IS NIET ALTIJD BETER. BEHALVE ALS JE
BENT!
TA A D G IS BI HT ZO’N EC U O AL? N E D BIG
2
IS NIET ALTIJD BETER. BEHALVE ALS JE
BENT!
Big Data is hot en staat bovenaan de directieagenda. Dat komt vooral omdat de toepassingsmogelijkheden van de explosief groeiende data-berg grenzeloos lijken te zijn. Maar is dat wel zo? Wat kun je nou eigenlijk met al die data, die we vooral verzamelen van internet en social media? Big Data is ongestructureerd, dat is een onderscheidend kenmerk. Belangrijke vraag is hoe je die data omzet in Smart Data met aantoonbare toegevoegde waarde voor het ondernemings- en marketingbeleid. En welke stappen kun je het beste zetten om de nu al bekende valkuilen te omzeilen? In deze whitepaper geven wij vanuit Cmotions onze visie op de toepassing van Big Data binnen Fact Based Marketing.
IS BIG DATA NOU ECHT ZO’N BIG DEAL?
Iedere dag bellen, chippen, pinnen, surfen en e-mailen we met z’n allen wat af. Allemaal handelingen die data opleveren over individuen en hun gedrag. Door de digitalisering van de maatschappij wordt steeds meer van die data (on)bewust opgeslagen via smartphones, navigatiesystemen, OV-chipkaarten, pinbetalingen, websitebezoeken, callcentra, social media en e-mail. Inmiddels explodeert de hoeveelheid data die bedrijven kunnen opslaan over hun klanten, leveranciers en processen. En het is nog maar de vraag of het einde hiervan al in zicht is. Sinds de introductie van de term “Big Data” wordt Big Data gezien als een enorme big deal. Iedereen heeft er de mond vol van. Het begrip heeft zich als een olievlek verspreid en is een hype geworden. Met als gevolg dat allerlei partijen de term terecht en onterecht gebruiken. Op deze manier dreigt Big Data een container begrip te worden. We zijn de eerste om te erkennen dat er veel spraakverwarring is over de term Big Data. Wat wil je ook met zo’n naam: het begrip suggereert dat het alleen zou gaan om “Veel Data”. Zo werd
in een recente studie onder IT-managers al door 36% aangegeven dat zij Big Data-projecten hebben lopen. Op de vraag aan deze “Big Datagebruikers” hoe zij die data dan opslaan, gaf 56% aan dit te doen in een relationele database. Maar een belangrijk kenmerk van Big Data is juist dat deze niet in de traditionele database-omgevingen zijn onder te brengen. Dus ook niet in een relationele database. Bovendien suggereert de term Big Data ten onrechte dat er ook zoiets zou zijn als “Small Data”. Hierbij wordt dan direct gedacht aan kleinere hoeveelheden data. Dat is echter niet de essentie. Big Data onderscheidt zich vooral van “niet-Big Data” omdat Big Data zich niet conformeert aan de gangbare technieken voor databaseopslag, -verwerking en analyse. Er wordt wel eens gefluisterd dat de makers van Big Data-tools, zoals Hadoop en NoSql, de term hebben bedacht om zo hun producten te kunnen verkopen. Wij vinden dat hier de vuistregel geldt dat IT een middel moet zijn en geen doel op zichzelf!
