Every company is a data company. Elke organisatie werkt in meer of mindere mate met data en is er afhankelijk van. Maar om de kracht van data optimaal te benutten is het noodzakelijk om zowel de klant als de medewerker centraal te stellen in de customer journey. Alleen dan is het mogelijk om met data een wezenlijke bijdrage te leveren aan het realiseren van de organisatiedoelen.

In dit artikel gaat Bob Hoogewind, managing director bij GeoMarktprofiel, onderdeel van The Data Agency (sponsor van de DDMA Customer Data Award 2022), in op het belang van data in de customer journey voor zowel klant als medewerker en op de uitdagingen in de markt om data beter te laten renderen.

Organisaties streven ernaar om klanten de best mogelijke, gepersonaliseerde ervaring te bieden in elke fase van de klantreis. Een vergroting van de “Share of Wallet”, het verhogen van loyaliteit of het zo succesvol mogelijk converteren naar eerste en herhaalaankopen leveren een belangrijke bijdrage aan het realiseren van de organisatiedoelen. Tegelijkertijd moet je die gepersonaliseerde ervaring kunnen bieden zonder (potentiële) klanten het hemd van het lijf te vragen of het gevoel te geven dat hun privacy in het geding is. De capaciteit om (inzichten uit) data te kunnen toepassen is daarvoor essentieel en brengt de nodige uitdagingen met zich mee. Niet alleen de hoeveelheid data is tegenwoordig enorm, maar je moet de beschikbare data ook nog ontsluiten en analyseren, de kwaliteit moet op orde zijn en uiteraard moeten de medewerkers over de juiste kennis en tools beschikken. En dat allemaal binnen de kaders van de privacywetgeving en de perceptie ervan vanuit de klant. Een complex geheel van uitdagingen, maar tegelijkertijd biedt het veel kansen.

Het uitgangspunt hoe meer data, hoe beter gaat in ieder geval niet op om die kansen te kunnen benutten. Het gaat vooral om de achterliggende strategie die bepaalt hoe je met data binnen je organisatie om wilt gaan, ongeacht de hoeveelheid. Die strategie bepaalt welke data nodig is om jouw (organisatie)doelen te bereiken en welke mensen en middelen vereist zijn om de vertaling te kunnen maken van data naar de best mogelijke klantreis. Als die verbinding er niet is, wordt het een lastige reis, met veel uitdagingen en omwegen. Voorbeelden waar organisaties in praktijk vaak mee te maken krijgen zijn:

• In de interactie met een klant wordt deze niet als (dezelfde) klant herkend, waardoor niet de juiste onboarding-campagne volgt;
• Het klantbeeld is incompleet, incorrect of onbetrouwbaar waardoor leads voor werving of up-sell niet goed gekwalificeerd en opgevolgd kunnen worden;
• Klantdata ligt besloten in verschillende silo’s die niet voor iedereen, 24/7, op afstand en via generieke tooling toegankelijk is;
• Klantcontactgegevens zijn incorrect of verouderd waardoor klanten offline en online niet of niet efficiënt bereikt kunnen worden;
• De dekking van klantdata is onvoldoende omdat niet van alle klanten dezelfde data beschikbaar is. Analyses en voorspellingsmodellen voor potentie en risicoberekeningen zijn daardoor niet mogelijk of onbetrouwbaar;
• Het ontbreekt aan data, analyses en technologie om klantcommunicatie te personaliseren of te differentiëren naar segmenten zoals persona’s;
• Door het bovenmatig vastleggen en/of vasthouden van data ontstaat een vorm van data obesitas, waardoor slagkracht in de organisatie ontbreekt;
• Kennis en ervaring ontbreekt om data efficiënt om te kunnen zetten naar een effectieve interactie met de klant;
• Data, analyses en technologie sluiten niet goed aan bij de doelstellingen van de organisatie en medewerkers;
• Er is geen sprake van privacy by design waardoor bovenmatig klantdata wordt vastgelegd en de privacy rechten van een klant niet adequaat uitgeoefend kunnen worden.

Om dit soort uitdagingen om te kunnen zetten in realistische kansen, is het centraal stellen van zowel de klant als medewerker noodzakelijk, in elke fase van de customer journey. In zowel het werven en ontwikkelen als behouden van klanten gaat het immers om een zo optimaal mogelijke interactie met de organisatie. Vanuit de klant gezien is het noodzakelijk dat je ze in elke fase kan herkennen, dat je ze kan erkennen op basis van een betrouwbaar klantbeeld en dat de interactie vervolgens aansluit bij zijn of haar verwachtingen en behoeftes. Vanuit de medewerker gezien is het noodzakelijk dat hij in elke fase toegang heeft tot betrouwbare data en analyses en dat hij kan beschikken over de juiste technologie om die interactie mogelijk te maken. Om daarmee uiteindelijk een structurele bijdrage te kunnen leveren aan het realiseren van de doelstellingen en het optimaliseren van het resultaat.

