BIG DATA & ONLINE MARKETING
Oscar Olthoff & Indenty BV februari 2014
Uw partner in online marketing
Pantheon 18a
Tel 053 - 850 75 05
7521 PR Enschede
Fax 053 - 850 75 06
Postbus 3242
[email protected]
7500 DE Enschede
www.indenty.nl
Samenvatting Dit onderzoek is uitgevoerd in opdracht van Indenty, een online marketing bureau gevestigd in Enschede. In dit rapport wordt inzichtelijk gemaakt hoe online marketing zich ontwikkeld onder invloed van Big Data en wat Big Data voor online marketing kan betekenen. Dit is van belang voor Indenty en de markt, omdat verwacht wordt dat Big Data van grote waarde kan zijn in verscheidene industrieën en economieën. De belangrijkste bevindingen zijn dat door het gebruik van Big Data in online marketing leidt tot toenemende personalisatie, completere online marketing en toenemende automatisering. Deze ontwikkelingen hebben als resultaat dat de efficiëntie en prestaties in/van online marketing verbeteren. Bijkomend neemt de meetbaarheid van online marketing toe door de groeiende hoeveelheid beschikbare data. Personalisatie neemt toe doordat het complete aankoopproces van de klant kan worden gevolgd en klantprofielen worden verreikt. Hetgeen leidt tot gepersonaliseerde content, websites en aanbiedingen. Completere online marketing wordt gezien als een voorgeleide van personalisatie en het toenemend combineren van online- en offline data om betere inzichten te verkijgen van online marketing inspanningen. Automatisering neemt toe doordat meer Big Data marketing applicaties worden ontwikkeld die (gedeeltelijk) automatisch online marketing uitvoeren en doordat zelf-lerende algoritmes gebruikt worden om online marketing meer te automatiseren.
2
Deze ontwikkelingen hebben tot gevolg dat de efficientie en prestaties in/van online marketing verbeteren, doordat betere inzichten worden verkregen en minder tijd wordt gespendeerd aan het verzamelen en analyseren van data. De meetbaarheid van online marketing neemt toe, doordat meer data beschikbaar is van klantgedrag en zoekmachine marketing om online marketing inspanningen te beoordelen. Doordat meer bekend is over klanten, wordt verwacht dat bedrijven integer moeten handelen aangaande privacy. Daarnaast is het essentieel dat bedrijven een duidelijk doel hebben voordat ze aan de slag gaan met Big Data, omdat bedrijven anders doelloos data verzamelen en gedoemd zijn te mislukken.
Inhoudsopgave Samenvatting
2
3.3 Voorbeelden uit de praktijk bevestigen het
1 Introductie
5
3.4 Conclusie; meer holistische marketing
1.1 Big Data
5
1.2 Indenty
7
1.3 Onderzoeksopzet
7
1.4 Selectie cases en experts
8
1.5 Onderzoeker en begeleiding
9
10
2.1 Het combineren van verschillende
10
2.2 Het combineren van verschillende
en websites door zelf-lerende algoritmes
beeld zien
19 20 21
4.4 Conclusie; volume, variëteit en snelheid 22
5 Verbeterde efficiency, resultaten en meetbaarheid van online marketing
databronnen en het verwerken van data
24
5.1 Verbeterde efficiëntie en resultaten van
met hoge snelheid maakt het mogelijk om
online marketing
content, promoties en/of websites te 11
5.2 Toenemende meetbaarheid van online
12
5.3 Voorbeelden van verbeterde effectiviteit,
2.3 KISSmetrics; een enkel voorbeeld 2.4 Conclusie; variëteit, volume en snelheid
marketing
24 25
resultaten en meetbaarheid in online marketing
zijn belangrijk om te påersonaliseren in
25
5.4 Cases laten toenemende meetbaarheid
online marketing, maar minder in zoekmachine marketing
19
4.1 Meer automatische content, advertenties
online marketing
journey te volgen en klantprofielen te
uit de praktijk
4 Toenemende automatisering in online marketing
17
belangrijk voor automatische analyses in
databronnen om de complete customer
personaliseren
databronnen
4.3 Voorbeelden uit de praktijk laten hetzelfde
leidt tot een toename van personalisatie
verreiken
16
door het combineren van verschillende
4.2 Big Data marketing applicaties in opkomst
2 Het combineren van verschillende databronnen binnen online marketing
opkomende beeld
12
van online marketing zien 5.5 Conclusie
26 27
3 Richting een meer holistische vorm van online marketing
15
3.1 Personalisatie als voorgeleide van holistische (online) marketing 3.2 Het combineren van online- en offline data
15 15
3
6 Discussie Big Data 6.1 Big Data een hype?
29 29
6.2 Het vinden van de juiste data en deze data nuttig maken
29
6.3 Integer handelen met betrekking tot privacy is belangrijk en technische uitdagingen zijn nodig 7 Literatuur
32 34
Bijlage A: Business Model Canvas van Osterwalder
36
Bijlage B: Het web analytics maturity model van Stephan Hamel
4
37
1 Introductie 1.1 Big Data Data omringt ons, alhoewel dit niet altijd gerealiseerd wordt door mensen, omdat zij niet omgaan met zulke grote hoeveelheden data in het dagelijks leven (Kaisler, Armour, Espinosa, Money & Washington, 2013). De hoeveelheid beschikbare data groeit explosief, 90% van de momenteel beschikbare data is gecreëerd in de afgelopen twee jaar. De snel toenemende berg met data is verbonden met de term “Big Data”. Verwacht wordt dat de groei van data zal doorzetten, gedreven door het toenemende gebruik van multimedia in sectoren, de stijging van het gebruik van social media en toenemende toepassing van the Internet of Things (bijv. sensoren en apparaten ingebed in de fysieke wereld en verbonden met netwerken) (Manyika, Chui, Brown, Bughin, Dobbs, Roxburgh & Byers, 2011). Big
Data
betekende
oorspronkelijk
de
hoeveelheid
huidige instrumenten en de originele definitie focuste op gestructureerde data, volgens Kaisler et al. (2013). In het verlengde hiervan wordt gezegd dat de groeiende data
verder
gaat
het beter en met grotere precisie begrijpen van de wereld en door data te gebruiken voor bruikbare inzichten (IBM, 2011; Kaisler et al., 2013). Zodoende wordt Big Data in deze studie begrepen als: “De snel toenemende hoeveelheid beschikbare data, die de potentie heeft om waarde te leveren door het beter begrijpen van de wereld en de grenzen verkent van de technische mogelijkheden om data efficient op te slaan, te beheren en te verwerken” Big Data; volume, variëteit en snelheid Big Data zoals eerder gedefinieerd is hoofdzakelijk gekenmerkt met de aspecten; volume, variëteit en snelheid
gegevens die niet efficient kan worden verwerkt door
hoeveelheid
De analyse van Big Data levert waarde aan bedrijven door
dan
de
technische
mogelijkheden om de data efficient op te slaan, beheren en verwerken (Gobble, 2013; Kaisler et al., 2013). Afgeleid van uitspraken van Jacobs (2009), kan worden gezegd dat Big Data grote hoeveelheden fysieke waarnemingen zijn. In aanvulling hierop refereren andere auteurs ook naar Big Data als de groeiende/exploderende hoeveelheid beschikbare (ongestructureerde) data (Cuzzocrea, Song en Davis, 2011;
(McAfee & Brynjolfsson, 2012; Kaisler et al., 2013; Russom, 2011). Volume
wordt
logischerwijs
geinterpreteerd
als
de
hoeveelheid data die wordt gecreëerd tegenwoordig. Iedere dag wordt 2,5 exabyte data gecreëerd en dit verdubbelt zich iedere 40 maanden (McAfee & Brynjolfsson, 2012). Kaiser et al. (2013) zien het volume van data als de hoeveelheid beschikbare data voor een organisatie, bezeten door de organisatie zelf en/of toegankelijke voor een organisatie; verwijzend naar volumes in het bereik van terabytes (1012) (Russom, 2011) tot exabytes (1018) en verder (Kaisler et al., 2013).
Diaz, Juan, Lucas & Ryuga, 2012).
5
Echter, in het algemeen wordt Big Data beschouwd als de
In andere woorden, gestructureerde data is data die is
hoeveelheid data die verder gaat dan de technologische
toegewezen aan special velden en die kunnen daardoor
capiciteit om de data op te slaan, beheren en verwerken.
direct worden verwerkt met computerappatuur (Baars &
(Gobble, 2013; Jacobs, 2009; Ji et al., 2012; Kaisler, 2013)
Kemper, 2008). Ongestructureerde data wordt uitgelegd als “informatie die ofwel geen voorgedifinieerd data-model heeft
Volume
of niet goed past in relationale tabellen” (Bakshi, 2012). Snelheid verwijst naar de snelheid waarmee de data wordt gecreëerd of geleverd (Kaisler et al., 2013; Russom, 2011;
• Terabytes • Records
Gantz & Reinsel, 2011) zoals is laten zien door de 90%
• Transactions
van de tegenwoordig beschikbare data die is vrijgekomen
• Tables, files
in de afgelopen twee jaar en de hoeveelheid dagelijkse geproduceerde data zich verdubbeld iedere 40 maanden (Bughin, Chui & Manyika, 2010, p.7). Jacobs (2009) voegt
3 Vs of
• Batch
• Near time • Real time • Streams
Big Data
• Structured
• Unstructured
• Semistructured • All the above
hieraan toe, door te suggereren dat wat Big Data echt “Big” maakt niet de hoeveelheid observaties zijn, maar de herhaalde waarnemingen in de loop der tijd. Jacobs (2009) geeft een aantal voorbeelden, zoals Weblogs die miljoenen bezoeken aan een handvol webpagina’s opnemen en data van mobiele telefoons waarbij iedere 15 seconden de tijd en locatie van een paar miljoen telefoons wordt geregistreerd.
Velocity
Variety
Figuur 1 (Bloem et al., 2012) De drie V’s van Big Data
Oftewel, Big Data is de hoeveelheid (terabytes, petabytes en exabytes) data die de grenzen verkent van de technologische mogelijkheden. De variëteit van bronnen is een belangrijke stimulator van Big Data. Snelheid refereert aan de snelheid
Variëteit verwijst naar de variatie in bronnen die data
of data generatie tegenwoordig, welke enorm is door de
produceren tegenwoordig. Russom (2011) beschrijft variatie
nieuwe bronnen die data leveren en de repeterende snelheid
als ieder type data; ongestructureerd, semi-gestructureerd
van waarnemingen.
en gestructureerd. Gestructureerde data betreft primair data in tabellen en andere structuren van relationale databases (bijv. finanaciele transacties). Gestructureerde data is tegenwoordig vergezeld door semi-gestructureerde data (XML, RSS feeds) en ongestructureerde data (bijv. tekst, geluiden, afbeeldingen en menselijke taal).
