Onze ervaringen en tips
9999. NaN. None. NULL. N/A. “Your query returned 0 result(s)”.
Analyses die je als mens makkelijk kunt uitleggen, zijn in de uitvoering vaak een stuk lastiger. Dat is geen probleem als dat komt omdat het ongerept terrein is, want dan ben je aan het verkennen. Maar als het komt doordat je data of infra niet meewerkt, lijkt de afstand tussen je laptop en dat raam vaak opeens een stuk kleiner. Bij OnMarc zijn we ook niet vies van een beetje zelfmedelijden. Verzucht je mee? En natuurlijk geven we ook onze practices over het werken met data.
Voorspellingen
Wanneer je data analyseert of modellen bouwt, is het doel vaak een voorspelling. Wellicht niet altijd heel expliciet – er is nog genoeg te doen voordat je aan machine learning hoeft te denken – maar veel van onze rapportagebehoefte komt toch neer op: oké, waar nu heen? Alleen terugkijken doe je niet vaak. Je probeert iets van de onbekende toekomst in te vullen met robuuste analyses.
Gokken en hoofdpijn
De kern zit hem in dat laatste, anders is de scheidslijn tussen ‘projecteren’ en ‘gokken’ een hele dunne. En hoewel we weten dat echte data nooit zo schoon en volledig is als de schoolvoorbeelden doen vermoeden, is er wel degelijk een ondergrens aan wat je als analist kunt oplossen. Cleaning is prima, missing values opvullen is goed, maar voor veel marketing analyses is er wel een bepaald detailniveau nodig. Attributieanalyses zonder multichannel koppelingen, klantwaarde analyses zonder inzicht in churn (of andersom…): hoofdpijn gegarandeerd.
Geen toegang
Ook een leuke: de data is er wel, maar niet voor handen. Eerder schreven we al over hoe ‘het dataloket’ het momentum uit je organisatie haalt, maar ook binnen een analytics team kan dit al een probleem zijn. IT werkt niet mee, er is geen uniforme analyseomgeving of Rebecca die ooit de dataset heeft ingeladen is nu 4 maanden op wereldreis en dus niemand die weet wat die kolom betekent…
GA4
Daarnaast kunnen koppelingen op zich zelf al een probleem zijn. GA4 is een verbetering in kijk op data, maar het blijft zo nu en dan zoeken naar hoe je de data het beste omzet in een leesbaar rapport. Van unieke gclid naar revenu in de resulterende klantreis kan best lastig zijn, laat staan wanneer je dat over sessies heen wilt tillen. Cross-device blijft voor veel analyseplatforms ook een issue, terwijl we bij onze klanten zien dat tussen de 30 en 60% toch meerdere devices in hun journeys gebruikt.
Kwaliteit
Datakwaliteit, ook zoiets. Wanneer je alleen toegang hebt tot geaggregeerde data en dus niet terug kunt naar de bronbestanden, valt er weinig meer te fixen of te checken. Een verkeerd geplaatste utm-tag of een HTML-element dat net niet onderscheidend genoeg is in je clickstream: voor je customer analytics best lastig. Ook als een klant onder meerdere noemers bekend is (emailadres, zakelijk adres, voor- en doopnamen) is een profiel tussen back-office en online opbouwen ook lastig. Clicks en bricks blijft een uitdaging, die alleen goede data kan oplossen.
Onze best practices!
-
- Zorg voor een data glossary. Als iedereen met toegang tot de data ook kan zien wat de definities van datapunten zijn, komt dat datagebruik en -kwaliteit zeker ten goede.
- Daaraan gekoppeld: deel best practices voor data cleaning en prep. Of het nou gaat om Python classes, R scripts, SQL statements of gewoon procedures: als één collega in je team een goede oplossing bedacht heeft om bron A aan B te koppelen of die ene kolom werkbaar te krijgen, gebruik die dan vooral allemaal. Scheelt nadenkwerk en discussie.
- Verken data samen met de afnemers. Een interessante segmentatieoefening gedaan? Ga dan samen met de business de volgende stap aan en duik on the fly dieper in je segmenten op basis van hun vragen. Zo maak je de afnemer ook onderdeel van de data, en niet alleen consument van je Powerpoint.
- Deel datatrivia en houd deze bij. Als je regelmatig nieuwe kleine inzichten deelt (“15% van onze klanten gebruikt meerdere devices, maar is wel trouw aan hun voorkeurskanaal”), bouw je over verloop van tijd best een leuk overzicht op.
- Besteed aandacht op de RoI van je analyses (en waar dat fout gaat). Dit artikel van Harvard Business Review gaat in op een aanta l veelvoorkomende valkuilen bij AI in Marketing.
- Zorg dat je data én analyses ook een plek vinden in de business. We zien keer op keer dat klanten die van data en inzichten geen IT-feestje maken, beter erin slagen bedrijfsbreed datadriven te worden. Dit betekent: dataverzameling en kennisdeling voorbij de silo’s.