3
De 3 V’S: VOLUME, VARIETY EN VELOCITY
De term Big Data wordt gekoppeld aan 3 V’s: Volume, Variety en Velocity. Als eerste gaat het dus inderdaad om enorm grote hoeveelheden data. Het gaat dan om volumes die de grootte van het vermogen van de gangbare database tools te boven gaat. We hebben het over datahoeveelheden groter dan een bepaald aantal petabytes, waarbij 1 petabyte gelijk is aan 1 miljoen gigabyte. Het is echter een dynamisch concept, dat met de technologie meegroeit. Iets dat nu Big Data wordt genoemd is over 1 jaar al geen Big Data meer. Daarnaast verschilt de definitie van Big Data tussen sectoren. Een dataset die in de ene sector als “Big Data” wordt bestempeld, wordt in een andere sector juist als klein aangemerkt. Big Data is, als het alleen om volume gaat, dus een arbitraire term. Vandaar dat we de V’s van Variety en Velocity nodig hebben om Big Data te beschrijven. Sommigen voegen daar nog meer V’s aan toe, zoals Veracity en Volatility. Big Data gaat ook over de variëteit in data. Deze variëteit is grofweg in te delen in gestructureerde en ongestructureerde data. Gestructureerde data is alle informatie die in databases kan worden
PLUS DE V’S VAN VOLATILITY EN VERACITY Soms wordt in het verlengde van velocity ook gesproken over volatility. Dit heeft betrekking op de snelheid waarmee de waarden van opgeslagen gegevens in een bepaalde tijdsperiode veranderen. Wanneer de volatility
hoog is, veranderen deze gegevens snel. Hierdoor zijn voorspellende modellen die gebaseerd zijn op deze snel verouderende data, ook snel verouderd. Bij hergebruik van deze gegevens moet dus rekening worden gehouden met de “houdbaarheidsdatum”. Als vierde (of vijfde) V wordt nogal eens het begrip veracity toegevoegd. Hierbij gaat het om de kwaliteit van de opgeslagen data en om de afwezigheid van bias, ruis en abnormaliteiten in de data. Soms wordt in dit verband ook het
opgeslagen. Het gaat meestal om opsommingen van kenmerken, zoals transacties, bestellingen, productgebruik, contractgegevens, leeftijd, geslacht, geboorteplaats, et cetera. Big Data is echter ongestructureerd. Ongestructureerde informatie is informatie die in documenten en document-managementsystemen en op internet wordt opgeslagen. Vaak zijn dit teksten waarin een onderwerp wordt uitgelegd of toegelicht. Bijvoorbeeld brieven, tekeningen, rapporten (bijvoorbeeld jaarverslagen in KvK) of memo’s. Maar ook video’s, geluidsfragmenten, et cetera. Voor marketing zijn vooral social media en callcentra belangrijke bronnen van Big Data. De uitdaging van de hedendaagse datawereld is de snelheid waarmee data gegeneerd wordt, vaak ook nog (near) real time. Een goed voorbeeld van deze high-velocity data zijn social media data of GSM data. De locatiedata van mobiele telefoons kunnen worden ingezet om te voorspellen hoeveel personen er afkomen op een bepaald evenement. Hierdoor kan er real time worden ingespeeld op het aantal bezoekers door op te schalen of juist af te schalen.
begrip Validity genoemd. Dit heeft betrekking op de mate waarin de data daadwerkelijk meet wat ze geacht wordt te meten binnen het desbetreffende domein. Om de term Big Data in een definitie te vatten sluit de volgende het best aan op dit begrip (bron: TechTarget 2012):
“Big data is a general term used to describe the voluminous amount of unstructured and semi-structured data a company creates -- data that would take too much time and cost too much money to load into a relational database for analysis. Although Big data doesn’t refer to any specific quantity, the term is often used when speaking about petabytes and exabytes of data.”
4
GOEDE BIG DATA IS GOUD WAARD!
Het verzamelen van Big Data kan veel waarde opleveren voor de overheid en het bedrijfsleven. Voorwaarde is dan wel dat het opgevolgd wordt door adequate analyses. Binnen het marketingdomein kun je bijvoorbeeld denken aan het ondersteunen en/of het vervangen van menselijke besluitvorming door geautomatiseerde kennissystemen. Zie bijvoorbeeld de groei van het gebruik van cross channel campagne managementsystemen. Andere toepassingen zijn real time analyses op Social Media Data en
op Call Centre Data, zodat een bedrijf zo nodig snel en adequaat kan reageren. Maar Big Data daagt ook uit om out of the box te denken en schept de mogelijkheid voor geheel nieuwe business modellen. Daar voegt de opkomst van real time location data nog een extra dimensie aan toe. Big Data is dus ook in te zetten om sneller en relevanter in te spelen op de wensen van de individuele consument. Hier komen we op het terrein van Fact Based Marketing.