In de dagelijkse praktijk kampen veel organisaties met remmende elementen die ervoor zorgen dat de klant en medewerker niet centraal staan. Met als gevolg dat de kracht van data niet volledig wordt benut en de bijdrage aan de organisatiedoelen niet optimaal is. Wil je weten hoe je het rendement op je data kunt verbeteren? Download dan de 10 takeaways van The Data Agency om de kracht van data beter te benutten.

Bob Hoogewind is Managing director bij GeoMarktprofiel, onderdeel van The Data Agency, een van de sponsoren van de DDMA Customer Data Award 2022. De uitreiking vindt plaats op 1 december in De Hallen Studio’s in Amsterdam. De uitreiking is zowel via een livestream te volgen (gratis), of fysiek bij te wonen.

Over The Data Agency
The Data Agency helpt organisaties te groeien, door de kracht van data beter te benutten. Wij werken voor vele marktleidende organisaties in West-Europa met onze diensten op het snijvlak van data, technologie en analyse. Dat doen ze vanuit het specialisme van onze merken Campaigns Unlimited, EDM, GeoMarktprofiel, Global Group, Human Inference en Invenna. Voor meer informatie over The Data Agency, zie www.thedataagency.nl.

De inzet van data voor marketing heeft in inmiddels zijn kracht bewezen. Sommige bedrijven baseren er zelfs hun hele businessmodel op. Dit gaat niet altijd even goed en daarom is het belangrijk om goed op een rij te hebben hoe je data kunt inzetten om de toekomst een stukje mooier te maken. Voor organisatie én consument. Hoe doe je dit dan? Wij vroegen het aan Kees Groenewoud, CEO bij Cmotions (sponsor van de DDMA Customer Data Award 2022).

Zorg voor een gedegen rapportage-huishouding

Als we het hebben over data stelt men binnen de marketingsector al snel hoge ambities; organisaties praten snel over de meest ingewikkelde AI-modellen en termen als predictive analytics. En terecht, AI en een geavanceerde inrichting van je analytics-opzet kunnen van onschatbare waarde zijn. Dat is alleen niet het eerste waar je aan moet denken, aldus Kees. ‘Een cruciaal startpunt voor een organisatie is het hebben van een basale rapportage-huishouding die op orde is. Je moet weten waar je op stuurt, hoe je succes beoordeelt – op campagne- én op bedrijfsniveau. Regelmatig zegt men alleen op winst te sturen, maar daar kun je niks mee. Het gaat om de drivers die de winst bepalen. Denk bijvoorbeeld aan de winstmarge van verkopers, levertijd, of campagne-effectiviteit. Als je van één van die drivers de data op orde hebt, heb je in feite al de basis voor de meest geavanceerde AI-toepassingen.

De kracht zit ‘m volgens Kees dus in de concrete afbakening. Kees: ‘Je moet weten wat er gebeurt en je moet het kunnen beschrijven, dat geldt voor kleine én grote organisaties. Voor ieder bedrijf geldt: kom erachter over welke data je beschikt en hoe je die data kunt gebruiken om belangrijke beslissingen te nemen. Als je die data vervolgens weet te ontsluiten, heb je een ijzersterk begin voor een traject richting geavanceerde data science.’

Bouw je marketingteam op naar de behoefte van je organisatie

In de markt spreekt men over het centraal zetten van de klant. Dat vraagt echter wel een andere blik op marketing, marketingteams en op individueel niveau: de marketeer zelf. Het vak maakt een transformatie door, het wordt steeds gefragmenteerder met verschillende specialisaties. En dat heeft gevolgen voor de manier waarop je als organisatie een marketingafdeling moet samenstellen, aldus Kees: ‘De opbouw van je marketingteam zou moeten afhangen van waar je als bedrijf behoefte aan hebt. Als jij de klant centraal wil stellen, dan zul je ook naar de klant moeten luisteren. Als dat de kern van je marketingpraktijk is, moet je team bepaalde datacompetenties bevatten om klantbewegingen en -gedragingen in kaart te brengen. De samenstelling van je marketingteam hangt dus af van de keuze die je als organisatie maakt – dat is voor veel organisaties niet vanzelfsprekend.’

