De trends in big data, AI en predictive intelligence zijn vaak beschreven. Dat wil helaas niet zeggen dat iedereen nu weet wat ze er mee kunnen bereiken. Hoe kun je als bedrijf, en specifiek als retailer profiteren van het gebruik van data?
Zonder analyse is data enkel data. Vaak teveel om te overzien, vaak vervuild, soms tegenstrijdig, en regelmatig in verschillende systemen. Het oude gezegde ‘door de bomen het bos niet meer zien’ is hier zeker van toepassing. Door analyse zet je een spotlight op de zaken die ertoe doen. Dat doe je niet alleen door een specifiek stukje informatie uit de data te halen, maar door het combineren van data en systemen, en het visualiseren en delen van de uitkomsten. Dan komen er nieuwe inzichten die waardevolle input zijn voor gesegmenteerde klantmailings, productaanbod, gepersonaliseerde website content, conversie optimalisatie, en nog vele andere marketing, sales en klant-toepassingen.
Denk aan het volgende voorbeeld: Jack is manager van de customer support en kijkt iedere dag naar het dashboard van de software die zij gebruiken. Daarin ziet hij de lengte van de belletjes, het aantal chats, misschien een wachtrij. Hij kan ook de verschillen per medewerker zien. Daarmee kan hij sturen op gesprekken die te lang duren, of niet succesvol worden afgerond. Dat is hele goede stuurinformatie om zijn mensen effectiever te maken. Maar wat hij niet weet is de impact van de gesprekken op de (herhaal)aankopen van deze klanten. Wat als een langer gesprek juist sneller een herhaalaankoop oplevert? Door de data van customer support te combineren met de data van het commerce of ERP platform, wordt duidelijk wat het effect van bepaalde handelingen is. Daarmee kan Jack zijn mensen aansturen op de customer journey: welke elementen van een gesprek zijn belangrijk om de klant te converteren.
Of kijk naar Elise, online marketing manager. Zij kan met Google Analytics zien waar het verkeer op de webshop vandaan komt, welke pagina’s het meest populair zijn en heeft ook segmenten gedefinieerd om te ontdekken of er een verschil zit in het koopgedrag tussen een aantal van deze segmenten. Zij stuurt haar marketing campagnes aan op verkeer en conversie. Ook zij heeft geen volledig beeld van de (herhaal)aankopen. Definitieve bedragen, retourzendingen en customer life time bedragen ontbreken in Google Ads of Analytics. Door alle data van de aankopen te combineren met de web analytics data, ontstaat een volledig beeld van de herkomst en het gedrag van klanten. Uiteindelijk zal Elise haar marketing campagnes optimaliseren op basis van waarde van klanten en segmenten, en minder op volume in aantal clicks.
Hoe ziet dat er in de praktijk uit? Een paar gouden tips: ‘Zoveel data, waar moet ik beginnen?’ Stephen Covey zei ooit ‘Begin with the end in mind’ en dat is wat je precies moet doen. Beginnen bij waar je het meeste impact verwacht. Het is wel handig dit goed af te kaderen, dus begin niet met 4 verschillende databronnen en vele complexe analyses die veel tijd kosten voordat ze af zijn. Je wilt impact door het snel te kunnen delen met je team of bedrijf!
‘Het gaat hartstikke goed met onze shop, waarom hebben we dit nodig?’ Aha, grote kans dat het goed gaat, maar dat je je klanten niet zo goed kent. Dat is de sleutel naar succes op lange termijn, wat essentieel is in deze markt. Als je niet investeert in kennis, kan een concurrent je morgen te slim af zijn. Bedenk dus goed wat je doelen en concurrentie voordelen zijn en ga er bovenop zitten om dit te volgen en te tracken met data. Wordt dit goed ontvangen bij je klanten? Wat gaat perfect, wat kan beter? Waar gaat het mis in de customer journey? Waak ervoor dat je niet een black-box-succes wordt!
‘We hebben niet de kennis of tijd om data te analyseren.’ Dat hoeft niet perse, zeker als je een MKB retailer of webshop bent. Dan kan het juist beter zijn om dit in te kopen en te leren gebruiken, dan de investering te doen in het leren bouwen en maken. Het eerste is sneller en efficienter, het tweede zal langer duren, ook omdat de mensen hiervoor moeilijk te vinden zijn. De technologie heeft niet stilgezeten waardoor het tegenwoordig met één klik te regelen is dat je verschillende systemen combineert en direct inzichten krijgt. Een ideaal vertrekpunt waarbij het gebruik door marketing en management in het middelpunt staat en de techniek onder de motorkap blijft.
Alles leuk en aardig, hoor ik je denken, maar hoe gaat zich dat terugverdienen? Deze vraag krijg ik vaak en gelukkig heb ik voldoende cases om dit te onderbouwen. Bij elke samenwerking heb ik gezien dat er winst wordt behaald in tijd, proces en/of euro’s. Dit wordt met name bereikt door twee mogelijke varianten. Eén is een verbeterde return-on-investment op marketing: iedere euro wordt beter besteed wat wil zeggen dat je er meer voor terugkrijgt. Je kunt betere marketing campagnes opstellen en uitsturen omdat je ze fact-based benadert. Twee is rendement uit je mensen. Ik zie veelvuldig dat mensen met een marketing- of commerciele rol iedere week uren kwijt zijn aan dataverwerking en opschoning. Dit weerhoudt ze om gefocust bezig te zijn met hun belangrijkste taken, om de klant zo goed mogelijk te bedienen en het bedrijf te laten groeien. Dit soort dataverwerking – vaak in Excel – is saai, repeterend en foutgevoelig. Door dit te automatiseren neem je het weg bij mensen die deze tijd kunnen besteden aan het werk waar ze een passie in hebben, dat zal beter renderen. Door automatisering van de dataverwerking zorg je er gelijk voor dat de kennis in een standaard proces wordt vastgelegd in plaats van bij één persoon in het hoofd zit – die ook met vakantie gaat of een keer vertrekt. Op deze manier wordt het gedeelde kennis en gaan meer mensen er gebruik van maken en wellicht het proces aanvullen of verbeteren.
