Afgelopen maandag schreven we over 7 regels voor data-gedreven marketing. Het mag duidelijk zijn dat data soms een mijnenveld kan zijn. Daarom delen we vandaag nog 7 regels voor data-gedreven marketing.

8. Experimenten zijn de basis van causatie

Correlatie is geen causatie. Elke data scientist die ook maar iets van zijn werk weet zal je dit vertellen. Maar als marketeers, is het vaak de causatie die we proberen te achterhalen -we willen weten wat we kunnen doen dat er voor zal zorgen dat we meer klanten krijgen. Dus wat doen we wanneer de data een correlatie laat zien die mogelijk zo’n oorzaak onthuld? We doen een gecontroleerd experiment. Houdt alle andere variabelen constant (zo veel als praktisch mogelijk) en test de alternatieven om je hypothese te bewijzen of te ontkrachten. Google doet elk jaar meer dan 10.000 van dit soort experimenten. Het is de meest krachtige data die je kunt genereren en dat is precies de reden waarom ‘big testing’ groter zal zijn dan ‘big data’.

9. Bekijk het dashboard maar kijk ook uit het raam

Een van mijn favoriete uitspraken van Gord Hotchkiss is de fantastische metafoor: “kwantitatief is naar het dashboard kijken terwijl je rijdt. Kwalitatief is door het raam kijken.” Het is logisch dat we beiden moeten doen. In de praktijk balanceren we het kwantitatieve (data) en het kwalitatieve (ervaring) natuurlijk tijdens het rijden. Althans, dat doen de meesten van ons. We moeten in marketing ook naar datzelfde evenwicht streven. Vergeet niet te genieten van het inspirerende uitzicht, of uit te kijken voor de vrachtwagen die op je afkomt, omdat je alleen maar naar je dashboard kijkt.

10. De accuraatheid en relevantie van data vergaat over tijd (en vaak erg snel)

De meeste data heeft een relatief korte houdbaarheid, zeker in marketing. In de week dat ik op zoek ben naar een nieuwe auto, dan moet je me zeker targetten met advertenties, maar zes maanden later is de data die mij geïdentificeerd heeft als geïnteresseerd in een auto, slechts een schim uit het verleden. Er kan zeker waarde zijn in het weten dat ik interesse had in een auto, maar geloven dat ik dat nog steeds ben is waardeloos, omdat je dan verkeerde aannames over me gaat maken. Accuraatheid en relevantie zijn wat data waardevol maakt, maar die attributen veranderen over de tijd heen.

11. Je kunt data gebruiken voor ontdekking (‘waarom?’) of bevestiging (‘wat?’)

Data zou verschillend benaderd moeten worden wanneer je het gebruikt voor ontdekking of bevestiging. Met ontdekking, zoek je naar patronen, inzichten, ideeën, ontdekkingen – inspiratie voor nieuwe hypotheses. Met bevestiging, verifieer je dat iets gebeurt is (of niet) en in welke mate. Echter, tenzij je een hypothese van een gecontroleerd experiment probeerde te bevestigen, vertelt bevestiging je alleen wat er gebeurt is, niet waarom. Dezelfde data kan voor bevestiging gebruikt worden in een context, en voor bevestiging in een andere. Weet wat je doet.

12. Een man met een horloge weet hoe laat het is; een man met twee horloges is daar nooit zeker van

Deze regel is ook wel bekend als Segal’s Law, een van de 7 wetten van technologie die iedere marketeer zou moeten kennen. De wereld zit vol met conflicterende data. Iedereen die ooit geprobeerd heeft om statistieken uit twee aparte web analyse pakketten met elkaar op een lijn te krijgen, weet hoe onmogelijk dit is. Verschillende tools zullen hetzelfde fenomeen anders meten. Het is de moeite waard om significante variaties te onderzoeken -begrijpen waarom deze zijn ontstaan kan tot waardevolle inzichten leiden- maar om elke kleine discrepantie na te jagen is verspilde tijd. In veel gevallen heb je geen perfect accurate data nodig, maar simpelweg data die accuraat genoeg is om goede beslissingen te maken.

13. Het model is niet de realiteit

Data is niet perse de realiteit die het zich voordoet te zijn. Het is natuurlijk wel een reflectie van de realiteit, maar een die erg vatbaar is om beïnvloed te worden. De filosoof en wetenschapper Alfred Korzybski sprak de beroemde woorden: “de kaart is niet het territorium.” Natuurlijk willen we data gebruiken, en kaarten, maar zoals de grote statisticus George E. P. Box zei: “alle modellen zijn verkeerd, maar sommige zijn bruikbaar.” Het is verstandig om een beetje gezond sceptisch tegen de correctheid van de data aan te kijken. We willen vooral allert zijn op andere tekenen -buiten de data- die suggereren dat de realiteit anders is. Het Zwitserse leger heeft hiervoor de mooie spreuk “als de kaart en het terrein het niet met elkaar eens zijn, vertrouw het terrein”. (“Ik zie klif op de kaaaaaaahhrt….”)

14. Data visualisatie kan verlichten, verduisteren of afleiden

Data visualisatie — grafieken, tabellen, infographics, etc. — is een krachtig, maar twee-snijdend zwaard. Het is veruit de meest effectieve manier voor ons als mensen om patronen te zien in data. Helaas, dan wel opzettelijk of per ongeluk, kan het ons patronen doen zien die niet echt waar zijn. Goede data visualisatie is een wetenschap en een kunst op zichzelf.  Als je je visualisatie vaardigheden wilt verbeteren zijn de boeken van Stephen Few, Kaiser Fung, Edward Tufte, Nathan Yau en Fernanda Viégas en Martin Wattenberg een ware aanrader. Ze zullen bijdragen aan sommige van de beste gereedschappen in je data-inzicht toolbox.

Bonusregel ter samenvatting:

Blijf rustig en gebruik data wijselijk.