6
Big Data = Transactions + Interactions + Observations Petabytes BIG DATA
Terabytes
Sensors/RFID/Devices
WEB Gigabytes
CRM
Megabytes
Offer history
Segmentation
ERP Purchase detail Purchase record Payment record
Mobile Web
Web logs A/B testing
Offer Details Customer Touches Support Contacts
Dynamic Pricing Affiliate Networks Search Marketing Behavioral Targeting Dynamic Funnels
User Click Stream Sentiment Userm generated Content Social interactions & Feeds Spatial & GPS Coordinates External Demographics Business Data Feeds HD Video, Audio, Images Speech to Text Product/Service Logs SMS/MMS
Increasing Data Variety and Complexity
Figuur 2 (Bloem et al., 2012) Big Data bronnen
1.2 Over Indenty
1.3 Onderzoeksopzet
Indenty BV is onderdeel van de Innovadis Groep en zorgt
Het doel van dit onderzoek is om een diep en breed inzicht
ervoor dat kansen op het internet worden omgezet in
te verkrijgen over de ontwikkelingen en mogelijkheden
online succes. Indenty helpt bedrijven om online marketing
aangaande Big Data in online marketing. Om informatie te
dienstverlening succesvol aan het eigen portfolio toe
verkrijgen over Big Data en de impact van Big Data op online
te voegen. Wij helpen onder meer (online) marketing
marketing, is een breed literair onderzoek uitgevoerd. In
bureaus,
en
eerste instantie zijn meerdere wetenschappelijke databases
e-businessbedrijven om deze discipline kwalitatief en
geraadpleegd voor de wetenschappelijke onderbouwing; de
succesvol aan te bieden aan hun klantenkring. Dit doen wij
bibliotheek van de Universiteit Twente en Scopus. Daarnaast
door het leveren van kennis, informatie, innovatieve tools en
is Google Scholar enkele malen geraadpleegd.
uitgeverijen,
reclamebureaus,
software-
diensten.
7
Daarnaast is de digitale bibliotheek IEEE Xplore gebruikt
De case studies zijn aangevuld met expert interviews om te
voor conferentierapporten en –artikelen. Ten tijde van de
controleren in hoeverre de bevindingen uit de case studies
start van het onderzoek was een geringe hoeveelheid
stroken met het beeld van de experts en om de bevindingen
wetenschappelijke literatuur beschikbaar aangaande Big
uit het literair vooronderzoek te toetsen. Deze whitepaper is
Data en Big Data in combinatie met online marketing.
samengesteld aan de hand van de uitkomsten van de case
Zodoende is de wetenschappelijke informatie, waar nodig,
studies en de expert interviews. De belangrijkste inzichten
aangevuld met de informatie vergaard uit whitepapers, blogs
uit de case studies en expert interviews zijn aan elkaar
en onderzoeksrapporten.
gekoppeld en gepresenteerd in deze whitepaper.
In deze studie is gekozen voor kwalitatief onderzoek. Op
1.4 Selectie cases en experts
deze manier is het onderwerp van deze studie diep en
Gekozen is om bedrijven te interviewen die op het gebied
breed onderzocht. Door middel van een meervoudige
van online marketing al met Big Data werken. Daarnaast zijn
casestudie aan de hand van het Business Model Canvas
experts geselecteerd die zich actief begeven in het werkveld
van Osterwalder (2010) (Bijlage A) is gekeken hoe bedrijven
van online marketing en daarin te maken hebben met Big
in online marketing gebruik maken van Big Data. Hier zijn
Data. De interviews met de medewerkers van de bedrijven
interviews gecombineerd met het bestuderen van websites
waren gericht op de activiteiten van het bedrijf. De interviews
van de betreffende bedrijven.
met de experts zijn vanuit een breder perspectief gehouden.
Case studies Naam
Bedrijf
Brad Friedman
Moz
Alexandra Tachalova
SEMrush
Marketing Manager
Frank Bruijninckx
HowAboutYou
Mede-eigenaar
Phil Harvey
DataShaka
CTO
Joelle Kaufman
BloomReach
Hoofd marketing & partnerships
Sam Silverwood-Cope
Intelligent Positioning
CMO en directeur
Neil Patel
KISSmetrics
CEO
8
Functie Senior Code Ninja – Engineering Team & technisch hoofd voor Mozscape API
Expert interviews Naam
Bedrijf
Functie
Arend Zwaneveld
Online Dialogue
Analytics expert
Mieke de Ketelaere
SAS
Mark van Rijmenam
BigData-Startups.com
Maurits Kaptein
PersuasionApi & Universiteit Tilburg
Regional Customer Intelligence Lead (Zuid-West Europa) Eigenaar Eigenaar PersuasionApi & assistent professor statistiek
1.5 Onderzoeker en begeleiding Deze whitepaper is geschreven door Oscar Olthoff, masterstudent Business Administration (specialisatie Innovatie & Management) aan de Universiteit Twente. Deze whitepaper is een afgeleide van het afstudeeronderzoek, waarin onderzoek is gedaan naar de ontwikkeling van Big Data in online marketing en hoe Big Data waarde kan bieden voor online marketing. Het onderzoek is vanuit Indenty begeleid door Ewoud Smedinga en Tom Visser, wie hebben geholpen bij het selecteren van bedrijven en experts voor deze studie en deze whitepaper hebben gepubliceerd en gedistribueerd.
9
2 Het combineren van verschillende databronnen leidt tot een toename van personalisatie binnen online marketing Angel (2012) legt personalisatie uit als het volgen van de
Het combineren van data van verschillende bronnen zal een
complete route van klanten op het internet. Angel (2012),
360 view van het klant-beeld en –gedrag verbeteren; het
Jaarsma (2012) en Mehra (2013) voegen hieraan toe dat zij
combineren van call-center data, online profiel data (social
verwachten dat content, promoties/aanbiedingen en websites
media), CRM-data en offline- en online aankoopgegevens.
onder invloed van Big Data worden gepersonaliseerd. Uit het
Een uitspraak van Mark van Rijmenam die hierop aansluit:
onderzoek blijkt dat beide manieren van personalisatie een opkomend fenomeen door het combineren van verschillende
“Hoe beter je in staat bent om in real-time verschillende
data bronnen.
databronnen te analyseren, des te beter kan je profielen samenstellen”
2.1 Het combineren van verschillende databronnen om de complete customer journey te volgen en klantprofielen te
Dit om uiteindelijk in staat te zijn te weten welke acties
verreiken
klanten ondernemen in de offline wereld (kranten) of online
Met de entree van Big Data anlyse tools is het mogelijk om
wereld (AdWords) tot het moment van aankoop (of andere
klantgedrag te onthullen over verschillende kanalen. Eerder
daaruit voortvloeiende acties). Echter het merendeel van de
werd “slechts” 10% van het koopprocess opgeslagen;
respondenten geeft aan dat bedrijven momenteel nog in de
tegenwoordig kan en moet ook met ongestructureerde data
beginfase zitten met deze procedures/ontwikkelingen.
rekening gehouden worden. Om meer relevant te worden voor klanten, moet meer informatie over klanten worden
Waarschijnlijk zal “Google Universal Analytics” hierin een
gebruikt. Tot vandaag werd dit gedaan door het combineren
grote invloed worden, deze dienst maakt het mogelijk
van demografische gegevens (leeftijd, gezinssamenstelling,
om web analyse te koppelen aan klantbestanden en
adres, etc.) met gegevens over klantaankopen en analytische
verkoopinformatie (bijv. CRM data). Vanuit dit perspectief
inzichten (klantsegment en percentage dat klant wordt,
is web-analyse of online-analyse de basis en wordt alle
behoud, cross-sell en up-sell opportunities). Door de entree
overige informatie hieraan gekoppeld. Verwacht wordt dat dit
van Big Data is het mogelijk deze informatie over klanten te
de makkelijkste manier voor een breed publiek om met Big
worden uitgebreid door de “customer-journey” te volgen (ook
Data aan het werk te gaan. Andere opties die bekend zijn om
wel “closing the loop” en “end-to-end analyse” genoemd). De
klantgedrag op het internet te volgen zijn coockies en opt-ins
“customer-journey” betekent de complete weg die een klant
op social media, welke het mogelijk maken om klantprofielen
aflegd voordat een aankoop wordt gedaan, bestaande uit
te verrijken wanneer klanten toestemming geven om hun
de volledige click-stream data en social media analyse die
persoonlijke informatie door te spelen.
beschikbaar is binnen de website, advertenties en/of social media content van een bedrijf.
10
Nog een stap verder is de veronderstelling dat psychologie
2.2 Het combineren van verschillende databronnen en het
belangrijker zal worden in de nabije toekomst wanneer
verwerken van data met hoge snelheid maakt het mogelijk
bedrijven proberen om psychologische profielen van hun
om content, promoties en/of websites te personaliseren
klanten te vormen van beschikbare klantdata. Facebook is
Gebaseerd op de identificatie van het volledige gedrag van
een voorbeeld dat genoemd wordt door de respondenten,
klanten en klantprofielen, kunnen en waarschijnlijk moeten
die persoonlijkheidsvragenlijsten gebruikt om bepaalde
bedrijven meer relevant worden in hun communicatie
persoonlijkheidsprofielen te linken aan taal die gebruikt wordt
richting klanten. De klantinformatie moet gebruikt worden
op Facebook. In andere woorden, het type persoon wordt
om
bepaald op basis van de manier waarop mensen spreken en
klantinteractie en aanbiedingen te verbeteren wanneer
posten op Facebook.
een website wordt bezocht. Daarnaast kan reclame-inhoud
granulair
te
werken
op
segmentatieniveau,
om
worden gepersonaliseerd op basis van deze profielen. Een Als resultaat is het (bijvoorbeeld) mogelijk, door verschillende
voorbeeld is de uitbreiding van demografische informatie met
databronnen te combineren, te herkennen dat personen
social media profielen, waardoor bedrijven in staat zijn om
vaak ‘s nachts surfen op een Ipad 4 en interesse hebben
meer gerichte marketing uit te voeren en sub-segmenten te
in specifieke producten. Bovendien zullen bedrijven beter
creëren. Een ander voorbeeld is Amazon.com die hun website
inzicht krijgen in welke marketinginspanningen waardevol
aanpast op basis van klantprofiel-informatie (dynamische
zijn en welke niet. Bedrijven kunnen bijvoorbeeld achterhalen
websites). Het is mogelijk sub-segmenten te creëeren uit
dat klanten die in contact komen met het bedrijf via een
deze massa van informatie, door de toegenomen snelheid
advertentie of telefoon waardevoller zijn dan mensen die
en kracht van computers. In andere woorden, in staat zijn
klant zijn geworden gebaseerd op aanbiedingen. Om dit
om te segmenteren op vrouwen met maat x, die kleur z
te bewerkstelligen, moet alles worden opgezet als een
en een specifiek merk leuk vinden. Dit zorgt ervoor dat
experiment volgens Arend Zwaneveld:
bedrijven in staat zijn relevanter te worden in hun marketing inspanningen. Daarnaast wordt verwacht dat psychologische
“Bij voorkeur stel je alles wat je doet als experiment op. Op
profielen of personalisatie meer en meer zal worden gebruikt
deze manier kan je zien of actie a of b de betere is”
om klantprofielen te vormen en de manier waarop klanten benaderd willen worden.