Maar dat de marketingsector steeds meer de klant centraal zet – of dat in ieder geval zegt te doen – is een feit. Het komt ook weer naar voren in het DDMA Data-Driven Marketing Onderzoek 2022. Het speelveld van marketing wordt daarmee inderdaad kwantitatiever. Betekent dat iedere marketeer dan een data scientist moet worden? Dat niet, zegt Kees: ‘Data science is een vak op zichzelf. Als marketeer moet je aan de ene kant wel snappen wat klanten in beweging brengt en aan de andere kant moet je weten wat dit betekent voor je organisatie. In feite maakt een marketeer niets anders dan een continue match tussen de klantbehoefte aan de ene kant en aan de andere kant wat je organisatie kan bieden. Tegelijkertijd worden bepaalde elementen aan de kwantitatieve kant van marketing natuurlijk wel steeds toegankelijker. Marketeers bouwen tegenwoordig hun eigen Power BI-dashboards en daar is op zich niks mis mee. Je moet marketeers alleen niet vragen om ook nog de rapportages te maken die nodig zijn voor die dashboards. Dan ga je wat mij betreft een grens over.’

Als puntje bij paaltje komt ligt de kracht van de marketeer toch echt bij het beantwoorden van de echte marketingvragen: ‘Ik heb liever dat een marketeer met me meedenkt over hoe het zit met onze concurrentiekracht, pricing, het succes van een product, etc. dan dat hij of zij me uitlegt wat het verschil is tussen een factoranalyse en een multivariate-analyse. Daar heb ik mijn data scientists voor.’

Luister naar de klant en ga de dialoog aan

Een kritische consument en strengere wetgeving zorgen ervoor dat de inzet van data ten behoeve van marketingdoeleinden aan banden wordt gelegd. Als adverteerder móét je daar rekening mee houden wil je kunnen blijven opereren. De oplossing is wat Kees betreft vrij eenvoudig: ‘Als marketeers, en vooral direct marketeers, worden we betaald om te weten wat een klant wil. Als je je hier als marketeer aan houdt, kun je eigenlijk maar één ding doen: je moet met de klant in gesprek. Je moet de moeite nemen om te luisteren naar wat klanten zeggen. Doe je dat, dan gebruik jij klantdata uitsluitend op een manier zoals de klant dat echt bedoeld heeft en waarmee je echt kunt bijdragen aan een beter leven van de klant. Dit klinkt wellicht wat idealistisch, maar in essentie draait het hier wel om. Wat je vaak ziet is dat ondernemers zo druk zijn met de ontwikkeling van hun product en het onder de aandacht brengen van hun klanten, dat ze vergeten te luisteren. Met andere woorden: ze vergeten de data die de klant genereert op een juiste manier vast te leggen en vooral: om er wat mee te doen.’

‘Als je echt in dialoog gaat met je klant, je laat merken dat je weet wat hij heeft gezegd/gekocht, hoe hij dat ervaren heeft en je stemt je product of dienstverlening daarop af, dan denk ik dat je een heleboel van de problemen rondom compliance, maar zeker rondom publieke opinie en ethiek kunt oplossen. Ik breng het altijd terug naar de kruidenier uit de jaren 50 van de vorige eeuw. Het enige wat-ie vroeg was: Wat kan ik voor u doen? En aan het eind: Anders nog iets? Dat is volgens mij de essentie van marketing.’

Ga niet van je klanten houden

Consumentenvertrouwen is onmisbaar voor iedere organisatie. We leven in een wereld waarin data en technologie een steeds grotere rol innemen, online en offline meer en meer in elkaar overvloeien en het publiek kritischer is dan ooit. De relatie met je klant moet je als adverteer dan ook serieus nemen, aldus Kees. ‘Je moet nooit van klanten gaan houden. Dat is een ongezonde relatie. Je moet er zakelijk naar blijven kijken. Uiteraard zit er vaak een verpakking omheen die de relatie opleukt. Denk aan de ‘Alles voor een glimlach’-branding van Coolblue. Een originele verpakking die bijdraagt aan de klantbeleving, maar in essentie betekent het: ‘Bij het bestellen bij Coolblue is nog nooit iets misgegaan.’ Onderaan de streep blijft het dus een zakelijke relatie. Dat is uiteindelijk de basis voor het morele kompas dat je als organisatie inzet om consumentenvertrouwen op te bouwen. Als je dat plat slaat betekent het in feite: Doe wat je belooft.;

Waar gaat het dan vaak mis? Vaak bij bedrijven die hun mond vol hebben over klantgerichtheid, maar waar uiteindelijk weinig gebeurt om dit daadwerkelijk te doen, merkt Kees. ‘Veel organisaties roepen: Wij gaan de klant centraal stellen!’ Het is een soort van klefheid waar je niks aan hebt. Ze blijven onbereikbaar en blijven vooral profiteren van hun klant terwijl het geld tegen de plinten klotst. Überhaupt het roepen dat je klantgericht bent is eigenlijk al een pleonasme. Klantgerichtheid is inherent aan een zakelijke dienstverlening. Tenminste… als je het goed doet. Het zou in je genen moeten zitten.’

