Dit is het tweede artikel van de reeks over digital marketing. In het eerste artikel is de rol van de data analist toegelicht. In dit artikel licht ik toe welke analyse vraagstukken een analist zoal tegenkomt en welke statistische technieken daarbij worden ingezet.

Een handig model om hier te gebruiken is de bekende indeling: beschrijvende statistieken, voorspellende statistieken en voorschrijvende statistieken.

Beschrijvende statistieken

Digitale marketing analyse begint bij beschrijvende statistieken: onderzoeken wat er gebeurt, vandaag en in het verleden. Start met goed na te denken over KPI’s: hoe kan je met zo min mogelijk cijfers beschrijven welke relevante ontwikkelingen je ziet voor jouw business? Een handig hulpmiddel hiervoor is de marketing/salesfunnel omdat die je laat kijken naar acquisitie, binnenhalen, ontwikkelen en behouden van klanten. Het AAAR metrics model helpt je om deze KPI’s op te stellen.

Informatie over het online zoek- en koopgedrag haal je uit webanalytics tools zoals Google Analytics. Zorg er voor dat je begrijpt hoe deze tools meten (sessies, users, pageviews, events) en wat de voor- en nadelen zijn van het meten via cookies. Veel data analisten doen ook onderzoek over sessies heen: wat is de bezoekersretentie? En welke combinaties van bronnen leiden tot conversie (attribution tracking)?

A/B testing

Door te experimenteren met A/B testing kan je commerciële uitingen (webpagina’s, email subjectlines, etc..) optimaliseren. A/B testing komt neer op het doen van verschiltoetsen: je vergelijkt twee versies in dezelfde periode met een significant aantal vertoningen op een aantal vooraf bepaalde resultaten. De versie met het significant beste resultaat rol je uit. Hiervoor gebruik je de T-test en betrouwbaarheidsintervallen. Tegenwoordig gebruiken analisten ook Bayesiaanse statistieken waarbij op basis van de testuitslag wordt bepaald hoe groot de kans is dat de ene versie beter presteert dan de andere. Voordeel van deze methode is dat je met een lager aantal vertoningen verschillen kan meten.

Social media analyse

Social media geven voor grote merken veel informatie over wat consumenten van merken vinden en hoe ze er met elkaar over communiceren. In de social media analyse beschrijft de data analist het sentiment op social media. Hiervoor wordt een combinatie van NLP, machine learning en statistiek ingezet waarvoor tools en API’s bestaan. Het zware werk is dus al voor je gedaan. Resultaten kunnen op aansprekende wijze gepresenteerd worden via word clouds.

Segmentatie en profiling

Data analisten segmenteren de customer base: er worden klantgroepen gedefinieerd op basis van gelijke kenmerken die relevant zijn voor marketing. Denk aan koopgedrag, leeftijdscategorie, interesse en dergelijke. Technieken zoals cluster analyse of decision trees worden ingezet. Waar klantsegmentatie in het verleden een statisch gebeuren was en klantsegmenten inspiratie waren voor ‘above the line’ campagnes zie je nu meer ‘real-time’ segmentatie (profiling); bijvoorbeeld prospects die direct worden gescoord en de contactstrategie die daarop automatisch wordt aangepast. R en Python zijn uitermate geschikt voor het implementeren van modellen in marketing automation. Daarover meer in een volgend artikel.

Voorspellende statistieken

Het voorspellen van klantgedrag is een waardevolle analyse: er kan vooraf worden uitgerekend wat de ROI is van marketingbudget. Een data analist kan modellen opstellen voor de te verwachten resultaten van een marketing campagne, modellen voor het voorspellen van de klantduur, of churn van de klantrelatie. Voor deze analyses wordt een model opgesteld op basis van historisch klantgedrag. Het model leert steeds meer over klantgedrag aan de hand van data en kan worden ingezet om toekomstig gedrag te voorspellen. Vaak wordt logistische regressie ingezet (of decision trees) maar steeds meer worden er statistische technieken gecombineerd om de beste voorspellingen te doen: ‘ensembling models‘. Of er worden meerdere decision trees gecombineerd tot één voorspelling (‘random forest‘), wat mogelijk is dankzij de grote hoeveelheden clickstream data die we tegenwoordig tot onze beschikking hebben.

Voorschrijvende statistieken

Voorspellende analyses kunnen ook worden ingezet om klanten een beter aanbod te doen. Er kunnen bijvoorbeeld producten worden aangeboden waarvan we weten dat deze bij de klant passen. We komen dan op voorschrijvende statistieken: de analist bouwt een model dat automatisch voorschrijft; het aanbod direct personaliseert. Er zijn meerdere manieren om zo’n recommendation model op te stellen. Netflix en Amazon zijn twee merken die bekendstaan om de wijze waarop zij recommendation modellen in hun website verwerken

Ik noem de bekendste:

• Content filtering maakt profielen van gebruikers en producten op basis van de kenmerken van die gebruikers of producten. Zo kunnen producten met dezelfde kenmerken als andere producten aanbevolen worden of worden producten aanbevolen aan gebruikers die lijken op andere gebruikers die deze producten eerder kochten. Deze methode heeft als voordeel dat ze al kan worden ingezet als er nog niet veel klantgedrag en transactie informatie beschikbaar is.
• Collabarative filtering, waarbij meer nadruk ligt op het gedrag van bezoekers voor het aanbevelen van producten. Dit door expliciet gedrag zoals een eerdere aankoop of een positieve rating. Of door impliciet gedrag zoals het eerder bekijken van een product of een productcategorie. Deze methode heeft als voordeel dat deze voor meerdere producttypen tegelijkertijd kan worden ingezet.

Vaak wordt een hybride model ingezet om de voordelen van bovenstaande modellen te combineren. Voor het ontwikkelen van het model worden allerhande statistische technieken gecombineerd zoals ‘K nearest neighbor‘, ‘Matrix factorization‘ en clustering. De grootste uitdaging zit hem echter in het op een goede manier in productie brengen van het model. Hoe voorkom je dat het model producten adviseert die nauwelijks op voorraad zijn? Is het model snel genoeg om op dezelfde dag nog een nieuwe aanbeveling te doen aan een klant die s’avonds de website opnieuw of op een ander apparaat bezoekt?

In dit artikel heb ik de typische analyses opgesomd die een digital marketing analist uitvoert. De lijst is niet compleet maar laat denk ik heel goed zien dat digital marketing analyse best wel complex is wanneer je alle genoemde analyses uitvoert. En dan heb ik het nog niet gehad over hoe een analist de data kan verkrijgen, bewerken en in analyses kan verwerken. Daarover gaat dan ook het volgende artikel in deze reeks.