Gebaseerd op deze experimenten kan bepaal worden welke acties het meest effectief zijn en door al deze (historische)
Een tweede optie is om te personaliseren op basis van
data te gebruiken kan de “customer life time value” bepaald
huidig gedrag van klanten op de website; refererend aan
worden voor specifieke klantprofielen.
PersuasionApi als een goed voorbeeld van personalisatie gebaseerd op segmentatie door psychologie. PersuasionApi gebruikt meerdere verkoop strategieën (bijv. een populair product of een product in de aanbieding) welke worden gebruikt in de content of aanbiedingen om klanten te verleiden tot aankoop.
11
Het programma volgt of klanten besluiten een aankoop te doen
Dit doet het bedrijf met als doel om gebruikerspatronen te
op basis van specifieke verkoop strategieën of argumenten.
begrijpen, om marketingcampagne-effectiviteit te beoordelen
Aan de hand van deze (historische) “interacties” wordt een
en het segmenteren van klanten, wat leidt tot verbeterde
specifieke verkoopstrategie gekozen voor elke individuele
klantbeleving en hogere omzet. Dus deze case uit de studie
klant in real-time. Het doel is om betere verkoopstrategieën/
laat zien dat het combineren van verschillende data bronnen
adviezen toe te passen wanneer klanten websites bezoeken.
nodig is om het klantgedrag te kunnen volgen en voornamelijk om een compleet beeld van de klant te krijgen.
Maurits Kaptein (eigenaar PersuasionApi) verwacht dat deze manier van personalisatie, waarin de marketeer verschillende
2.4 Conclusie
vormen van een website of marketing campagnes ontwerpt
Variëteit, volume en snelheid zijn belangrijk om te
en klantgedrag bepaalt welke vorm wordt laten zien, steeds
personaliseren in online marketing, maar minder in
vaker zal voorkomen in de toekomst. Hij stelt:
zoekmachinemarketing
“elk datapunt bepaalt de keuze en de effecten daarvan
De verwachtingen zijn dat personalisatie binnen online
worden overwogen, die op hun beurt de volgende keuze
marketing zich aan het ontwikkelen is en verder zal opkomen
bepalen. Het is een zelf-lerend systeem”
in de nabije toekomst. De customer journey kan worden gevolgd en klantprofielen worden verrijkt door het combineren
Een belangrijke toevoeging is dat personalisatie een analyse
van gestructureerde en ongestructureerde data-bronnen, wat
binnen milliseconden vereist. Dit is logisch tot op zekere
onvermijdelijk de hoeveelheid data die verwerkt moet worden
hoogte, omdat personalisatie direct moet werken wanneer
zal verhogen.
websites worden geladen. Daarnaast worden algoritmes geinstalleerd die aangesloten zijn aan de klantendatabase in
Waar eerder de focus meer lag op gestructureerde
CMS systemen van websites, waardoor het mogelijk is om
databronnen (bijv. CRM- en verkoop data), worden deze
aanbiedingen te personaliseren en gebruik te maken van
tegenwoordig
klantinformatie.
databronnen (click-stream- en social mediadata). Op deze
gecombineerd
met
ongestructureerde
manier wordt beter inzicht verkregen in klantgedrag/profielen, 2.3 KISSmetrics; een enkel voorbeeld uit de praktijk
psychologie en marketinginspanningen. Dit moet bedrijven
KISSmetrics is een bedrijf uit de VS die persoonsgerichte data
in staat stellen om meer granulaire segmentatie en gerichte
volgt en de “customer journey” op websites openbaart door
marketing uit te voeren door middel van personalisatie van
het integreren van verschillende databronnen en doordat ze
content, promoties en websites.
in staat zijn om iedere databron te koppelen aan het online gedrag van klanten.
12
Het toenemende gebruik van verschillende bronnen vergroot
Bedrijven die zich in online marketing begeven, moeten er
logischerwijs de hoeveelheid data die wordt gebruikt/
dus van bewust zijn dat personalisatie steeds beter mogelijk
verwerkt. Bovendien, hoe groter de hoeveelheid verkeer
wordt door het combineren van verschillende databronnen.
waarvoor gepersonaliseerd wordt, hoe groter de hoeveelheid
Om in staat te zijn om te personaliseren en gerichte marketing
data die wordt gebruikt/verwerkt. Daarbij komt, personalisatie
uit te voeren, moeten bedrijven bewust zijn van welke
in real-time vereist een hoge snelheid van dataverwerking.
data ze verzamelen en proberen deze data te combineren
Concluderend zal alle genoemde aspecten van Big Data
zodat personalisatie en gerichte marketing mogelijk wordt.
(volume, variëteit en snelheid) belangrijk zijn met betrekking
Daarbij komt dat de organisatie in staat moet zijn grotere
tot personalisatie in online marketing.
hoeveelheden data te kunnen verwerken.
Volume
• Terabytes • Records
• Transactions • Tables, files
Track customer behaviour and enrich customer profiles
3 Vs of
• Batch
• Near time • Real time • Streams
Velocity
Big Data
• Structured
• Unstructured
• Semistructured • All the above
Variety Personalize content in online marketing, less in Search Engine marketing
Figuur 3 – Volume, variety en velocity in personalisatie
13
Echter, KISSmetrics is de enige case in deze studie waarbij personalisatie is gevonden zoals beschreven. Dit wordt mogelijk verklaard door de selectie van de cases; de bedrijven die zijn geselecteerd zijn voornamelijk actief in zoekmachinemarketing. De geïnterviewde experts in dit onderzoek zijn vanuit een breder perspectief dan alleen zoekmachinemarketing geïnterviewd. Hierdoor is het mogelijk te verklaren is dat personalisatie in zoekmachinemarketing minder aan de orde is, terwijl het in online marketing zeker belangrijk is. Een andere verklaring kan zijn dat de experts al verder zijn en een betere kijk hebben op de ontwikkelingen dan dat er voorbeelden te vinden zijn. Samenvattend valt te zeggen dat meer en meer bekend is van klanten en completere klantprofielen worden geschetst van klanten. Voor mensen op het internet betekent dit dat het internet meer gepersonaliseerd is en gericht is op het individu. Bedrijven hebben de mogelijkheid en misschien wel de verplichting om meer gerichte marketing uit te voeren en beter op de hoogte te zijn van hun klanten.
14
3 Richting een meer holistische vorm van online marketing Verschillende auters verwachten dat online marketing inspanningen meer en meer worden geïntegreerd om een breder en meer holistisch beeld te vormen van deze
In deze paragraaf een korte herhaling, omdat personalisatie in online marketing kan worden geassocieerd met holistische marketing en het integreren van meerdere kanalen om dit
inspanningen.
gepersonaliseerde beeld te krijgen van klanten.
Het combineren van informatie van zoekmachine optimalisatie,
Om een 360 graden beeld te krijgen van je klanten om sub-
zoekmachine advertenties en social media inspanningen kan een compleet beeld van de online marketinginspanningen van een bedrijf opleveren. Deze inzichten maken het uiteindelijk mogelijk om marketingcampagnes en de effectiviteit hiervan te verbeteren (Safran, 2012; Haley, 2013). Bell (2013) ziet deze trend als een manier om de productiviteit van elk kanaal en de interactie tussen elk kanaal beter te begrijpen. Op deze manier kunnen beter gerichte keuzes worden gemaakt. Dit wordt ook erkend door De Ratta (2013), die voorspelt dat bedrijven zich moeten richten op klantgedrag en klanten moeten analyseren over verschillende apparaten en interacties. Hiermee wordt bedoeld dat afgestapt moet worden van de gesegmenteerde analyse van web-, mobiele- en social-analytics, maar dat alle digitale bronnen gezamenlijk moeten worden geanalyseerd. Consistent daaraan voorspellen De Ratta (2013) en Kaushik (2012) ook dat bedrijven moeten afstappen van het zogehete “last-click attribution” en klanten over alle marketing kanalen moeten worden gevolgd. 3.1 Personalisatie als voorgeleide van holistische (online) marketing Zoals in het vorige hoofdstuk is beschreven wordt verwacht dat personalistie steeds belangrijker wordt in online marketing.
segmenten te maken en om content te personaliseren, moet social media data en click-stream data worden toegevoegd aan alle andere data die beschikbaar is van klanten. Bovendien is door het volgen van mensen over verschillende apparaten wordt het volgen van de customer journey verlengd en wordt een meer holistisch beeld gevormd van de klant. Bovendien is het noodzakelijk om de gehele customer journey te volgen om een 360 graden beeld te krijgen van klanten. Voor online marketing wordt verwacht dat Google (zoals eerder vermeld) of web-analyse de basis zal zijn, waar vervolgens verscheidene andere bronnen aan worden gehangen om een compleet beeld te vormen. Dus het verlangen om content te personaliseren en het complete pad van klanten te volgen, heeft het effect dat verschillende data bronnen geïntegreerd moeten worden om het 360 graden beeld van de klant te realiseren. Vanuit dit perspectief wordt personalisatie beschouwd als voorgeleide van holische marketing zoals beschreven in het begin van dit hoofdstuk. 3.2 Het combineren van online- en offline data Kaushik (2012) verwacht dat de combinatie van offlineen online data extreme moeilijk zal zijn and zo goed als onmogelijk. Jaarsma (2012) daarentegen verwacht dat CRM informatie verrijkt kan worden met online gedrag en klantprofiel informatie.
15
Deze studie geeft redenen om aan te nemen dat het
Een ander voorbeeld is genoemd waarbij de customer
combineren van online- en offline data of dat online data
journey is verlengd door offline data te integreren in Google
gebruikt kan worden voor offline marketing al mogelijk is of
Analytics. Uiteindelijk maakte dit mogelijk om ook te zien of
op zijn minst in de nabije toekomst mogelijk wordt.
een aanvraag voor een lening was goedgekeurd in plaats van enkel te kunnen zien of de aanvraag voor een lening was
Om dit mogelijk te maken is het noodzakelijk een unieke sleutel
verstuurd.
of een unique kolom te hebben die vertelt dat de persoon in de offline data dezelfde is als de persoon in de online data. Dit
Dus gebaseerd op de voorbeelden die worden gegeven
is bijvoorbeeld mogelijk via social media campagnes waarbij
door de experts en hun verwachtingen, lijkt het dat het
wordt gezegd; “vind ons leuk op Facebook en er wordt een
combineren van online- en offline data belangrijker wordt in
coupon van vijf euro naar je verzonden”. Wanneer dit zich
de toekomst en dat bedrijven hier al mee bezig zijn. In het
voordoet kan een unique sleutel of connectie gemaakt worden
verlengde hiervan moet bedrijven op de hoogte zijn van de
tussen het Facebook profiel (of andere sociale media) en het
mogelijkheden en zullen bedrijven bewust bezig moeten zijn
e-mail adres waar de coupon naartoe is gestuurd. Dit e-mail
met welke data wordt verzameld en opgeslagen om betere
adres is opgeslagen in je offline database en zodoende kan
inzichten te verkrijgen. Daarnaast moeten bedrijven actief in
een link worden gemaakt tussen online data en offline data.
online marketing zich voorbereiden op deze ontwikkelingen
Echter is dit alleen mogelijk wanneer een campagne wordt
door in staat te zijn/worden om online- en offline databronnen
opgezet.
te combineren.