Waar iedere organisatie mee te maken krijgt, is het vermogen om op allerlei manieren data te verzamelen. Al deze databronnen kun je inzetten om communicatie richting je doelgroep te verbeteren. En daarin kunnen we als sector het verschil maken, aldus Kees. ‘Als je alles samenvat, moeten we als sector in staat kunnen zijn om keuzes te maken in de veelheid aan databronnen. Die keuzes moeten we baseren op de overweging of we klanten kunnen behandelen zoals ze dat verwachten en idealiter hier zelfs op anticiperen. Op deze manier kunnen we data inzetten om de toekomst een stukje mooier te maken.’

Kees Groenewoud is CEO bij Cmotions, een van de sponsoren van de DDMA Customer Data Award 2022, die op 1 december wordt uitgereikt in De Hallen Studio’s in Amsterdam. De uitreiking is zowel via een livestream te volgen (gratis), of fysiek bij te wonen.

Of het nu gaat om blogs, boeken, reviews, of gespreksverslagen. Ieder bedrijf beschikt wel over een substantiële hoeveelheid aan tekstuele data. Alleen wordt tekstuele data nog weinig gebruikt in data-analyses, visualisaties en AI-modellen, aldus Wouter van Gils, Senior Consultant bij Cmotions (sponsor van de Customer Data Award 2021). In dit interview gaat Wouter in op hoe je tekstuele data kan omzetten naar waardevolle inzichten voor jouw marketingpraktijk.

Wouter van Gils is Senior Consultant bij Cmotions, een van de sponsoren van de Customer Data Award 2021. De award werd begin december 2021 uitgereikt tijdens de online talkshow: De Beste Customer Data Cases van 2021.

Tekstuele data legt beweegredenen voor consumentengedrag bloot

In tekst ligt ontzettend veel informatie opgeslagen. Vaak meer genuanceerde informatie dan kwantitatieve data. Het legt veel meer het vooringenomen gedrag bloot, legt Wouter uit. “Denk bijvoorbeeld aan callcentergesprekken met klanten. Klanten geven daarin direct aan wat ze van je willen, en die kwalitatieve data wordt – om verschillende redenen – vaak niet gebruikt. Dat is zonde. Tekstuele data kan veel blootleggen over wat beweegredenen zijn van klanten en waarom ze überhaupt met jou communiceren. En als je dat eenmaal weet, heb je de informatie die je nodig hebt om die klanten zo goed mogelijk te bedienen en te benaderen met de juiste boodschap en content.”

Toch ziet niet iedereen heil in tekstuele data. Integendeel, vaak zien analisten veel beren op de weg; het is te complex, of organisaties beschikken niet over genoeg tekstuele data. Men vraagt zich bovendien af of er überhaupt analysetechnieken bestaan voor de Nederlandse taal. Ook acht men de informatie die je uit tekstuele analyses haalt, moeilijk te combineren met kwantitatieve data. Tot op zekere hoogte zijn deze obstakels inderdaad waar, al is dit makkelijker dan men denkt, vindt Wouter. “Tekstuele analysetechnieken hoeven niet heel complex te zijn en bijna elke organisatie beschikt her en der wel over tekstuele data. Daarnaast kun je tekstuele en numerieke data juist heel goed combineren om krachtige voorspellingen te doen. Uit onze blogreeks over ons model voor het voorspellen van restaurantbeoordelingen, wordt duidelijk dat je een knettergoed voorspel model kan ontwikkelen, puur en alleen gebaseerd op tekstuele data.”

Tekstuele data-analyse door de jaren heen: van topic modeling tot black box

Tekstanalyse kwam op in de jaren 80/90. Betekenis werd toentertijd toegekend op basis van het tellen van woorden. Als het ene woord veel voorkomt gaat een tekst waarschijnlijk dáárover. De komst van het internet en de enorme toename in tekst die daarmee gepaard ging bood ruimte voor ontwikkeling van nieuwe technieken om tekstuele data te interpreteren, legt Wouter uit. “Een daarvan is topic modeling. Met deze techniek kijk je over verschillende teksten heen welke woorden vaak in combinatie met elkaar gebruikt worden. Die woordgroepen worden uiteindelijk gereduceerd tot onderwerpen. Het is dan vervolgens aan een analist om te beoordelen of de bepaling van onderwerpen juist is. Als analist heb je dus goed zicht op wat er precies in een topic model gebeurt.”

