Voor Webanalisten schrijf ik een aantal artikelen voor en over de digital marketing analist. In deze reeks artikelen ga ik in op data analyses, statistiek, skills, databewerking, datakwaliteit en tools. Ik beantwoord vragen zoals: Wat doet een digital marketing analist? Hoe word je een digital marketing analist? Met welke tools kan je werken? En hoe werk je effectief?

Ik gebruik de term digital marketing analist, om af te bakenen dat het hier gaat over het marketing vakgebied. De toevoeging digital impliceert dat er gebruik gemaakt wordt van analyse data die online is verzameld.

Welke skills heb je nodig?

Een digital marketing analist pakt met behulp van data, software en analytische vaardigheden allerlei marketingvraagstukken aan. Het zijn niet de meest eenvoudig te vinden kandidaten op de arbeidsmarkt omdat een goede digital marketing analist een vrij specifieke combinatie van kenmerken bezit, die je niet vaak in één persoon verenigd ziet:

• marketing inzicht: in staat zijn vanuit de consument naar het merk te kijken (waarde voor de klant), maar ook commercieel gevoel hebben (waarde voor de organisatie);
• analytisch inzicht: het uitdagend vinden met statistieken en data te werken en hierin verder te willen leren: de mogelijkheden hierin zijn voor analisten de afgelopen jaren enorm toegenomen;
• oplossingsgericht: in staat zijn om de analyse tot een waardevol advies te vormen en dit op een goede wijze (visueel, met aanbevelingen) te kunnen presenteren.

Digital marketing analyse team

Het online vakgebied, en daarbij data analyse, is in de afgelopen jaren enorm gegroeid. Er is veel meer data beschikbaar, analyses zijn hoogwaardiger en resultaten worden direct in de processen verwerkt. Wanneer je een digital marketing analyse team voor je ziet kan je grofweg de volgende rollen onderscheiden:

• data engineer: houdt zich bezig met datamanagement, is vertrouwd met ETL software, databases en datakwaliteit vraagstukken. Kan, steeds vaker onafhankelijkheid van een ICT-afdeling, zelf databronnen benaderen en aanmaken. Kan overweg met API’s, openbare datasets en tag managers. Een data engineer heeft vaak een IT achtergrond;
• business analist: beoordeelt de vraagstukken, stelt vast welk analysetraject daarop past, voert de analyse uit of laat de analyse uitvoeren en presenteert de resultaten. Er is in de afgelopen periode veel aandacht besteed aan de wijze waarop analyses worden gepresenteerd. Google noemt het data storytelling. Avinash Kaushik heeft hier de laatste tijd veel inspirerende blogs over geschreven. Een business analist heeft vaak een marketingachtergrond;
• ontwikkelaar: verwerkt de analyses in commerciële processen; denk aan de implementatie van een recommendation model in een webshop en de automation van een marketingcampagne op basis van een aankoopgedrag-analyse. In AI worden steeds meer analyseresultaten (voorspellende en voorschrijvende modellen) verwerkt in digitale toepassingen. De ontwikkelaar heeft vaak een achtergrond als programmeur.

Bovenstaande hoeft niet te betekenen dat in elk analyse team deze drie medewerkers rondlopen. Business analisten nemen vaak ook datamanagement op zich en ontwikkelaars worden op datamanagement ingezet. Omdat software steeds toegankelijker is geworden kunnen analisten zelf aan de slag met A/B testing en rollout van de resultaten op websites, en hebben daar geen specialist voor nodig. Tenslotte besteden veel organisaties de meest specifieke taken uit.

Waarde creëren met analyses

In ‘Creating value with big data analysis’ hebben Verhoef, Kooge en Walk een goede opsomming gemaakt van welke vraagstukken met behulp van data analyse kunnen worden aangepakt. Deze opsomming past ook goed bij digital marketing analyse.

Value to the consumer

Dit zijn analyses die meten in welke mate organisaties van waarde zijn voor consumenten; denk aan klanttevredenheidsonderzoek, net promotor score, merkvoorkeur onderzoek. Relevant voor digital analyse zijn alle mogelijkheden die vandaag de dag worden ingezet zoals online reviews na aankoop, het gebruik van korte feedback vragenlijsten, maar zeker ook het volume en sentiment van social media posts, shares en likes.

Een concreet voorbeeld van zo’n analyse is te beoordelen wat het effect van kwaliteits-issues bij een webwinkel is op de review score die kopers geven. Teruggrijpend naar de hierboven genoemde rollen, kan een data engineer de databronnen bij elkaar brengen: reviews op website, klanten met kwaliteits-issues en producten met reviews. Daarna maakt de business analist de analyse.

Value to the company

Dit zijn analyses die meten in welke mate consumenten van waarde zijn voor organisaties. Denk aan analyses op kassa-informatie van GfK of Nielsen en analyses op de werving en het behouden of kwijtraken van klanten. In digital marketing zijn er volop mogelijkheden omdat er veel data wordt vergaard in de online customer journey. Vragen zoals: wat is de bijdrage in de conversie van dit advertising kanaal? En welke content op de website leidt tot de meeste engagement? Kunnen eenvoudig beantwoord worden.

Concreet voorbeeld van zo’n analyse is onderzoeken of website bezoekgedrag leidt tot aankoopgedrag. Teruggrijpend naar de hierboven genoemde rollen zal de business analist vaststellen dat bepaalde groepen klanten de website wel bezoeken maar voor de aankoop nog een duwtje in de rug nodig hebben. Een ontwikkelaar kan met de uitkomsten van deze analyses marketing campagnes zodanig aanpassen dat deze groepen nog eens benaderd worden met een specifieke call-to-action.

Is digital marketing analyse iets voor mij?

Alle marketing is tegenwoordig data-driven, dus moeten we allemaal data analisten worden? Ik denk het niet. Goede data analyse vraagt om gedegen kennis van statistiek. Dat begint al met het vaststellen van de grootte van controlegroepen, maar is ook van belang wanneer datasets niet zo normaal verdeeld zijn als ze lijken, of wanneer de juiste statistische methode bij de aanwezige data moet worden gekozen.

Het is goed om uit te blinken in één van de in dit artikel genoemde rollen, nog beter is het wanneer de digital marketing analist ook op datamanagement en implementatie kennis en ervaring inbrengt. De hoeveelheid en diversiteit aan data in analyse is enorm toegenomen en er zijn talloze nieuwe mogelijkheden om de data gereed te maken voor analyse. Veel meer dan in het verleden worden vanuit analyseresultaten modellen ontwikkeld die in productiesystemen moeten worden opgenomen.

Tenslotte moet een analist ondanks dat hij/zij diep in de cijfers duikt boven de materie kunnen uitstijgen. In de hierboven genoemde analyse, waar de vraag wordt gesteld hoe de conversie op webbezoek te verbeteren, kan een analist ook concluderen dat het aangeboden product gewoon niet goed genoeg is en dat conversieverhoging zinloos is.

In het volgende artikel ga ik verder in op de statistische kennis die een digital marketing analist moet hebben. Geen cursus statistiek maar de must-knows op een rijtje.