Uit de expert interviews blijkt dat het combineren van
3.3 Voorbeelden uit de praktijk bevestigen het opkomende
online data (web-analyse) met offline databronnen de
beeld
toekomst is voor online marketing. Een deel van de experts
De bedrijven die zijn geselecteerd voor dit onderzoek
verwacht (zoals eerder vermeld) dat “Google Universal
schetsen een duidelijk beeld dat een meer holistische vorm
Analytics” belangrijk zal worden voor het combineren van
van online marketing is uitgevoerd door het combineren van
verschillende databronnen. Anders zullen bedrijven zelf
verschillende databronnen. Bovendien laten de cases zien
offline data combineren met online data en web analyse.
dat de intergratie van offline- en online data opkomend is.
Uit de interviews blijkt dat de meeste respondenten al wel
KISSmetrics en DataShaka bieden tools aan om een meer
denken dat het mogelijk is offline- en online marketing en
holistische vorm van marketing te bedrijven, waarin ook de
data te combineren, echter zijn er nog maar weinig goede
integratie van offline databronnen een optie is. KISSmetrics
praktijkvoorbeelden te noemen. Toch zijn enkele voorbeelden
claimt dat ze in staat zijn data te integreren vanuit het hele
genoemd tijdens de interviews. Het eerst voorbeeld is een
web, inclusief data uit de infrastructuur van bedrijven zelf
telecom aanbieder identificeerde en belde personen die
(back-end, web en offline data), CRM data, email service
bleven hangen bij “Terms & Conditions” zonder aankoop te
providers, helpdesk software en betaalsystemen.
doen, deed een aanbod op maat en verlaagde hiermee de afwijzingen met 25%.
16
DataShaka gaat een stap verder door volledig diagnostisch
Dit beeld wordt onderstreept door de voorbeelden uit het
te zijn. Dit bedrijf is in staat om zeer veel verschillende
veld, welke een duidelijk beeld laten zien dat diverse online
datavormen bij elkaar te brengen (online- en offline data).
databronnen en diverse online- en offline data bronnen
Afhankelijk van de wensen van de klant, starten zij het proces
worden gecombineerd. Dit leidt onvermijdelijk tot het
om databronnen te combineren en om inzichten te verkijgen
gebruiken en verwerken van grotere hoeveelheden data.
voor de klant door gebruik van hun platform “SmartView”. Echter, DataShaka heeft geen specifieke focus op online
Voor bedrijven in online marketing en bedrijven in het
marketing, maar is compleet diagnostisch en handelt op
algemeen ontstaan mogelijkheden om diverse databronnen
basis van de wensen van de klant.
te combineren. Dit betekent dat bedrijven waarschijnlijk meer en betere inzichten kunnen creëren uit hun data. Daarnaast
Moz combineert verschillende online databronnen om een
moeten bedrijven bewust zijn van deze ontwikkeling en
complete beeld te bieden van klanten hun online marketing
zich op zo’n manier organiseren dat offline- en online data
inspanningen, dit wordt gedaan door middel van het platform
voldoende wordt opgeslagen en met de juiste doeleinden.
Moz analytics. Dit platform combineert informatie van Google
Bovendien moeten service gerichte bedrijven in online
Analytics, hun eigen API (Mozscape) en sociale media.
marketing in staat zijn diverse databronnen te linken en dus
Moz haar platform geeft informatie over zoekmachine
in staat zijn grotere hoeveelheden data te verwerken.
inspanningen, sociale media, link building en zogeheette “mentions”. Daarbij op wordt over bepaalde aspecten ook competatieve informatie gegeven. BloomReach combineert meerdere
databronnen
ten
gunste
van
organische
zoekresultaten in zoekmachines. Deze applicatie gebruikt data van het web, data van de websites van concurrenten en van klanten en data van klantgedrag van de websites van klanten. Dit gezamenlijk wordt gebruikt om de website van de klant te beoordelen en aanbevelingen te doen aan de website ten gunste van organische zoekresultaten. 3.4 Conclusie; meer holistische marketing door het combineren van verschillende databronnen De verwachtingen is dat meer holistische marketing zal worden bedreven door het combineren van verschillende databronnen (voornamelijk online- en offline bronnen).
17
Volume
• Terabytes • Records
• Transactions • Tables, files
Personalization and combining on- and offline data sources lead to holistic marketing
3 Vs of
• Batch
• Near time • Real time • Streams
Velocity
Big Data
• Structured
• Unstructured
• Semistructured • All the above
Variety
Figuur 4 – Volume, variety en velocity in holistische marketing
18
4 Toenemende automatisering in online marketing De
verwachtingen
geautomatiseerd
zijn zal
dat
online
worden
marketing
door
meer
2.
in digitale marketing, waaronder het volgen van de
verschillende
complete route van een klant. Daarvoor moeten
ontwikkelingen. Ten eerste noemen Manyika et al. (2011) dat de menselijke beslissing zal worden vervangen/ ondersteund door geautomatiseerde algoritmes. Daarnaast
meerdere datastromen worden geïntegreerd. 3.
de “last-click-attribution” overschat de effectiviteit van
en automatisering van online data (in real-time) in staat zijn
bepaalde kanalen en onderschat de effectiviteit van
om de aanbevelingen van “advanced predictive analytics” en
andere kanalan. Daarom ontwerpen bedrijven nu
“business rules” samen toe te passen om online marketing
verfijndere modellen van campagne-attributie. 4.
het integreren van real-time analyse (huidig gedrag)
in online marketing. Deze applicaties worden uitgelegd
met bestaande klantgegevens, plus geavanceerde
als web-based applicaties die enorme hoeveelheden data
modellering. Tot op heden zijn de meeste bestaande
interpreteren en gebruiken om intelligente resultaten te leveren kopen van online advertenties door algoritmes en “real-time bidding” (Simoudis, 2013). Daarnaast wordt verwacht dat applicaties ontwikkeld zullen worden om website conversie
Website personalisatie is één van de unieke kansen van online marketing. Personalisatie gebeurt door
Ten tweede, Big Data applicaties zullen belangrijk worden
voor bedrijven. Één van deze velden is programmatisch
Advertising analytics en attribution modelling; digitale advertentie kanalen zijn verwoven en het meten van
verwacht Balla (2013) dat bedrijven door de stroomlijning
inspanningen te optimaliseren.
Klantpersonalisatie is een van de belangrijkste punten
SaaS hier inadequaat in. 5.
Social media analyse; de analyse van ongestructureerde en onbewerkte op tekst gebaseerde data.
te verbeteren (Freeman, 2012).
4.1 Meer automatische content, advertenties en websites
Angel (2012) noemt vijf (voor dit rapport interessante)
De automatisering van content, advertenties en websites is
door zelf-lerende algoritmes
domeinen waarin applicaties kunnen onstaan. 1.
Advanced van
web
analytics
door
het
verplaatsen
data in zogeheette “data marts” levert nieuwe
analytische kansen. Verloop en behoud van klanten kan onderzocht worden, individuele rekeningen en klanten kunnen worden gevolgd in gebruik en operationele prestaties, datagestuurde marktsegmentatie en het zien van de toegevoegde waarde van elk traceerbaar contactmoment.
een resultaat van algoritmes die worden ontwikkeld. Zelflerende- en zelf-opererende algoritmes worden slimmer en beter in het analyseren van online klanten/bezoekers. Het resultaat is dat bedrijven beter in staat zijn automatisch content, advertenties en websites te personaliseren. Echter, het ontwikkelen van de content blijft menselijk werk, omdat algortmes hier niet toe in staat zijn. Deze zelf-lerende algoritmes verbeteren zich naarmate meer klanten/bezoekers zijn geanalyseerd en laten automatisch de beste content zien voor iedere bezoeker op basis van klantprofielen.
19
Om content aan te passen in real-time voor bezoekers van
Een oorzaak die genoemd wordt voor de opkomst van deze
websites moeten de analyse via deze algoritmes met zeer
applicaties is dat veel kennis van de “Linux Unix command
hoge snelheid gebeuren.
line” (vergelijkbaar met de oude prompt line van DOS) nodig is om met Big Data te werken. Zonder deze kennis is het zeer
In het verlengde hiervan wordt verwacht dat het verzamelen
moeilijk om een “Big Data product” maken.
en analyseren van data door mensen minder gedaan zal worden door mensen. Mensen zullen meerder opties voor
Het gevolg hiervan is dat bedrijven voor leken “black box”
online marketing campagnes, advertenties en andere
Big Data oplossingen zullen ontwikkelen, waardoor leken
marketing uitingen ontwerpen en dat de data zal bepalen
enkel hun accounts hoeven te linken aan deze applicaties.
welke uiting de juiste is. Als voorbeeld wordt genoemd dat
Bovendien is er veel te veel data beschikbaar en hebben de
binnen een “bibliotheek” van een website alle type en vormen
meeste bedrijven niet de bekwaamheid om een infrastructuur
van advertenties worden bewaard. Intelligente advertentie
te bouwen om met Big Data om te gaan. Zodoende wordt
services identificeren de personen die binnen komen op een
verwacht dat veel van deze Big Data marketing applicaties
website of mobiele applicatie en gebaseerd op de kennis van
zullen ontstaan om specifieke bedrijfsproblemen op te lossen.
deze persoon zal de beste advertentie worden laten zien. Bedrijven als Adobe, Tableau en Google maken het met Dus vanuit dit perspectief kan worden gezegd dat
hun services al mogelijk om van Big Data gebruik te maken
marketingkeuzes meer automatisch worden, gebaseerd
zonder er zelf iets mee te hoeven doen. Sentiment analyse
op data van klant gedragingen. Hierbij zullen snelheid van
tools zijn ook voorbeelden van deze “black box” Big Data
belang zijn om zo snel mogelijk te online marketinguitingen
oplossingen/applicaties (bijvoorbeeld Bluefin Labs). Bij deze
te personaliseren en is datavolume van belang omdat
applicaties/bedrijven hoeven klanten enkel hun accounts te
algoritmes beter worden naarmate meer data is verzameld.
linken aan deze applicaties.
4.2 Big Data marketingapplicaties in opkomst
Verwacht wordt dat meer van deze tools worden ontwikkeld,
De tweede ontwikkeling die genoemd is, is dat verwacht
omdat bedrijven zullen proberen een bepaalde niche te
wordt dat meer Big Data marketingapplicaties zullen worden
bedienen en zullen proberen dit absoluut perfect te laten
ontwikkeld. Deze applicaties prepareren en/of analyseren
werken.
“automatisch” Big Data voor de gebruikers, waardoor gebruikers zelf niet in de data hoeven te duiken. Echter, de
De vraag is of deze applicaties worden ontwikkeld en
vraag is of meer en meer van deze applicaties zullen worden
aangeboden door externe partijen of dat bedrijven hun eigen
ontwikkeld, of dat deze door bedrijven in-house worden
systemen/applicaties zullen ontwikkelen (zoals Amazon.
ontwikkeld of dat deze worden geïntegreerd in een groter
com).
geheel.