De tussen 2010 en 2013 opkomende word-to-vec-modellen zijn al wat geavanceerder. Daarin worden woorden omgezet naar nummers, en gepresenteerd als een vector-representaties. Vervolgens kijk je welke vectoren veel samen voorkomen en wordt op die manier getracht een semantische samenhang binnen de tekst te ontdekken. Eigenlijk worden dus vectoren aan een tekst toegevoegd, die op zichzelf inhoudelijk weinig betekenis hebben, maar wel heel krachtig zijn voor je voorspelling. Daarmee lever je qua begrijpelijkheid en uitlegbaarheid wel wat in, benoemt Wouter. “Je kunt deze vectoren op zich nog wel terugleiden naar woorden, maar dit is wel veel complexer om uit te leggen. Je kijkt immers naar cijfers, niet naar woorden.”

De op dit moment meest geavanceerde analyses worden uitgevoerd met zogenaamde transformer-modellen, ook wel BERT-modellen genoemd. Dit zijn deep learning-modellen die vooraf getraind zijn op belachelijk grote hoeveelheden tekstuele data, afkomstig van bronnen als Wikipedia en Facebook, aldus Wouter. “Zo’n model train je dan verder door je eigen teksten aan te leveren, maar door een gedeelte van die trainset aan woorden weg te laten. Vervolgens vraag je het model te voorspellen waar bepaalde woorden in een tekst moeten staan. Op deze manier leert het model welke woorden het meest belangrijk zijn en wat de logische zinsvolgorde is. Deze modellen zijn ontzettend krachtig gebleken, omdat je heel makkelijk vraag-antwoord-analyses kunt doen. Ze zijn daarnaast heel geschikt voor classificaties, bijvoorbeeld als je wil voorspellen of klanten bij je weg willen.”

De valkuilen: racisme en misbruik

Hoewel BERT-modellen veel worden gebruikt binnen analyse-afdelingen, worden ze voor toepassingen richting klanten niet zomaar toegepast. Als het gaat om het voorspellen van het mogelijke vertrek van klanten kunnen modellen geen kwaad. Analyseresultaten blijven immers alleen intern beschikbaar. Als het gaat om een vraag-antwoordmodel voor klanten (bijvoorbeeld een chatbot) dan heerst er vaak koudwatervrees bij bedrijven, omdat er in die situatie heel weinig nodig is voordat een model uit de bocht vliegt, legt Wouter uit. “Er zijn beroemde voorbeelden. Zo had Microsoft een chatbot in 2016 die binnen no-time racistische taal begon uit te slaan. Je moet je echt realiseren dat zo’n model is getraind op onze eigen input, dus als je een model vraagt in te vullen: ‘De dokter is een…’, dan zal ‘man’ als resultaat naar voren komen, simpelweg omdat in de meeste ingevoerde data uit het verleden dokters als mannen worden beschreven. En zo kan het nog veel verder gaan, als je bijvoorbeeld vraagt: ‘Twee moslims lopen een kerk in…’ kan een model antwoorden: ‘en steken 12 mensen dood’, puur en alleen omdat in veel berichtgeving moslims vaak met dit soort incidenten worden genoemd. Discriminatie en racisme kunnen dus heel snel voortkomen uit zo’n model. We moeten er bewust van zijn dat dit komt door onze eigen teksten waarmee we die modellen voeden.”

Maar dat is niet de enige valkuil. Een deep-learning-model vergt veel trainingstijd. De meeste organisaties maken daarom gebruik van vooraf getrainde modellen. Een half jaar geleden is echter uit onderzoek gebleken dat deze vooraf getrainde modellen zo zijn te beïnvloeden dat bijvoorbeeld bepaalde merknamen of personen altijd positief terugkomen in de analyseresultaten. En dat het moeilijk is te ontdekken of een model op deze manier is beïnvloed of niet, waarschuwt Wouter. “We hebben eigenlijk iets nodig of een model voldoet aan bepaalde eisen, door middel van een certificatiesysteem, of iets dergelijks.  Zo voorkom je dat merken modellen eventueel beïnvloeden en misbruiken. En hoewel ik deze modellen in de praktijk nog niet voorbij heb zien komen, is wel wetenschappelijk aangetoond dat het kan. Zorg er dus voor dat je weet waar jouw modellen vandaan komen en wie ze heeft gebouwd.”

