur-neutraliserende spray

Een voorbeeld aan de hand van het in eerste instantie gefaalde product Febreze van P&G. P&G patenteerde voor het eerst geur-neutraliserende en absorberende spraytechnologie in haar nieuwe Febreze-product. Het product werd in het begin tot het midden van de jaren negentig op de markt gebracht.

Met behulp van televisiereclames leerden consumenten over de nieuwe technologie die in Febreze wordt gebruikt. Deze kan op stoffen, tapijten, meubels en andere huishoudelijke artikelen worden gespoten om geuren te neutraliseren en op te lossen. P&G dacht dat ze een winnaar in huis hadden.

De omzet was echter drastisch lager dan verwacht. Nadat er maanden waren verstreken en de verkoop voortdurend daalde, was P&G tot de conclusie gekomen dat ze een officiële flop hadden. Maar ze begrepen niet waarom? Totdat ze in gesprek gingen met klanten.

Je kunt niks oplossen als er geen probleem is

Het marketingonderzoeksteam van P&G voerde gesprekken met consumenten die Febreze niet kochten en waarschijnlijk ook nooit zouden kopen. Op één gesprek in het bijzonder zat een team van twee marktonderzoekers met een vrouwelijke huiseigenaar in haar woonkamer. Dit huis was speciaal vanwege de 9 katten die door het huis liepen toen de onderzoekers arriveerden.

Hoewel één van de onderzoekers zelfs een paar keer moest kokhalzen van de geur, gaf de huiseigenaar doodleuk aan dat ze geen geur-neutraliserende spray nodig had, omdat haar katten nauwelijks geur afgaven.

Dat was het aha-moment in dit onderzoek! Het is onmogelijk om een ​​product op de markt te brengen dat geuren neutraliseert aan consumenten die van nature geloven dat er geen geur in hun eigen huis bestaat. Dit eenvoudige onderzoeksinterview en deze observatie zorgden voor een enorme verschuiving in zowel de innovatie als de marketing van Febreze.

Van ‘wat’ naar ‘waarom’

Via andere onderzoeksinterviews leerde het marketingteam dat veel kopers van Febreze het product niet kochten en het gebruikten om specifieke geuren te elimineren. Ze gebruikten het eerder na een normale reiniging, als een bevestiging van ‘schoon’.

Het innovatieteam van Febreze ging terug en voegde specifieke verfrissende geuren toe aan de geur-neutraliserende technologie. De nieuwe spray zou dienen als positieve versterking voor Febreze-gebruikers, waarbij de aangename geur een soort van ‘beloning’ was van de gedane schoonmaak.

Deze productinnovatie en lancering is slechts een van de vele voorbeelden waarin een ander type data nodig is, dat inzicht geeft in diepliggende menselijke ambities en behoeften. Hetzelfde type data is vaak nodig voor het ontwikkelen van compleet nieuwe dienstverlening, een nieuwe markt, een nieuw businessmodel of klantervaring.

Investeer in thick data

Thick data is een compleet andere manier om inzicht te vergaren. Het gaat om kleine aantallen, om datavergaring in de gebruikerscontext en diepere inzichten. Het gaat ineens niet om eentjes en nulletjes en computerkracht voor het zoeken naar verbanden, maar om mensen, gevoelens, situaties, gedrag en de rijke data die voortvloeit uit onderzoek daarop.

Thick data gaat om mensen, gevoelens, situaties en gedrag.

In plaats van te vertrouwen op grote getallen en computers, wordt inzicht verzameld door mensen te observeren, diepte-interviews te doen. Hierbij wordt niet de wat- maar de waarom-vraag beantwoord. De zoektocht naar de verrassing staat centraal.

In onze eigen praktijk gebruiken wij een uitgebreide set aan methodes en formats die gebruikmaken van thick data. Ik deel vier voorbeelden:

1. Job to be done-onderzoek

Dit type onderzoek legt bloot waarom een gebruiker een bepaald product koopt, zodat je inzicht krijgt in wat ‘verbetering’ betekent voor de gebruiker. Een fastfoodrestaurant leerde zo dat klanten milkshakes niet kochten vanwege de smaakjes. Ze werden gekocht vanwege het feit dat ze long lasting satisfaction leveren, makkelijk in cupholders van de auto passen en de kans op vlekken verminderen, in tegenstelling tot een donut. Innoveren op smaak was dus irrelevant.

2. Unmet needfinding

Legt bloot welke problemen en prioriteiten klanten hebben, onafhankelijk van een product of dienst. Dit geeft inzicht in kansen voor verbreding of volledig nieuwe dienstverlening. Pillpack in de Verenigde Staten ontdekte dat patiënten van chronische ziekten hun medicijnen altijd ordenen in een pillendoosje per dag. Zij ontwikkelden hierop dienstverlening die de pillen aanlevert per dag in plaats van per merk.

3. Customer journey/experience mapping

Met deze manier legt je bloot welke gevoelens klanten hebben bij het consumeren van jouw dienstverlening. Dit geeft inzicht in kansen voor betere klantbeleving. Op een groot vliegveld kwamen we er zo achter dat de securitybeleving voor een flinke dip zorgde. En dat deze radicaal verbeterd kon worden. Hoe? Door het proces voorspelbaarder te maken en passagiers meer uitleg te geven.

4. Pretotyping

Deze methode legt bloot of (en welke) klanten je productidee begrijpen en de waarde ervan zien, door een neppe versie ervan te etaleren in winkels (of digitaal). Zo hadden wij ooit een button met ‘ik wil mijn testrit aan huis’ online gezet op de site van een groot automerk, om de aan-huis-testrit-propositie te testen. De propositie stond toen nog niet live.

Er zijn nog legio andere voorbeelden van methodes om thick data te vergaren. Waar het om gaat is het volgende:

Thick data gaat over kleine aantallen rijke data, om te herleiden waarom dingen gebeuren.

Kortom, voor het achterhalen van echte aanknopingspunten voor innovatie, is vaak een thick data-onderzoekstype en -mindset nodig.

Moet ik om te innoveren big data vergeten?

Nee. De kracht zit hem juist in het weten wanneer je beide disciplines toepast, en hoe ze elkaar kunnen versterken. Zo kun je via thick data aanknopingspunten vinden voor nieuwe klantproblemen of behoeften, om die vervolgens via big data te valideren en verdiepen. Of juist andersom: via constante NPS-metingen kun je verlopen zien in klantervaring, om vervolgens via interviews te achterhalen waardoor die veroorzaakt werden, en dus relevant interventies te doen.

We leven in een wereld waarin technologie een steeds belangrijkere rol krijgt. Maar uiteindelijk gaat het altijd om een ding: mensen. Staar je dus niet blind op big data en neem de tijd om mensen echt te leren kennen via thick data.