20
Normaal gesproken is de trend dat tools worden ontwikkeld,
4.3 Voorbeelden uit de praktijk laten hetzelfde beeld zien
deze worden doorontwikkeld tot een applicatie en eindigen
De interviews met de bedrijven laten zien dat zeker sprake is
als een service. Een voorbeeld is het bedrijf Mckinsey die
van automatisering binnen online marketing door middel van
applicaties koop en deze gebruikt om hun services aan
Big Data marketingapplicaties onder invloed van Big Data.
te bieden. Mogelijk wordt dit ook de trend voor Big Data marketingapplicaties. Ten tweede wordt binnen online
SEMrush en Intelligent Positioning halen automatisch
marketing de hoeveelheid bedrijven en merken steeds
grote volumes data binnen en deze worden door hun
minder door fusies en overnames.
applicaties automatisch verwerkt en geprepareerd voor analyse. SEMrush verzamelt grote hoeveelheden data
Dus aan de ene kant wordt verwacht dat meer Big Data
van zoekmachineresultaatpagina’s en domeindata, zodat
marketingapplicaties zullen ontstaan, maar aan de andere
klanten onderzoek kunnen doen ten gunste van organische
kant dat Big Data marketingapplicaties zullen samensmelten
zoekmachinemarketing, AdWords en hun concurrenten.
of overgenomen worden door grotere partijen. Daarbij komt dat een deel van de experts verwachten dat de genoemde tools/
Intelligent Positioning verzameld data van meer dat 20.000
applicaties zich blijven ontwikkelen en uiteindelijk producten
trefwoorden, URL’s van klanten en concurrenten in real-time
worden aangeboden die alle online marketinginspanningen
en over een langere periode van meerdere zoekmachines uit
(SEO, social, traffic, Google analytics, etc.) via één platform
verschillende landen. Inspanningen en concurrenten binnen
gaan. Dus zal de hoeveelheid Big Data marketing applicaties
zoekmachinemarketing worden ook onderzocht en er worden
daardoor afnemen.
op kleine schaal automatische aanbevelingen gedaan.
Dus, Big Data marketingapplicaties zullen meer en meer
Moz,
opkomen, omdat bedrijven niet de kennis of infrastructuur in
hoeveelheden data ten gunste van zoekmachinemarketing
huis hebben om met de volume, variëteit en snelheid van Big
en geven dit aan hun klanten via hun applicatie. Echter
Data om te gaan. De applicaties die zullen onstaan focussen
focussen deze bedrijven zich op meerdere databronnen.
BloomReach
en
KISSmetrics
gebruiken
grote
op specifieke niches en maken dus op verschillende manieren gebruik van Big Data om deze niches te bedienen. De vraag
Moz haar analyse tool biedt analyse van websiteverkeer en
is echter of deze ontwikkeling zich doorzet of dat door fusies
website-autoriteit (waarvoor grote hoeveelheden data van
en overnames de hoeveelheid applicaties uiteindelijk weer
het web worden verzameld), informatie over zoekmachine
zal afnemen.
marketing en link informatie (links naar en van websites). Klanten kunnen gedeeltelijk zelf handmatig aangeven wat gevolgd en geanalyseerd moet worden.
21
BloomReach biedt automatische aanbevelingen aan om
Brad Friedman van Moz geeft hier ook aan dat snelheid
websites van klanten aan te passen op basis van grote
een belangrijk onderdeel is van hun applicatie/service en
hoeveelheden data van verschillende bronnen: data van
dat hun grootste concurrent (MajesticSEO) hun data sneller
de website van de klant, klant intentie en informatie over
update, maar kwantitatief en kwalitatief inferieure data heeft.
de opbouw en indeling van grote aantallen goed scorende
Zodoende spreekt hij uit:
websites. “Als we hen kunnen achterhalen op basis van versheid van KISSmetrics haar applicatie maakt het mogelijk voor bedrijven
de data, dan hebben we een slam dunk”
om allerlei verschillende databronnen te combineren en zelf op te zetten wat ze willen volgen en analyseren van hun
Hieruit valt af te leiden dat snelheid van het verzamelen
bezoekers. Wanneer dit is ingesteld wordt het verzamelen,
en verwerken van data ook zeker belangrijk is wat betreft
analyseren en het geven van inzichten van deze data
automatisering en Big Data marketingapplicaties.
automatisch gedaan. Echter het interpreteren van de resultaten zal door mensen moeten worden gedaan.
4.4 Conclusie; volume, variëteit en snelheid belangrijk voor automatische analyses in online marketing
HowAboutYou is de laatste genoemde case die gebruik
Ten eerste, zelf-lerende algoritmes zullen menselijke
maakt van een applicatie die automatisch data van social
beslissingen over content, promoties en websites vervangen.
media gebruikt voor hun klanten. Dit bedrijf maakt gebruik
Dit wordt gedaan door grote hoeveelheden klantdata te
van een applicatie die sentimentanalyse toepast op sociale
volgen met grote snelheid.
media (om en nabij 400.000 bronnen). Automatisch geeft deze applicatie door wat wordt gezegd over de klanten van
Ten tweede zijn de verwachtingen dat Big Data applicaties
HowAboutYou.
meer zullen opkomen en meer van belang zullen worden. Deze applicaties combineren en verwerken automatisch
Naast het feit dat al deze bedrijven grote hoeveelheden
grote hoeveelheden en diverse types data met grote
data gebruiken en verwerken in hun applicaties, is ook
snelheid. De verwerking en/of analyse van deze data wordt
snelheid van verwerking belangrijk. Zo is Moz bezig met het
geleverd aan klanten door middel van applicaties, waarbij
versnellen van hun data-updates, van 7 tot 10 dagen naar
de klant enkel zich hoeft aan te melden en accounts moet
dagelijkse updates. Intelligent Positioning voert al dagelijkse
koppelen. Echter, het interpreteren van de anlyse en het actie
updates van hun data uit. SEMrush is momenteel bezig
ondernemen blijft een taak voor de marketeers. Vervolgens
de mogelijkheden te onderzoeken om op zijn minst hun
lijkt het redelijk om te zeggen dat, op zijn minst, kleine
Amerikaanse database dagelijks te updaten. De snelheid is
bedrijven niet de mogelijkheden hebben om deze applicaties
van belang, zo geven deze bedrijven aan, zodat hun klanten
zelf te ontwikkelen door de impact van het volume, variëteit
sneller de resultaten (oftewel het succes of falen) van hun
en snelheid van de data tegenwoordig.
online marketinginspanningen kunnen zien.
22
Dus bedrijven binnen online marketing kunnen andere
In tegenstelling tot wat in de introductie van dit hoofdstuk
bedrijven bedienen/van dienst zijn door het ontwikkelen
is beweerd, is weinig bewijs gevonden gedurende de
van Big Data marketingapplicaties: Het verwerken van
interviews met bedrijven en experts voor het automatisch
grote volumes data van verschillende bronnen en wanneer
aanpassen van content, het automatisch doen van marketing
mogelijk met hoge snelheid ten gunste van het analyseren
beslissingen en aanbevelingen. Dit betekent waarschijnlijk
van online marketinginspanningen.
dat het automatiseren van content, keuzes en aanbevelingen door gebruik van Big Data momenteel nog moeilijk te
In het verlengde hiervan moeten bedrijven binnen online
realiseren is binnen online marketing en voornamelijk binnen
marketing zich gaan voorbereiden hoe om te gaan met Big
zoekmachinemarketing.
Data. Volume
• Terabytes • Records
• Transactions • Tables, files
Automated marketing
Automation of
Marketing applications
recommendations
through Big Data 3 Vs of
• Batch
• Near time • Real time • Streams
Velocity
Big Data
content, choices and inonline marketing
• Structured
• Unstructured
• Semistructured • All the above
Variety
Figuur 5 – Volume, variety and velocity in favor of automated marketing
23
5 Verbeterde efficiency, resultaten en meetbaarheid van online marketing Verbeterde effectiviteit/prestatie wordt gerealiseerd door het verfijnen van bedrijven en het verbeteren van efficiëntie, winstgevendheid
en
de
concurrentiepositie
volgens
Gopalkrishnan et al. (2012). De Big Data Insight Group (2011) legt uit dat dit bereikt kan worden door het verbeteren van interne processen, het voorspellen van trends, het verkrijgen van betere inzichten in bestaand en potentiële klanten, het creëeren van beter zicht op de markt en het realiseren van
5.1 Verbeterde efficiëntie en resultaten van online marketing Ten eerste, bedrijven kunnen hun balans tussen interne verkoopdoelstellingen en behoefte van de klant beter afstemmen door Big Data. Organisaties worden relevanter in hun communicatie naar klanten toe door personalisatie en interne verkoopdoelstellingen kunnen beter afgestemd worden op klantbehoefte en klantbeeld. Dit is duidelijk intern gedreven. Echter, doordat de klantbehoefte bekend is en een
nieuwe inkomstenstromen.
goed beeld van de klant bestaat (door het combineren van
Meer specifiek voor online marketing, Jaarsma (2012)
beter worden afgestemd op de klantbehoefte. Dit heeft de
beweert
dat
tegenwoordig
alle beschikbare data), kunnen interne verkoopdoelstellingen marketingprestaties
zeer
gedetailleerd meetbaar zijn; klant sentiment en klanten kunnen op microniveau worden benaderd door inzichten in zoek- en koopgedrag. Jaarsma (2012) noemt verschillende toepassingen: •
Het optimaliseren van online bezoek naar websites en het inzetten van de beste kanalen per campagne/ klantsegment en tijdstip
•
Het analyseren van klantgedrag op webplatformen om conversie te verhogen
•
Het matchen van content op bepaalde klantprofielen
•
Het analyseren van klantsentiment op social media voor het verbeteren van leads, klantenservice, PR en reputatiemanagement
•
Het verrijken van CRM informatie met online gedag en informatie van klantprofielen
Dit leidt tot betere marketingprestaties, verbeterde allocatie van middelen en hogere rendementen op investeringen (De Ratta, 2013).
24
potentie om efficiëntie, interne processen en winstgevendheid te verbeteren. Ten tweede hebben de drie eerder beschreven ontwikkelingen (personalisatie, holistische marketing en automatisering) allemaal het vermogen om de prestaties en effectiviteit in online marketing te verbeteren. Personalisatie heeft het vermogen om een beter beeld te schetsen van klantgedrag en daardoor is gerichtere online marketing mogelijk. Het is aannemelijk dat klanten hierdoor meer aangetrokken voelen tot online marketing uitingen en daardoor de prestaties en effectiviteit van de marketing inspanningen omhoog gaan. Holistische marketing en het combineren van online- en offline data biedt de mogelijkheid om betere inzichten te verkrijgen van klanten en bedrijfsoperaties. Automatisering lijkt in de eerste plaats online marketing meer berschikbaar te maken voor het grote publiek, denk hierbij aan de Big Data marketing applicaties.
