Big Data Marketing - Hoe begin je eenvoudig?
Hoe begin je als marketeer nu eigenlijk met Big Data? Is het onderwerp op dit moment überhaupt interessant voor marketeers? In elk artikel over Big Data en Marketing lees ik iets over het grote belang van Big Data, meestal gelardeerd met een anekdote over een klantenkaart en alle informatie die daar uit voortkomt. Vaak is het hoogtepunt dan dat de desbetreffende winkelketen eerder weet dat een dame zwanger is dan de man van die vrouw.
Waarom starten organisatie dan niet gewoon, hoor ik je denken? De eerste reden zou het gebrek aan kennis kunnen zijn. Uit onderzoek onder onze doelgroep bleek het gemiddelde kennisniveau van onze doelgroep op de 5,2 te zitten. Een tweede reden die hieraan gelieerd is, is dat eerst enkele uitdagingen getackeld moeten worden. Uit hetzelfde onderzoek bleek de top drie uitdagingen te bestaan uit:
- Het vinden van de juiste tools
- Het gebrek aan kennis om data te analyseren
- Het gebrek aan kennis om data te implementeren
Ondanks deze uitdagingen, zit er nog een stap voor het proces van Big Data Marketing. De meest eenvoudige manier is om gewoon maar eens te beginnen met het verzamelen van klantdata die je dan later kunt gebruiken. Om je op weg te helpen om een eenvoudige start te maken met (marketing)data, leg ik in dit artikel uit welke data je zou kunnen verzamelen en waarom.
Big Data: een vakgebied in ontwikkeling
Als we het erover eens zijn dat het belang van data al groot is en in de toekomst zal groeien, dan is het een goed idee om in ieder geval te beginnen met het collecteren van die data. Nu hoor ik je zeggen: wij verzamelen al veel data. Mooi, maar wat verzamel je eigenlijk? Niet dat dat van het grootste belang is. Op dit moment zou ik vooral voorop willen stellen dat je data verzamelt, en liefst zoveel mogelijk. Je kunt je altijd op een later moment nog eens afvragen welke data je gaat gebruiken.
Eén van de beroemde V’s die meestal worden gebruikt als het over een definitie van Big Data gaat is 'Volume'. Dat betekent dus dat je veel data moet verzamelen. Dit is o.a. van belang voor de voorspellende waarde van je data. Wat exact belangrijk wordt, is later pas van belang. Big Data is in de meeste gevallen namelijk unstructured (geen structuur). Dat hoeft ook niet, want ook die structuur brengen we later wel aan als we exact weten wat we met die data gaan doen. Een voorbeeld van ongestructureerde data is profieldata. Wanneer je alle informatie opslaat rondom een websitebezoeker, dan verschilt die informatie nogal van profiel tot profiel.
Afbeelding 1: Big Data Volume
Het CRM systeem
Wanneer je organisatie één van de grote CRM-systemen gebruikt, dan wordt klantdata al op een goede manier opgeslagen. Tenminste, als je werkt volgens de normen van die desbetreffende klantendatabase. Het belangrijkste op dit moment is dat de data objectief en meetbaar worden opgeslagen. Het is dus van belang dat de gebruikers het CRM gebruiken zoals het bedoeld is: wanneer een klant als lead wordt opgeslagen, later een opportunity wordt en wanneer de klant een opdracht verstrekt (bijvoorbeeld een cursus volgt), de sale apart wordt vermeldt, dan zijn deze eenheden in de database keurig apart terug te vinden. We kunnen dan later precies nagaan hoe het salestraject in zijn werk is gegaan en daar conclusies aan verbinden.
Online gegevens verzamelen
Je website is een grote bron van gegevens. Naar alle waarschijnlijkheid gebruikt je Google Analytics om die gegevens te analyseren. Dat is een heel waardevol instrument. Alleen kunt je die gegevens verder niet meer gebruiken. Google Analytics is (afhankelijk van jouw licentie) een eenwegsysteem. Je stuurt gegevens naar Google, maar Google stuurt je alleen geaggregeerde gegevens terug. Je kunt ze dus niet gebruiken om vervolgens je zuur verdiende data voor andere toepassingen aan te wenden, zoals lead generation, e-mail nieuwsbrieven, etc.
Objectieve opslag van gegevens en meetbaarheid
Het is dus verstandig data van meet af aan objectief (in dezelfde vorm) op te slaan. Alleen dan kun je die data achteraf makkelijk vergelijken, aggregeren, optellen en er bewerkingen op doen.
Een paar voorbeelden:
- Een potentiële klant vraagt een offerte aan voor een cursus Big Data. Opslaan als: een opportunity voor prospect x in verband met product y voor prijs z.
- Een klant vraagt op de website een brochure aan voor een cursus Big Data. Opslaan als: een lead van profiel x in verband met product y op datum (ook opslaan: sessie, bezochte pagina’s, bronkanaal, campagne, etc).
In een database worden beide typen data objectief opgeslagen: ze zijn namelijk exact terug te herleiden tot een bepaalde handeling op een bepaald moment door een bepaalde actor (gebruiker van het CRM, of de website) binnen een objectief geschetste context.
Wat kunnen we daar dan mee?
Als we die data op de juiste manier opslaan, dan zijn de mogelijkheden eigenlijk onuitputtelijk. We kunnen die data bijvoorbeeld gebruiken voor:
- Persoonlijke aanbiedingen
- Leadlijsten
- Personalisatie van een website
- Personalisatie van een mailing
- Statistische analyses
- Voorspellende analyses (wat gaat iemand kopen bijvoorbeeld)
- Sentimentanalyse
Deze lijst kan nog een stuk langer worden. Gaat je dit nu allemaal doen dan? Nee, nog niet op dit moment misschien. Daarvoor moeten waarschijnlijk eerst nog eerdergenoemde uitdagingen getackeld worden.
Op korte termijn zal je gebruik moeten maken van de data die je bezit, eenvoudigweg omdat de concurrentie ook niet stilzit. Echter, op dit moment wordt het slechts gebruikt door de bovenste paar procent van de markt. Dat betekent dat er enorme kansen liggen. En zoals meestal in marketingland geldt: wie er het eerst mee start, haalt de buit binnen. Begin dus in ieder geval met het opslaan van de data, dan heb je je entreekaartje veilig gesteld.
Klaar voor Big Data Marketing?
Wil je niet langer wachten? Ga dan direct aan de slag en volg de cursus Big Data Foundation. Tijdens deze cursus leg je een theoretische basis van Big Data. De cursus vervolg je met de opleiding Big Data Practitioner waar je alles over de toepassing van Big Data leert.
Bron afbeelding: IBM