FACT BASED MARKETING EN Z’N MAATJE SMART DATA Als we het hebben over Fact Based Marketing, dan hebben we het over het afleiden van hoogwaardige informatie uit relevante data en deze omzetten in kennis die besluitvorming ondersteunt en mogelijk maakt. Dat is het basisprincipe bij Fact Based Marketing. Hieraan ten grondslag ligt toegepaste data, die we ook wel Smart Data noemen. Smart data kan gaan over klanten, prospects, de markt, de concurrentie, Het continu meten en verbeteren van de klantbeleving tegen aanvaardbare kosten
de economische en sociale omgeving, nieuwe ontwikkelingen, et cetera. De kennis komt binnen het bedrijf beschikbaar middels rapportages en (statistische) analyses ten behoeve van strategische, tactische en operationele marketing beslissingen. Het totale kennisgebied van Fact Based Marketing delen we op in een viertal kerndomeinen:
Het optimaal benutten van systematisch verzamelde klantdata
AMBITIE
KLA NT B
OPTIMALISATIE
EN
RA
NT
W
IN DO
AA
NT
RD
E
KL A TE
Het toepassen van een gedifferentieerde klantbenadering op basis van klantkennis
DOEL
IS
METEN
KLA NT
NN KE
ING EV EL
C TI E
KL A
E AT STR
GI
E
Het planmatig ontwikkelen van een hogere financiële klantwaarde
5
Laten we even inzoomen op een van deze kerndomeinen, namelijk klantkennis. Je kunt je afvragen hoe de toepassing van klantkennis tot uiting komt. Een voorbeeld hiervan is de ontwikkeling en uitvoering van een gedifferentieerde klantcontactstrategie. De uitdaging van Fact Based Marketing is dan om te komen tot meer relevantie voor de klanten of prospects die je wilt bedienen. Met als doel om de klantbeleving en de financiële klantwaarde te laten toenemen. Het heeft wel een consequentie. Klanten moeten niet als een homogene groep gezien worden, maar als individuen voor wie een product of dienst een bepaalde waarde heeft, afhankelijk van de relevantie. Daarom is het noodzakelijk om te zorgen voor een op de persoon toegesneden communicatie over de waarde van je product op het juiste moment. Dat
MARKETING OMGEVING DATA INFORMATIE
laatste, het juiste moment, kan betekenen dat het gebruik van “real time” data veel waarde toevoegt. Fact Based Marketing zou daarom inzicht moeten geven op individueel klantniveau. Hoe meer informatie we hebben over een klant - en hoe meer we weten welke communicatie, product of dienstverlening gewaardeerd wordt door een klant - , hoe beter dat klantinzicht is. Uiteindelijk is het bij Fact Based Marketing het belangrijkste om de data waarover je beschikt, Big of niet Big, om te zetten in Smart Data. Daarmee bedoelen we de toepassing van deze data nadat ze is omgezet in informatie en inzichten. Het is dan ook vanzelfsprekend dat van tevoren kritisch gekeken moet worden welke (vorm van) data toepasbaar is op welk kerndomein.
Input: Automatische scanning, data entry, subjectieve interpretatie Database management, bijvoorbeeld selectie, sortering, samenvatting, Rapporten productie Beslismodel; mentaal model
INZICHTEN BESLISSINGEN IMPLEMENTATIE
Beslissen onder onzekerheid, bijvoorbeeld modelering, communicatie, introspectie Financieel, menselijk en andere organisatie resources
In potentie is Big Data een geweldige aanvulling. Door meer informatie uit Big Data bronnen te halen komen we meer te weten over de klanten en kunnen we het aanbod relevanter (= meer gepersonaliseerd) maken. We plaatsen hierbij wel een kanttekening: ondernemingen gebruiken op dit moment slechts een klein deel van hun eigen data. Een recent onderzoek wijst uit dat het om
zo’n 12% zou gaan. De vraag is dan gerechtvaardigd of je beter eerst kan kijken naar de onbenutte data voordat je nieuwe databronnen aanboort. Big Data heeft dus veel toepassingsmogelijkheden, althans in theorie. Maar hoe staat het met de mogelijkheden voor de marketing praktijk?
6
WAT BETEKENT BIG DATA VOOR FACT MARKETING?
Om te kunnen bepalen wat Big Data betekent voor Fact Based Marketing voegen we nog enkele begrippen toe aan de eerder genoemde V’s, namelijk: • Relevantie • Koppelbaarheid Criterium
Toelichting
Omschrijving
Voorbeeld
Relevantie
Toepasbaar
Is data toepasbaar voor de analyse taak?
Interesses van klanten voor next best offer
Koppelbaarheid
Wel/niet
Is koppeling mogelijk aan andere data via een klant ID?
Klant ID, NAW, datafusie E-mailadres
Het wordt echt interessant voor Fact Based Marketing is als we individuele klantgegevens kunnen verrijken of uitbreiden met Big Data. Voorwaarde daarbij is dat we de data kunnen koppelen op individueel niveau, bijvoorbeeld met Social Media Data. Daar gaan we hieronder dieper op in. Maar het is ook mogelijk om Big Data in te zetten zonder individuele koppeling. Globaal kun je denken aan de volgende toepassingen: 1. Tijd georiënteerd gebruik van data •V oorbeelden hiervan zijn real time fraude detectie en online scoring. Bij het laatste wordt tijdens het websitebezoek op basis van het klantprofiel en het klikgedrag de inhoud van wat de klant te zien krijgt bepaald. Andere voorbeelden zijn het doen van real time sentiment analyses op Social Media of op Call Centra Data. 2. Analyse van data op klant ID niveau •V oorbeelden hiervan zijn basket analyses, churnpreventie, maatwerk communicatie en aanbod next best offer op basis van klantgedrag. 3. Klant(ID)data direct inzetbaar voor communicatie en marketingacties •V oorbeelden hiervan zijn locatie gestuurde communicatie (via de mobiele telefoon) en real time interactie (bijvoorbeeld via de website of via het callcenter).