Daarnaast, zijn marketingbeslissingen meer gebaseerd op
Big Data wordt gebruikt voor de verbetering van effectiviteit
data in plaats van gevoel. Het is aannemelijk dat hierdoor
en resultaten
betere beslissingen worden genomen. In het verlengde
Hieronder een overzicht van een aantal steekwoorden uit
hiervan laten de applicaties uit de cases zien, dat klanten
de “value propositions” van de bedrijven die bestudeerd
door het automatisch verzamelen en verwerken van
zijn. Hieruit kan geconcludeerd worden dat deze bedrijven
grote hoeveelheden data sneller en dieper hun online
services aanbieden, gebaseerd op Big Data, die voornamelijk
marketinginspanningen
analyseren/interpreteren.
bedoeld zijn om de online marketingresultaten van klanten te
Hierdoor kunnen klanten van deze bedrijven efficiënter te
verbeteren. Dit door meer verkeer naar de websites van hun
werk gaan en de prestaties van online marketing verhogen.
klanten te trekken en de omzet van hun klanten te verhogen;
kunnen
oftewel het verbeteren van resultaten. Als laatste is in eerdere hoofdstukken al vermeld dat uit de cases blijkt dat een breder beeld wordt geschetst van online
Daarnaast laat een deel van deze bedrijven (HowAboutYou
marketinginspanningen, waardoor bedrijven beter inzicht
en DataShaka) ook zien dat ze zich richten op het verbeteren
krijgen in hun online marketingresultaten, concurrenten en
van de effectiviteit van hun klanten door het besparen van tijd
hen uiteindelijk in staat stellen om betere beslissingen te
en door werknemers meer waardevol te maken.
maken. Het is aannemelijk dat deze voordelen leiden tot betere prestaties en efficiënter gebruik van online marketing.
Bedrijven binnen online marketing moeten dus Big Data inzetten om hun prestaties en hun processen te verbeteren.
5.2 Toenemende meetbaarheid van online marketing
In het algemeen kunnen bedrijven verwachten dat minder
Uitspraken van de experts, eerder beschreven ontwikkelingen
wordt uitgegeven aan online marketing of dat de budgetten
en de cases uit deze studie laten zien dat online marketing
efficiënter worden ingezet.
steeds beter meetbaar is en mogelijk zal het beroep van de online marketeer hierdoor veranderen. Deze verwachting dat online marketing beter meetbaar zal worden is ook uitgesproken door Jaarsma (2012). 5.3 Voorbeelden van verbeterde effectiviteit, resultaten en meetbaarheid in online marketing Het beeld dat hierboven is beschreven (verbeterde prestaties en meetbaarheid) gebaseerd op de expert interviews, is ook te herleiden uit de case studies.
25
Bedrijf
Onderdelen uit de value proposition
SEMrush BloomReach
“verbeter je online marketinginspanningen”; “het bedrijf laten groeien”; “het verdienen van- en besparen van geld” “het verhogen van bezoekers naar de websites en het verhogen van omzet voor hun klanten” “als resultaat worden bedrijven instaat gesteld om meer waarde uit hun mensen te halen,
DataShaka
doordat minder tijd wordt besteed aan het analyseren en beoordelen van verschillende datastromen”; “bedrijven hebben een volledig beeld van hun bedrijf en hebben de mogelijkheid om echt te begrijpen wat er gebeurt” “om marketeers in staat te stellen om betere zakelijke beslissingen te maken door het
Intelligent Positioning
gebruik van verschillende elementen van data, gebaseerd op klantgedrag. Hierdoor kunnen marketeers reageren op klantgedrag. Uiteindelijk om meer verkeer, bezoekers en omzet te genereren”
HowAboutYou
“de waarde is dat ze compacter werkende klanten realiseren, welke meer efficiënt zijn en dichterbij hun klanten staan” “om het succes en falen van SEO experimenten die klanten uitvoeren te kwantificeren en om
Moz
bedrijfsresultaten, verkeer en marketing te verbeteren”
KISSmetrics
“de waarde is klanten te helpen hun data te begrijpen en om hun bruikbare statistieken en inzichten te geven om meer geld te verdienen”
5.4 Cases laten toenemende meetbaarheid van online marketing zien De
toegenomen
meetbaarheid
van
online
marketinginspanningen is ook te herleiden aan de hand van de bestudeerde bedrijven. Grote volumes data en/of diverse databronnen worden voornamelijk gebruikt om inspanningen/ resultaten op het gebied van zoekmachine marketing te beoordelen. Een goed voorbeeld hier is de applicatie van Intelligent Positioning. De applicatie meet en beoordeeld posities in zoekmachines en vergelijkt deze met concurrenten of gehele industrieën. Oftewel, Intelligent Positioning meet en volgt het succes en falen van bedrijven en zoektermen.
26
Ook Moz en BloomReach verzamelen grote hoeveelheden data van het web en combineren diverse datavormen in hun applicaties om het succes en falen van SEO inspanningen te meten en beoordelen. Alhoewel beiden dit op een verschillende manier doen en verschillende data gebruiken. KISSmetrics combineert databronnen om inzichten te verschaffen in klantgedrag en meet op deze manier online marketinginspanningen. Hieruit valt te herleiden dat ook in de cases Big Data wordt ingezet om online marketing beter meetbaar te maken.
5.5 Conclusie
Dit zal waarschijnlijk leiden tot beter ontworpen en
Drie overwegingen zijn belangrijk als gevolg van verbetering
afgestemde marketingcampagnes. Dit zal ook het doel
van efficiency/prestaties en meetbaarheid.
moeten zijn van bedrijven actief in (online) marketing. Klanten en internetgebruikers moeten zich bewust zijn van het feit dat
Toegenomen efficiency en resultaten als gevolg van
hun gedrag steeds beter te volgen is op internet en dat ze
personalisatie, holistische marketing en automatisering
hun anonimiteit verliezen op het internet.
De verschillende ontwikkelingen binnen online marketing on invloed van Big Data leiden allen to verbeterde efficiëntie
Het werkveld van de online marketeer zal veranderen
en prestaties. Personalisatie leidt tot een verbeterd beeld
Verwachtingen zijn dat een nieuwe manier van werken zal
van klantgedrag en maakt gerichtere marketing mogelijk.
opkomen of al opkomt in online marketing. Tegenwoordig
Holistische marketing leidt tot betere inzichten over
en/of vroeger werd data verzameld en geanalyseerd door
klanten en bedrijfsprocessen. Automatisering maakt online
mensen. Gebaseerd op deze analyse werden beslissingen
marketing beter beschikbaar voor het grote publiek, maakt
gemaakt.
online marketing minder een gevoelsspel en stelt bedrijven in staat om een breder en beter beeld van hun online
In de nabije toekomst wordt verwacht dat ditz al veranderen
marketinginspanningen te geven.
in een model waarin de marketeer verschillende uitingen of campagnes ontwikkelt en de klant met zijn gedrag bepaalt
Dus bedrijven binnen online marketing moeten nastreven
welke campagne of uiting het best is en wordt laten zien. Dus,
om met Big Data om te kunnen gaan en op zo’n manier
data van klantgedragingen wordt gemeten en is beslissend.
gebruik te maken dat de hierboven beschreven voordelen
Uiteindelijk zal online marketing steeds minder over gevoel
worden behaald. Dit kan door bedrijven zelf gedaan worden
gaan en steeds meer over data en de meetbaarheid van
of mogelijk kunnen externe partijen ingeschakeld worden om
verschillende aspecten. Dit kan een tweedeling in de
dit te bereiken.
online marketing veroorzaken; enerzijds marketeers die zich voornamelijk met data bezig houden en anderzijds
Toegenomen meetbaarheid van online marketinginspanningen
marketeers die nog steeds focussen op het ontwikkelen van
Marketinginspanningen zijn beter meetbaar geworden door
aantrekkelijke content en zich bezig houden met hetgeen dat
de ontwikkeling van het internet en online marketing. Dit blijkt
gemeten moet worden van de klant.
doordat grote volumes- en variëteit aan data wordt gebruikt voor het volgen van klantgedrag, zelf-lerende algoritmes,
Bovendien zal online marketing meer gaan over het gebruiken
combineren van online- en offline marketing en Big Data
van inzichten van tools en data analyse om de juiste strategie
marketing applicaties om online marketing te verbeteren. Het
toe te passen. In andere woorden, online marketing wordt
gevolg is dat het werkveld van de online marketeer minder zal
meer geautomatiseerd en uitgevoerd door computers.
gaan over gevoel en meer zal gaan over data en analyses.
Daardoor zullen online marketeers waarschijnlijk op een hoger strategisch niveau moeten acteren bij hun klanten.
27
Online marketing bedrijven en andere bedrijven moeten er
Dit resulteert in verbeterde effectiviteit en resultaten in online
rekening mee houden dat het mogelijk is om hun marketing
marketing. Daarnaast neemt de meetbaarheid van online
inspanningen beter te meten en te beoordelen.
marketing toe, waar (deels) de beschreven ontwikkelingen als voorbeeld van worden gezien. Hieronder een schematische
Schematisch overzicht
weergave.
In de voorgaande hoofdstukken is beschreven welke ontwikkelingen worden verwacht of al gaande zijn in online marketing onder invloed van Big Data (personalization, holistic marketing en increased automated marketing).
Volume
• Terabytes • Records
• Transactions • Tables, files
3 Vs of
• Batch
• Near time • Real time • Streams
Big Data
• Structured
• Unstructured
• Semistructured • All the above
Velocity
Increasing
measurability
Holistic
marketing
of online
marketing
Figuur 6 – Overzicht van ontwikkelingen
28
Variety
Personalization
Automated Marketing
Improved
effectiveness/ performance of online
marketing as a result of
developments
6 Discussie Big Data Boyd en Crawford (2012) hebben uitgesproken dat meer data niet altijd beter is. Hieruit valt te herleiden dat voorzichtheid in acht moet worden genomen aangaande Big Data. Ook in deze studie zijn geluiden gehoord dat voorzichtigheid
Dit beeld wordt ondersteund doordat in de interviews is vermeld dat sommige oude technieken (voor offline data) herbruikt worden voor Big Data. Een voorbeeld hiervan is de zogeheette “market basket analyse” die tegenwoordig al
geboden moet worden.
in eerder fases wordt ingezet in het aankoopproces. Ook dit
6.1 Big Data een hype?
toegepast door de toenemende kracht van computers.
Op de eerste plaats kan Big Data tot op zekere hoogte worden gezien als modewoord. Het is namelijk niet geheel duidelijk wat Big Data is en de hoeveelheid data die wordt aangeduid als Big Data. Kijkend naar de definities van Big Data (betreffende het opzoeken van technologische grenzen); welke hoeveelheid data is onmogelijk teveel voor computergeheugen en dus de vraag hoeveel data mag worden gezien als Big Data. In het verlengde hiervan, wat voor het ene bedrijf Big Data is, kan voor het andere bedrijf weinig data zijn en vice versa. Bovendien vragen Boyd en Crawford (2012) zich af of meer data beter is, omdat veel
is een voorbeeld waarbij oude technieken kunnen worden
Big Data kan dus worden gezien als onduidelijk begrip in de huidige definitie en de interesse in Big Data kan ook worden opgehangen aan de toegenomen kracht van computers. In dit opzicht is Big Data een modewoord. 6.2 Het vinden van de juiste data en deze data nuttig maken Het hebben van grote hoeveelheden data is geen doel opzich, maar het weten welke data nuttig moet het doel zijn. Een gegevel voorbeeld; het hebben van grote hoeveelheden blogdata over klanten is nutteloos wanneer niet bekend is
vragen beantwoord kunnen worden met “kleine data”.
wat op de specifieke blogpagina’s heeft gestaan.