Tekstuele analyse is voor iedereen toegankelijk

Eigenlijk werken tekstuele analyses op een soortgelijke manier als wat je doet met kwantitatieve data, alleen is het een andere manier van kijken. Net als bij kwantitatieve analyses, is de kwaliteit en het resultaat van tekstuele analyses afhankelijk van wat je er aan de voorkant in stopt, licht Wouter toe: “Je moet in beiden gevallen zorgen dat data op orde en geprepareerd is, en dat je kenmerken hebt waarmee je kunt werken. Bij tekstuele data kijk je alleen naar andere kenmerken om je data op te schonen. Kijk bijvoorbeeld naar HTML-coderingen, interpunctie, cijfers of datums. Allemaal elementen waar tekstanalysemodellen moeilijk mee omgaan en daarom weinig betekenis hebben. Deze kenmerken moet je er eerst uithalen voordat je echt een analyse gaat doen. Hiervoor zijn veel opensourcepakketten beschikbaar met standaard routines voor het verwijderen van interpunctie, cijfers en stopwoorden die je niet kunt gebruiken.”

Als je kijkt naar de bovenstaande werkzaamheden, en je bent een data scientist met een fatsoenlijke kwantitatieve achtergrond, dan staat eigenlijk niets je in de weg om ook met tekstuele data aan de slag te gaan, aldus Wouter. “De enige valkuil is dat het je zo makkelijk wordt gemaakt, dat je aan het einde niet zo goed weet hoe je tot een resultaat bent gekomen. Je moet dus goed in kaart hebben hoe je input eruit ziet, wat voor model je toepast, en wat je vervolgens zeggen over de waarde van het model. Want deep-learning-modellen klinken ontzettend sexy, maar als je niet exact weet hoe het werkt én je kan het niet uitleggen – intern of aan consumenten – dan is de kans klein dat het dan in productie wordt genomen. Ik raad daarom altijd aan klein te beginnen, bijvoorbeeld met een simpel topic model. Als dat onvoldoende blijkt, kan je daarna overgaan op word embedding, om vervolgens te kijken naar deep-learning-modellen. Het is belangrijk om echt goed in te schatten wat je nodig hebt.”

In hoeverre bedrijven tekstuele analyses echt toepassen, ligt overigens vaak aan de datavolwassenheid. Bedrijven die meer datavolwassen zijn hebben vaak een grotere club aan analisten en kennis. Bovendien is gegevensopslag en -verwerking beter georganiseerd waardoor het makkelijker wordt om gestructureerd kennis te halen uit tekst. Bij bedrijven die minder volwassen zijn, of echt nog aan het begin staan van hun datastrategie, valt er nog veel winst te behalen op het gebied van kwantitatieve data, aldus Wouter. “Die bedrijven adviseer ik om zich te richten op creëren van waarde uit gegevens die je al beschikbaar hebt op de traditionele, kwantitatieve manier. Heb je aanvullende wensen met betrekking tot modellen of heb je weinig kwantitatieve data beschikbaar? Dan kan je serieus kijken naar tekst.”

Oud-winnaars KPN en ANWB aan het woord

De inschrijving voor de DDMA Customer Data Award 2021 is officieel geopend. Op 2 december bekronen we voor de 15e keer de organisatie die het managen van klantgegevens op operationeel, tactisch en strategisch niveau het meest succesvol weet toe te passen. Hoe bereid je je hier als ambitieuze dataspecialist op voor? Wat kan de award precies voor jou en je organisatie betekenen? In dit interview vertellen voormalig afgevaardigden van oud-winnaars KPN (2019), Mark van der Vlies (inmiddels werkzaam bij ABN AMRO), en ANWB (2020), Emiel Begthel, over hun ervaringen.

“Een goede voorbereiding is het halve werk”

Een goede voorbereiding is het halve werk. Een juiste investering in en timing voor deelname is daarom essentieel wil je een goede kans maken op een nominatie en uiteindelijk de winst, aldus Emiel Begthel. “Bij ANWB hebben we gewacht met onze deelname tot we echt het gevoel hadden dat we voldoende impact maakten en een kans hadden om te winnen. We hebben onze deelname in samenwerking met onze communicatieafdeling voorbereid om zo de onderscheidende punten van onze case zo duidelijk mogelijk weer te geven. Toen we eenmaal genomineerd waren hebben we met het hele team gewerkt aan een goede pitch, inclusief filmpjes.”

Ook oud-winnaar KPN heeft zich goed voorbereid op deelname. Zij hadden het winnen van een prijs zelfs al meegenomen in hun doelstellingen van het project waarmee ze de award uiteindelijk gewonnen hebben, vertelt Mark van der Vlies. “Bij KPN hebben we vóór onze deelname een aantal jaren toegewerkt naar een succesvolle implementatie van de next best action werkwijze. Aan het begin van dat traject hadden we al als doel gesteld om ‘award-winning data-driven marketing’ resultaten te behalen. Deelname aan de DDMA Customer Data Award was daarom een logische stap.”