4. Analyse van data op een ander analyse/interactie niveau maar wel met klant ID. • Voorbeelden hiervan zijn proces data mining en social netwerk analyses. 5. Data op individueel consumentniveau (met of zonder klant ID). • Voorbeelden hiervan zijn aanbevelingen, sentimentanalyse met behulp van webdata, positie van merken en producten t.o.v. concurrenten en de identificatie van zogenaamde “customer journey’s”. 6. Clickstream analyses • Voorbeelden hiervan zijn koppeling en verrijking met al bestaande klant gegevens, Verhoging website ergonomie en reductie uitval. 7. Sociale netwerk analyse • Vraag hier is wie de spilfiguren in het netwerk zijn. Met wie hebben zij contacten en waarover? Wat is hun rol? Van welke andere netwerken maken zij deel uit (linking pin)?
7
SOCIAL MEDIA ARE HERE TO STAY
Een belangrijke categorie Big Data in de marketing is Social Media Data. Social media hebben voet aan de grond gekregen, worden omarmd door een groot deel van het bedrijfs leven en kunnen prima naast traditionele media bestaan. Er is hier geen sprake meer van een hype: “Social media are here to stay”. Met de extractie van social media data van bijvoorbeeld Facebook, LinkedIn, Twitter is het mogelijk de eigen klantendatabase te verrijken met hun sociale profiel en/of sociale netwerkgegevens. Dit kan via www.whatclientslike.nl.
Afhankelijk van het doel van deze verrijking is het bijvoorbeeld mogelijk om ambassadeurs te identificeren. Of om segmentaties of de targeting van campagnes te verbeteren. Met een social login kunnen sociale data op een legale manier verkregen en vast gelegd worden in overeenstemming met bestaande privacy regels. Het is daarmee mogelijk om te zien welke vrienden of relaties een klant heeft, wat zij leuk vinden, welke interesses zij hebben, van welke sport, muziek of film zij houden, et cetera.
WAT WEL EN WAT NIET?
In de voorgaande sectie is duidelijk geworden welke analyses mogelijk en zinvol kunnen zijn. Maar welke data zijn nu geschikt voor welk bedrijf? Dit hangt geheel af van de doelstellingen van het bedrijf. Wanneer duidelijk is welke soort informatie nodig is, is het zaak om de juiste data te vinden. Zoals hieronder schematisch weergegeven: VOLUME, VARIETY, VELOCITY RELEVANTIE VOLDOENDE KWALITEIT
VAN BIG DATA NAAR SMART DATA
Het is dus van belang om de juiste data te gebruiken voor een goede analyse. Smart Data heeft weinig redundantie en/of ruis en is relevant en bij voorkeur volledig voor het doel. Smart data ligt daarmee aan de basis van de Fact Based Marketing praktijk.
8
DE WEG VAN BIG DATA
Big Data kan dus waardevol zijn voor Fact Based Marketing. Het gaat dan wel om de juiste en relevante data. Hoeveelheid is daarvan een afgeleide. Om waarde toe te voegen voor beslissingen op klantniveau zullen ook de hobbels van koppelbaarheid en informatieoverlap genomen moeten worden. De vraag blijft: hoe begin je hieraan? We volgen deze stappen:
1.
1.
2.
2. 3.
3. 4.
4.
5.
1. MARKETINGDOELSTELLINGEN
2. DATABRONNEN
5.