Ten tweede wordt gezegd dat er al langere tijd veel data
De juiste vragen moeten worden gesteld om zeker te zijn dat
beschikbaar is. Echter, doordat computers sterker en sneller worden kan deze data gebruikt worden binnen twee minuten in plaats van twee dagen. Zodoende wordt dezelfde hoeveelheid data beschouwd als Big Data, doordat deze data meer bruikbaar is tegenwoordig. De vragen die worden beantwoord en de manier van werken zijn niet substantieel veranderd. Dus de vragen en problemen die een aantal jaren geleden onoplosbaar waren zijn tegenwoordig op te lossen door de groei in computerkracht, niet door Big Data.
de verzamelde data nuttig is; wat wil ik weten over de klant en hoe wil ik dit gebruiken? Het is onmogelijk om antwoorden te krijgen van data die niet is opgeslagen en nutteloze data zal worden opgeslagen wanneer de verkeerde vragen worden gesteld. Een uitspraak van Maurits Kaptein hierover: “Garbage in, garbage out; als je iets wilt leren op basis van data, maar je data is puin, dan zal je niks zinnigs leren” Het beeld dat veel bedrijven grote hoeveelheden data bezitten zonder hiermee een duidelijk doel te hebben, wordt gedragen bij meerdere experts.
29
Zo een dergelijke situatie maakt het moeilijk en soms
Data kwaliteit
onmogelijk om aan de slag te gaan met de data. Volgens
Om zeker te zijn van kwalitatieve hoogwaardige data, moeten
Mieke de Ketelaere is de volgende vraag essentieel:
organisaties nadenken hoe dit te waarborgen voor de analysefase. Zoals eerder vermeld kan het waardevol zijn om
“Waar ligt het bedrijfsprobleem?”
alle activiteiten op te zetten als een experiment, met als doel bepaalde acties tegen elkaar af te zetten en te beoordelen
Een voorbeeld genoemd door haar is een Spaans
welke acties het meest succesvol zijn.
postbedrijf die Big Data inzette om klantuitgaven in Madrid in kaart te brengen en te analyseren. In tegenstelling tot de
Daarnaast blijkt dat een aantal van de bestudeerde bedrijven
verwachtingen was slechts één grote klant verantwoordelijk
bepaalde methodes hebben gerealiseerd om de kwaliteit
voor het hoge gemiddeld gespendeerde bedrag van 5000
van de data te waarborgen. DataShaka heeft een volledig
euro. Het orginele idee om op grote klanten te focussen
kwaliteits systeem aan het werk die is gebaseerd op vier
bleek niet de oplossing voor de slechte positie waarin het
stappen; kwaliteit van de data, veerkracht en robuustheid van
bedrijf zich bevond. Dit laat zien dat het van belang is om
het systeem, snelheid van terugkeer en de hoeveelheid data.
het probleem te kennen en de juiste vragen te stellen om Big
Met deze vier stappen zijn ze in staat uit te voeren wat bekent
Data goed in te zetten.
is als D-A-T (Data Acceptance Testing). D-A-T is het proces waarbij gevraagd wordt op welk punt de data gevalideerd
Een ander voorbeeld waarin terugkomt dat het belangrijker
wordt; op de weg inkomend of op de weg naar buiten? Dit
is hoe data wordt gebruikt dan het hebben van Big Data
houdt in dat sommige bedrijven meer geïnteresseerd zijn
zijn de algoritmes. Het is volgens een respondent moeilijker
hoe de data eruit ziet aan het eind en anderen meer belang
een succesvol algoritme te bouwen die van zichzelf slimmer
hebben dat de inkomende data gevalideerd wordt. Dit proces
wordt gebaseerd op data, dan het verzamelen van data.
wordt ondersteund door hun systeem waarbij alles bekend
Dus wordt Big Data beschouwd als een heel belangrijk
is van ieder stuk data (waar komt het vandaan, wat is ermee
ingrediënt, echter wat hiermee gedaan wordt is belangrijker.
gebeurd en wie is er mee in contact geweest?).
Dus het verzamelen van data van een variatie aan bronnen
Andere cases laten ook zien dat de kwaliteit van data
kan niet een doel op zichzelf zijn. Bedrijven moeten bewust
belangrijk is. SEMrush en Moz focussen op de correlatie
zijn welke problemen beantwoord moeten worden en moeten
tussen de data en de zoekmachine resultaatpagina’s.
in essentie de juiste vragen stellen voordat men met Big Data
Moz heeft een systeem waarbij de correlatie tussen hun
aan de slag gaat.
data en de data van Google correleert. Moz controleert dit doordat klantspecifieke resultaten van woorden in Google overeenkomen met de resultaten van SEMrush. Zowel Moz als SEMrush worden gebruikt om SEO te verbeteren en dus is de kwaliteit van de data essentieel.
30
In sommige gevallen is datakwaliteit minder belangrijk. Dit
Het web analytics model van Stephan Hamel (bijlage
is het geval bij social media, waar klanten willen weten
B) wordt hiermee geassocieerd. Het model legt uit dat
“hoe de data eruit ziet” en de kwaliteit minder belangrijk
organisaties in stappen meer data-gedreven moeten worden
vinden. De inzichten die uit social media worden gehaald
en door verschillende fases van volwassenheid gaan om dit
zijn belangrijker en minder aandacht wordt besteed aan de
te bereiken. Het model bestaat uit zes dimensies, allemaal
kwaliteit. Dit komt doordat momenteel data van social media
met hun eigen volwassenheidsfases. Wanneer de groei over
niet 100% betrouwbaar is volgens de respondenten.
deze dimensies uit balans is, dan zal de organisatie falen om data-gedreven te worden. Een bedrijf met goede tools en een
Dus tot op zekere hoogte lijkt het van belang om zeker te
directeur die erg betrokken is, maar zonder kennis binnen de
zijn van kwalitatief hoogwaardige data. Echter, in sommige
organisatie om iets met deze tools te doen, zal falen.
gevallen is het niet mogelijk dit te waarborgen en moeten bedrijven de kwaliteit niet heilig verklaren.
Big Data, werkt volgens dit model en een deel van de respondenten
enkel
wanneer
organisaties
volledige
Een verschuiving in organisatorisch bewustzijn
data-gedreven zijn. Het is belangrijk dat bedrijven data-
Een bijkomende uitdaging voor organisaties, die beknopt
gedreven werken, een goed doordacht plan hebben over het
is genoemd door Manyika et al. (2011) en McAfee en
verzamelen en genereren van data en zich zodoende van
Brynjolfsson (2012), is om door de hele organisatie data
kwalitatieve data voorzien.
gedreven te worden. Dit is essentieel om de juiste data te verzamelen en data nuttig te maken.
Onduidelijkheid over Big Data voor organisaties Het kleine aantal organisaties dat daadwerkelijk data-
Om data gedreven te worden door de hele organisatie
gedreven is, kan als oorzaak de onbekendheid van
moet vanaf de werkvloer tot aan de top van een organisatie
organisaties met Big Data. Bedrijven zijn onzeker over het
alles worden geregistreerd. Tot op heden wordt dit door de
inkomsten aspect aan de ene kant en aande andere kant het
respondenten als belangrijk probleem gezien en worden
kosten aspect. Beide zijn onduidelijk en zodoende hebben
enkel grote bedrijven genoemd die dit onder de knie hebben
bedrijven geen helder beeld wat Big Data kan opleveren.
(Google, Procter & Gamble, BSG en McKinsey & company).
Bedrijven weten bijvoorbeeld niet of een Hadoop cluster moet
Volgens de respondenten zijn het merendeel van de
worden gebouwd, of Big Data wetenschappers ingehuurd
bedrijven nog in de experimentatiefase en zijn slechts 10%-
moeten worden en of een algoritme moet worden ontwikkeld.
12% echt bezig met Big Data. Arend Zwaneveld beweert over
Door deze onzekerheid is het goed mogelijk dat bedrijven
dit gebrek aan meten en registeren:
weg blijven van het actief bezig gaan met Big Data.
“Als het niet in de cultuur zit en er wordt wel aan Big Data gedaan, dan bestaat de kans dat het een wassen neus is”.
31
6.3 Integer handelen met betrekking tot privacy is belangrijk
Ook wordt verwacht dat altijd een deel van de bedrijven de
en technische uitdagingen zijn nodig
klantspecifieke informatie zullen misbruiken en doorverkopen.
Volgens Boyd en Crawford (2012) en Gopalkrishnan et al. (2012) zal de toenemende personalisatie en het richten op
Toch mag verwacht worden dat privacy zelf-regulerend is.
het individu onder invloed van Big Data leiden tot privacy
Wannneer bedrijven misbruik maken van informatie, mag
kwesties. In dit onderzoek wordt een gemengd beeld
verwacht worden dat deze bedrijven worden gestrafd doordat
geschetst; sommigen verwachten dat enkel de voordelen
klanten weglopen bij zo’n bedrijf. Ook wanneer voordelen en
van belang zijn en anderen denken dat consumenten nadelig
acties door overheden en organisaties als “big brother” gaan
worden beïnvloed door de ontwikkelingen.
aanvoelen, zullen mensen zichzelf beschermen tegen deze organisaties. Dus wordt verwacht dat organisaties integer
Privacy
zullen moeten handelen.
In het eerste opzicht wordt de privacy van mensen al in vele
Desondanks blijft het afwachten hoe klanten zullen reageren
opzichten aangetast, maar het lijkt mensen niet te storen.
op de toenemende personalisatie en data die verzameld
Bijvoorbeeld op Facebook, waar mensen uitspraken doen en
wordt, omdat het nog steeds in ontwikkeling is.
materiaal plaatsen die niet op prijs worden gesteld door hun omgeving. Echter, dit lijkt de meeste mensen niet uit te maken.