“Door het samen te doen wordt je aanmelding veel beter én leuker”

Het presenteren van een case is altijd spannend – zeker als er een prestigieuze award mee te winnen valt. In het geval van ANWB misschien nog wel extra spannend omdat het publiek de uitreiking via een live uitzending kon volgen. Begthel: “Het was natuurlijk fantastisch om een nominatie in de wacht te slepen en om een presentatie te mogen geven. Natuurlijk wel spannend, aangezien we echt wilde winnen. Gelukkig konden we de scherpe en kritische vragen van de jury goed beantwoorden. Om aan het einde van de uitzending als winnaar te worden uitgeroepen was echt helemaal fantastisch. Zeker omdat ik wist dat er veel collega’s vanuit huis in spanning meekeken.”

De Customer Data Award win je natuurlijk niet in je eentje. Om een goede kans te maken moet je hele team betrekken. Dat gebeurde ook bij KPN. Van der Vlies: “Het winnen van de Customer Data Award was echt een team effort. We hebben echt als team onze aanmelding voorbereid. Dankzij de betrokkenheid van het hele team was het een groot feest om de award met veel gejuich en gefeest in ontvangst te nemen. Ik raad toekomstige deelnemers ook zeker aan om het samen te doen. Je aanmelding wordt dan zoveel beter, het geeft je energie en het winnen wordt bovendien veel leuker.”

“Winst creëert draagvlak voor je plannen binnen je eigen organisatie”

Het realiseren van steun voor plannen met betrekking tot personalisatie en klantdata is vaak een traag en langzaam proces. Een belangrijk obstakel is het creëren van draagvlak binnen organisaties. De DDMA Customer Data Award kan een goede stimulator zijn om dit draagvlak te creëren. Van der Vlies: “Binnen KPN waren de meesten al bekend met onze plannen voor een next best action werkwijze. Zo’n 3000 werknemers van onder meer onze callcenters en winkels werkten al dagelijks met next best actions. Het winnen van de award heeft ook de laatste sceptici overgehaald om onze werkwijze toe te passen.”

Ook ANWB kon na hun winst op veel steun rekenen, benadrukt Begthel: “Binnen ANWB heeft het de winst – naast veel trots en positieve werksfeer – een breder draagvlak gecreëerd voor onze personalisatie-ambitie om leden op basis van data beter te helpen. Daarnaast leidde het ook tot uitnodigingen om onze case op andere podia te presenteren. Ook heb ik persoonlijk ontzettend veel geleerd en heeft de winst me uiteindelijk een plekje opgeleverd in de jury van de aankomende editie van de Customer Data Award.”

Het moge duidelijk zijn. Deelname aan de DDMA Customer Data Award is een wervelende ervaring en kan je als organisatie, maar ook persoonlijk veel opleveren. Heb jij een mooie klantdatacase in je portfolio? Dien dan nu je case in. Cases kunnen tot en met 3 mei worden ingediend.

Binnen marketing en analytics zijn we er goed in om verschillende afkortingen en namen te geven aan soortgelijke tooling en oplossingen. De discussie wat nu het verschil is tussen een CDP, DMP, data lake en een datawarehouse, komen we nog steeds vaak tegen. Een nieuwe term die we aan dit lijstje mogen toevoegen is een ‘headless DMP’ / ‘headless data platform’. In dit artikel legt Mark Ebergen, Head of Analytics bij Searchresult, onder meer uit wat deze ontwikkeling inhoudt binnen marketing en biedt hij context aan de hand van een aantal toepassingsvoorbeelden.

Dit artikel is geschreven door Mark Ebergen, Head of Analytics bij Searchresult. Searchresult helpt organisaties om gezien te worden met duurzaam rendement op alle online marketingactiviteiten als ultieme uitkomst. Searchresult is sponsor van de DDMA Customer Data Award 2020 die op 1 december uitgereikt aan een van de drie genomineerden, ANWB, DPG Media of Jumbo Supermarkten, tijdens de speciale Digital Talk: De beste customer data cases van 2020.

Wat betekent ‘headless’?

De term ‘headless’ is overgewaaid vanuit de online contentmanagement-hoek. Hier wordt gesproken over een headless contentmanagementsysteem (headless CMS) wanneer de content niet langer is verbonden aan een specifieke tool, maar content via API’s beschikbaar is voor iedere tool die deze content wil gebruiken. ‘Headless’ betekent in deze context dat één uniforme interface of het ‘gezicht’ voor de content ontbreekt. Met een headless CMS kun je content dynamisch beschikbaar maken voor je website, nieuwsbrieven, externe platformen en ga zo maar door. Zo is je content makkelijk toegankelijk via meerdere interfaces.