3. KOPPELEN DOELEN & DATA
STORE WEB EMAIL SHOW LETTER NEW ACCOUNT
CAMPAIGN RESPONSES
CANCELED CAMPAIGN RESPONSES
NEW CONTACT
QUOTE, ORDER OR OPPORTUNITY LEAD
6. RESPONS-METING
5. CAMPAGNE-UITVOERING
4. DATA ANALYSES
Stap 1: het formuleren van concrete marketingdoelen, zoals bijvoorbeeld: • 2014: 500 nieuwe klanten met kenmerk xyz per maand • Reductie churn op ons spaarobligo van 21% naar 16% in het tweede helft van dit jaar • Verhoging van de NPS-score van -12 naar +10 voor oktober 2014 •V erhoging aantal actieve deelnemers aan ons klantenprogramma van 2,4 naar 2,6 miljoen in Q3 2014 Stap 2: je stelt vast welke databronnen passen bij de te realiseren doelen en wat de kwaliteit en bruikbaarheid is van de data. Vervolgens verdeel je ze in logische groepen, zoals bijvoorbeeld: Soort data
Voorbeelden
Attitudes
Aantal interacties, aantal en kenmerken van de banners waarop is geklikt, welke webpagina’s zijn bezocht
Gedrag
Aantal keren dat de website is bezocht, duur van het verblijf op de website, type product dat is gekocht, kenmerken productbezit
Demografie
Leeftijd, postcode, Facebook-ID, email-adres
Loyaliteit
Deelname klantprogramma, aantal klachten, engagementscore
Klantwaarde
Potentiële klantwaarde, gemiddelde aankoopbedrag
9
Stap 3: Daarna koppel je de databronnen aan de te realiseren doelen. Ook hier een voorbeeld: Doelstelling Acquisitie
Attitudes x
Churn Net Promotor Score
Gedrag
Loyaliteit
Loyaliteit
Klantwaarde
x x
x
Demografie
x
x
x x
Cross Sell Ratio
x
x
Site-conversie
x
x
x
x x
Stap 4: de data wordt vervolgens geschikt gemaakt voor de gestelde doeleinden. Hier komt het verschil in Big en andere Data aan de orde door het gebruik van de tools die bij Big Data anders zijn. Omdat het bekend is dat bedrijven slechts zo’n 12% van hun eigen data benutten voor hun marketing bevelen wij echter aan eerst deze data aan te wenden en vast te stellen hoe ver je hiermee komt. Stap 5: vervolgens worden de campagnes uitgevoerd om de gewenste marketingdoelen te realiseren. Stap 6: deze campagnes worden geëvalueerd.
TOT SLOT
Binnen bedrijven gaat het bij Big Data dus om enorme hoeveelheden aan ongestructureerde en semigestructureerde data, die niet via de bestaande relationele database-omgevingen te verwerken is. Binnen het Fact Based Marketing domein is het van belang relevante data om te zetten in informatie en kennis en deze effectief toe te passen. Dit noemen wij Smart Data. Big Data kan een belangrijke aanvulling zijn binnen dit domein, zeker wanneer het koppelbaar is op individueel klantniveau. Denk bijvoorbeeld maar aan de 1-op-1 koppeling van Social Media Data. Voor de toepassing van data, Big of niet, is het verstandig de te realiseren bedrijfsdoelstellingen als vertrekpunt te nemen. Het blind verzamelen van zoveel mogelijk data met het idee om daarna te onderzoeken wat
hiermee mogelijk is, raden wij dus af. Het is belangrijk om eerst de strategie en doelstellingen vast te stellen en vervolgens te kijken welke analyses op welke data daaraan ondersteunend zijn. Daarbij in ogenschouw nemend welke data al beschikbaar zijn en welke informatie daarmee al verworven wordt of zou kunnen worden. Pas dan start de volgende stap van het verzamelen en vastleggen en toepassen van de relevante en kwalitatieve data, Smart Data. Dit is ook de werkwijze die Cmotions toepast. Als een van de eerste stappen in een klanttraject voeren wij een Business Audit uit waarin we alle beschikbare en te ontsluiten data qua relevantie, bruikbaarheid en kwaliteit mappen op de marketingdoelstellingen.
10
“Big data begint in essentie met de vraag wat je er mee wilt bereiken en welke data je daar bij nodig
hebt. De duurste technologie en meest geavanceerde
data infrastructuur helpt dat vraagstuk niet oplossen. In die zin lijkt het wel een beetje op het gebruik van een geavanceerd autonavigatie systeem. Het kan je misschien helpen om via de kortste weg en in de
minste tijd van Antwerpen naar Parijs te komen,
maar je schiet er weinig mee op als je ontdekt dat je in Amsterdam had moeten zijn.”
Prof. Dr. Ton Kuijlen, partner Cmotions
Spaceshuttle 52 • 3824 ML Amersfoort • Postbus 2762 • 3800 GJ Amersfoort T +31 (0)33 258 28 30 • E
[email protected] • W www.Cmotions.nl