Gebaseerd op gezond verstand zullen bedrijven de privacy
In het verlengde van noemt een deel van de respondenten
van klanten moeten verzekeren of op zijn minst de informatie
dat Big Data en Big Data applicaties worden gebruikt om
die zij bezitten niet mogen misbruiken.
het internet en aanbiedingen beter te maken. Hierbij is het niet het doel om de mensen achter de aanbiedingen te
Technische uitdagingen worden overwonnen
kennen en daardoor zullen mensen zich niet storen aan de
De heersende opvatting over technische uitdagingen
ontwikkelingen.
aangaande Big Data is dat uitdagingen bestaan, echter dat deze overwonnen worden en nodig zijn om technische
Een ander deel van de geïnterviewden is het hier niet mee
progressive te boeken.
eens. Wanneer genoeg informatie beschikbaar is over een persoon om een specifiek aanbod te doen, dan is de stap heel
Doordat op dit gebied veel onderzoek wordt gedaan, is
klein om erachter te komen wie deze persoon is. Wanneer
het onwaarschijnlijk dat er in de toekomst veel technische
alle aanbiedingen/uitingen ook worden aangepast gebaseerd
uitdagingen zullen zijn. De uitleg hiervoor is alsvolgend:
op personen, dan wordt in zekere zin deze persoon beperkt in
technieken om met Big Data om te gaan, ontwikkelen zich,
de uitingen die hij mogelijk te zien krijgt. Daarnaast, wanneer
doordat er uitdagingen zijn. Het verlangen en de uitdaging om
persoonlijke informatie wordt doorverkocht en alle partijen op
in staat te zijn om meer te berekenen, drijft de ontwikkeling
internet reageren op dezelfde manier op een persoon, dan
naar sterkere en krachtigere computers.
wordt deze persoon in zekere zin gekend (het personaliseren van content). Ondanks dat aan de persoon nog geen naam is gelinked, is alle informatie achter deze persoon wel bekend.
32
Volume
• Terabytes
Unfamiliarity
• Records
of Big Data for
Hype?
• Transactions
organizations
• Tables, files
3 Vs of
Shift in
• Batch
awareness
• Real time
organizational
Big Data
• Near time • Streams
Velocity
• Structured
• Unstructured
• Semistructured • All the above
Finding right data and make this data useful
Variety
Figuur 7 – Waarschuwingen Big Data Het probleem dat zich regelmatig voordoet is dat het Een groot aantal uitdagingen aangaande data bestaan
onmogelijk is data te verzamelen, doordat de hardware niet
al, maar deze zullen zich ontwikkelen in de toekomst
over genoeg capaciteit beschikt. Echter, wederom wordt
onder invloed van het menselijk verstand. Dit kan worden
verwacht dat deze uitdagingen nodig zijn om te verbeteren.
teruggevoerd op de uitdagingen aangaande het stellen van
Een andere uitdaging die genoemd wordt is de “online
de juiste vragen over de data, het verzamelen van de juiste
streaming” methode. Het probleem dat hier ontstaat is het
data en het bruikbaar maken van data. Deze aspecten zijn
vinden van de juiste balans tussen algoritmes die al werken
voornamelijk menselijke aangelegenheden in plaats van
en geld opleveren en het niet uitsluiten van de mogelijkheid
technische uitdagingen.
dat er betere algoritmes mogelijk zijn.
Uit het onderzoek blijft dat analytische technieken en
Samenvattend valt dus te zeggen dat uitdagingen nodig
algoritmes in staat zijn om met Big Data om te gaan, het
zijn om verder te komen en dat door de grote hoeveelheid
probleem zit hem echter in de hardware die moeite heeft met
onderzoek dat gedaan wordt in deze richting, er weinig
de sterk toenemende hoeveelheid data.
technische uitdagingen zullen blijven staan. De grootste uitdaging zal voornamelijk zitten in de vraag of mensen in staat zijn op een goede manier om te gaan met de hoeveelheid data.
33
7 Literatuur Angel, G. (2012). Choosing a big data technology stack for digital marketing. Opgehaald op 15 april, 2013, van http:// public.dhe.ibm.com/common/ssi/ecm/en/imw14642usen/ IMW14642USEN.PDF Baars, H., & Kemper, H-G. (2008). Management Support with Structured and Unstructured Data – An Integrated Business Intelligence Framework. Information Systems Management, 25, 132-148. Bakshi, K. (2012). Considerations for big data: Architecture and approach. Paper gepresenteerd op het IEEE Aerospace
Bughin, J., Chui, M., Manyika, J. (2010). Clouds, big data, and smart assets: Ten tech-enabled business trends to watch. McKinsey Quarterly. Cuzzocrea, A., Song, I. -., & Davis, K. C. (2011). Analytics over large-scale multidimensional data: The big data revolution! International Conference on Information and Knowledge Management, Proceedings, 101-103. De Ratta, R. (2013). 6 Predictions for 2013: Search Marketing & Big Data Analytics. Opgehaald 13 april, 2013, van http://searchenginewatch.com/article/2236472/6-
Conference Proceedings.
Predictions-for-2013-Search-Marketing-Big-Data-Analytics
Balla, J. (2013). 3 Keys to unlock value into your online
Díaz, M., Juan, G., Lucas, O., & Ryuga, A. (2012). Big data
marketing data. Opgehaald 16 april, 2013, van http://blogs. sas.com/content/customeranalytics/2013/04/05/3-keys-to-
on the internet of things: An example for the E-health. 6th International Conference on Innovative Mobile and Internet
unlock-value-in-your-online-marketing-data/
Services in Ubiquitous Computing, IMIS 2012, 898-900.
Bell, E. (2013). Search Marketing 2013 Trends and B2B
Gantz, J., & Reinsel, D. (2011). Extracting Value from
Takeaways. Opgehaald 12 juni, 2013, van http://www.business.com/b2bmarketing/search-marketing-
Chaos. IDC IVIEW. Opgehaald 28 februari, 2013, van http:// www.emc.com/collateral/analyst-reports/idc-extracting-
2013-trends-and-b2b-takeaways/
value-from-chaos-ar.pdf
Bloem, J., van Doorn, M., Duivestein, S., van Manen, T.,
Gobble, M. M. (2013). Big data: The next big thing in
& van Ommeren, E. (2012). VINT research report (no. 1): Creating clarity with Big Data. Retrieved February 13, 2013, from http://blog.vint.sogeti.com/?page_id=5544 Boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information Communication and Society, 15(5), 662-679.
34
innovation. Research Technology Management, 56(1), 6466. Gopalkrishnan, V., Steier, D., Lewis, H., & Guszcza, J. (2012). Big data, big business: Bridging the gap. Paper presented at the Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 7-11.
Haley, E. (2013). Through The Marketer’s Microscope: Big
Kaushik, A. (2012). Multi-Channel Attribution: Definitions,
Data In 2013. Opgehaald 4 april, 2013, van http://www.
Models and Reality Check. Opgehaald 15 april,, 2013, van
searchmarketingstandard.com/through-the-marketers-
http://www.kaushik.net/avinash/multi-channel-attribution-
microscope-big-data-in-2013
definitions-models/
Hamel, S. (2009). The Web Analytics Maturity Model: a
The Big Data Insight Group. (2013). IDC predicts big data
strategic approach based on business maturity and critical
will be worth $23,8bn by 2016. Opgehaald 24 maart, 2013,
success factors. Opgehaald 20 augustus, 2013, van http://
van http://www.thebigdatainsightgroup.com/site/article/idc-
www.cardinalpath.com/cpwp/wp-content/uploads/WAMM_
predicts-big-data-will-be-worth-238bn-2016
ShortPaper_091017.pdf Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, IBM Corporation. (2011). Big Data Succes Stories.
R., Roxburgh, C., & Buyers, A.H. (2011). Big Data: The
Opgehaald 14 februari, 2013, van http://www-03.ibm.com/
next frontier for innovation, competition and productivity.
press/us/en/index.wss
Opgehaald 13 februari, 2013, van http://www.mckinsey.com/ insights/mgi/research/technology_and_innovation/big_data_
Jaarsma, R. (2012). Dichter op je klant dankzij big data.
the_next_frontier_for_innovation
Opgehaald 16 april, 2013, van http://www.mt.nl/404/71233/ online-strategie/dichter-op-je-klant-dankzij-big-data.html
McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard Business Review, 1-9.
Jacobs, A. (2009). The Pathologies of Big Data.
Mehra, G. (2013). 6 Uses of Big Data for Online
Communications of the ACM, 52(8), 36-44.
Retailers. Opgehaald 13 april, 2013, van http://www. practicalecommerce.com/articles/3960-6-Uses-of-Big-Data-
Ji, C., Li, Y., Qiu, W., Awada, U., & Li, K. (2012). Big data
for-Online-Retailers
processing in cloud computing environments. Paper presented at the Proceedings of the 2012 International
Russom, P. (2011). TDWI Best Practices Report: Big Data
Symposium on Pervasive Systems, Algorithms, and
Analytics. TWDI Research, 1-37.
Networks, I-SPAN 2012, 17-23 Safran, N. (2012). How The Era Of ‘Big-Data’ Is Changing Kaisler, S., Armour, F., Espinosa, J.A., Money, W., &
The Practice Of Online Marketing. Opgehaal 13 april,
Washington, G. (2013). Big Data: Issues and Challenges
2013, from http://searchengineland.com/how-the-era-
Moving Forward. 46th Hawaii International Conference on
of-%E2%80%98big-data%E2%80%99-is-changing-the-
System Science, 995-1004.
practice-of-online-marketing-112283
35
Bijlage A: Business Model Canvas van Osterwalder Onderdeel
Bouwsteen
Offer
Value proposition Customer segments
Customers
Customer relationships Distribution channel
Beschrijving De waarde die wordt geleverd door een bundel producten of services aan een specifiek klantsegment. Aan wie de waarde wordt geleverd en welke klanten bediend kunnen worden. De manier waarop de organisatie een relatie opzet met klanten. De manier waarop de value proposition wordt gedistribueerd door middel van communicatie, distributie- en verkoopkanalen. De belangrijkste middelen om waarde te creëren voor- en leveren
Key resources
aan klanten. Dit zijn menselijke, financiële, fysieke en intellectuele middelen.
Infrastructure
Key activities
De acties die nodig zijn om het business model te laten werken. Beschrijft welke partnerschappen nodig zijn om het business
Key partnerships
model succesvol te maken. Deze worden geselecteerd voor hun middelen, het verminderen van risico’s en om het business model te optimaliseren.
Revenue streams
Wat klanten bereid zijn om te betalen en welke prijsstellingtechnieken worden gebruikt. Kosten gerelateerd aan het creëren van waarde, leveren van
Financial viability Cost structure
waarde en het genereren van omzet. Alle kosten gerelateerd aan de hierboven beschreven bouwstenen.
36
Bijlage B: Het web analytics maturity model van Stephan Hamel Management Governance Adoption 5. Competing on analytics 4. Culture 3. Senior management 2. Director 1. A project 0. No champion
Tools, technology & data
5
intergration
4
5. Strategic
3
4. CRM 3. eMarketing 2. Behaviour Optimization
2 1
1. Web metrics
Objectives 5. Competing on analytics 4. Business Optimization 3. eBusiness Optimization 2. eMarketing Optimization 1. Request list 0. Undefined
0. No web analytics
Continous Improvement
Scope
Proces & Methodology
5. Competing on analytics
5. Agile approach
4. Online ecosystem
4. Agile methodology (online)
3. Single website
3. Continuous improvement
2. Specific online
process 2. Department/team metho 1. Analyst’s own 0. No methodology
Team & Expertise 5. Experienced & empowered 4. Multidisciplinary
tactivity/sector 1. HiPPO 0. Improvisation
3. Distributed team 2. Single analyst 1. Project approach 0. No dedicated resources
37