‘Proof is in the pudding’, dus kom maar op met je cases! Ik licht een paar cases toe waarin dit soort winsten behaald zijn, in korte tijd.
De eerste case is een groot en toonaangevend fashion bedrijf. Ik werd gevraagd om te helpen vanuit twee ontwikkelingen die speelden: 1. er werd een nieuw ERP systeem geïmplementeerd (Microsoft Dynamix) en 2. er waren rapporten en dashboards maar die klopten niet volgens de business, de gebruikers gaven aan dat cijfers niet klopten met de broninformatie en dat er informatie ontbrak. Het was niet enkel een kwestie van het bouwen of corrigeren van dashboards, maar het van de grond af aan opnieuw inrichten van de informatievoorziening. Op dat moment konden allerlei afdelingen, van merchandise tot inkoop en logistiek, niet inzien hoe de verkoop precies verliep en wat de aanbevelingen voor de volgende seizoenen zouden moeten zijn. Door sessies met stakeholders hebben we de KPI’s (key performance indicators) opgesteld en definities bedrijfsbreed afgestemd op elkaar. In sprints zijn we vervolgens de verschillende domeinen gaan bedienen met dashboards en ondersteuning bij het gebruik. Hiervoor was een nieuw proces van dataverwerking nodig, om het nieuwe ERP systeem en aanvullende bronnen te ontsluiten.
Welke impact is er behaald? Op het moment dat ik aan het project begon waren minstens 6 mensen 2 ochtenden per week bezig om rapporten te bekijken, te checken en uiteindelijk zelf analyses te gaan draaien en rondsturen. Eén afdeling had zelfs een full-time analyst benoemd om voor inzichten te zorgen zodat de afdeling daarop kon sturen(!). Dat is een enorme hoeveelheid tijd en dus geld die werd verspild aan taken die daar niet hoeven plaats te vinden. Dit hebben we stap voor stap weten terug te brengen naar enkel het gebruik van dashboards in plaats van data controle en het afzonderlijk maken van vergelijkbare analyses. Daarnaast hebben we méér aangeboden: naast dashboards is er self-service business intelligence uitgerold, waarmee gebruikers niet alleen dashboards krijgen maar ook zelf analyses kunnen maken met goedgekeurde brondata.
Ander voorbeeld: een affiliate marketing bureau, met honderden miljoenen regels data per dag. De uitdaging was hier om de organisatie snel van informatie te voorzien, omdat het oude systeem simpelweg de hoeveelheid data niet meer aankon en gebruikers dus heel lang op hun informatie zaten te wachten. Dit vroeg om een implementatie van nieuwe software en een nieuwe manier van werken. Daarnaast waren er twee junior analisten die ik mocht coachen zodat zij alle kennis en kunde meteen konden toepassen en zich eigen maken. Resultaat: Een van de directeuren kwam naar me toe en zei: zo snel heb ik onze (jonge) mensen zich nog nooit zien ontwikkelen, door jouw ervaring en coaching zijn ze in twee maanden veel wijzer en hebben veel meer impact in de organisatie, bedankt! Gevraagd naar een schatting op hoeveel tijd dit normaal zou kosten antwoordde hij ‘circa twee jaar’. Behaalde winst: 22 maanden keer twee analisten. De Business Intelligence manager was met name tevreden over de snelheid waarmee ze nieuwe informatie en complexere analyses konden opleveren, op een gebruiksvriendelijke en efficiente manier. Dit hebben we onder andere met alerts opgelost: alleen gebruikers informeren wanneer het nodig is.
Laatste case: een telecom webshop. Zij wilden hulp bij het kick-starten van marketing intelligence en tegelijkertijd het samenstellen, opleiden en coachen van een BI team. Dit was een super leuk en interessant project. Ze waren niet gewend om met externe consultants te werken, maar dit wende erg snel door de snelheid en goed geplande samenwerking die we vanaf het begin hebben ingezet. Op deze manier hebben we verkoopdata geladen en getransformeerd (mbv SQL) naar bruikbare datasets en dit realtime gevisualiseerd. Nog belangrijker, we zijn de webdata gaan gebruiken van de vele webshops die er zijn. Deze hebben we gecombineerd met de verkoopdata om de marketing en online specialisten in staat te stellen hun campagnes en keuzes te optimaliseren. Van een organisatie die ‘blind’ stuurde op gevoel, naar een ‘data-driven’ organisatie met gespecialiseerde kennis over hun klanten, realtime informatie en voorspellingen in sales en volume. Bijkomend resultaat: het ging zo goed, dat het project sneller klaar was dan iedereen had gedacht. Jammer om zo snel afscheid te nemen, maar trots op dit resultaat!
Ik begon deze blog met de stelling dat data niet veel waard is zonder analyse. Op basis van deze cases kan ik daar aan toevoegen, dat het net zo belangrijk is om de resultaten te delen en gaan gebruiken. Dan zullen de opbrengsten zich gaan maximaliseren. Ook al is de data overweldigend, complex, of foutgevoelig; er is altijd een manier om het om te zetten in een betere klantbeleving en dus beter bedrijfsresultaat. Begin vandaag nog aan de eerste stappen van big data naar big profit!