Wat is een headless data platform?

Op het gebied van data management is dezelfde trend gaande. In plaats van het managen van data voor specifieke tools of marketingkanalen, wordt data gemanaged en geautomatiseerd vanuit één open platform. Ook deze term heeft geen vaste definitie, maar dit is wat wij er bij Searchresult onder verstaan:

• Een headless DMP of data platform zien we als het open en centraal speelveld voor data, analytics, verrijking en automation om data toepassingen te creëren.
• Een headless DMP kan de verbindende schakel zijn voor data en integraties van tooling die niet standaard met elkaar “praat” en maakt sommige single-purpose tooling overbodig.
• Niet enkel voor marketingtoepassingen, maar voor alle business units.

Lekker abstract, maar in de realiteit is dat ook zo. Een headless data platform moet je zien als de centrale data en automation stekkerdoos die je in potentie kan verbinden met alle tools in jouw data en marketinglandschap.

Cloud platform als headless fundament

Om een headless omgeving te faciliteren, wordt gebruik gemaakt van cloud platformen. Hierbij kun je denken aan Google Cloud Platform, Microsoft Azure of Amazon Web Services. Op deze omgevingen beschik je over alle hulpmiddelen voor data-opslag, automation en activatie om headless omgevingen te bouwen voor marketing en overige business-doeleinden.

Het gebruiken van een cloud platform voor marketingdoeleinden is overigens niet nieuw. De term “Cloud for Marketing” zal bij velen bekend klinken. Door de headless eigenschappen zijn er namelijk talloze manieren om een cloud platform te verwerken in jouw huidige marketing-tech-landschap.

Een DMP tool vs Headless data platform

Waar reguliere DMP- en CDP-tooling/software in de markt worden gekenmerkt door out-of-the-box koppelingen of integraties met marketingkanalen, liggen de integratiemogelijkheden met een headless DMP volledig open. Dit betekent: minder beperkingen en meer vrijheid om businesswaarde uit data te halen. Echter, een headless DMP vraagt om deze reden meer data expertise en creativiteit.

Bij een headless data platform ontwikkel je vanuit wat je echt nodig hebt; Integraties en automation die een directe toegevoegde waarde hebben. Hier zit de investering in specialisme en gebruik van hulpmiddelen op cloud platformen. Kortom, je betaalt enkel voor hetgeen dat je gebruikt. Bij reguliere DMP/CDP-tooling betaal je vaak een fixed fee voor het pakket of gebruik-staffel. Dit betekent ook dat je investeert in out-of-the-box functionaliteiten die je niet gaat gebruiken of minder relevant zijn voor jouw business-doelstellingen. Dit is niet altijd ten nadele van een DMP-tool. In sommige situaties zijn het gebruiksgemak, de templates en de snelheid die DMP-tools bieden juist de redenen om ervoor te kiezen.

Kun je deze twee direct met elkaar vergelijken?

Nee, eigenlijk niet. Waar binnen de context van marketing een DMP-tool voornamelijk wordt gebruikt voor marketing-audience-activatie/-orchestratie, liggen de use-cases voor een headless data platform niet vast. Een headless platform kan bepaalde functionaliteiten van een DMP vervangen, maar deze producten kunnen ook makkelijk naast elkaar leven binnen een marketing-tech-stack. Hierbij kan een headless platform de aanvullende rol spelen bij inzet van een DMP-tool of voor totaal andere use-cases worden ingezet buiten scope van de DMP-tool.

Toepassingen van een headless data platform

Dus wat moet je ermee? In hoofdlijnen kun je de toepassingen van een headless data platform voor marketing indelen in 3 categorieën:

• Beter begrijpen van de customer journey
• Voorspellen van marketing uitkomsten
• Customizen of personaliseren van de customer journey

Hieronder vind je per categorie wat context door middel van een paar toepassingsvoorbeelden. Bij iedere toepassing geldt dat je het zo groot of klein kan maken als je zelf wil.

Beter begrijpen van de customer journey

Cloud platformen lenen zich perfect als centrale omgeving om ruwe data van marketingkanalen, analytics en interne systemen in samen te brengen en te analyseren. Eenmaal samengebracht in een Cloud platform kun je nieuwe (overkoepelende) KPI’s ontwikkelen voor reporting. Denk bij nieuwe KPI’s aan het combineren van alle organische en paid search databronnen om metrics te bouwen die search-overkoepelend zorgen voor meer synergie. Bijvoorbeeld: het aandeel paid/non-paid clicks per type content op je website. Dit geeft direct inzicht in contenttypes waar je te veel of te weinig aan uitgeeft.

Een headless data platform is daarnaast ideaal om stap voor stap een centraal klantbeeld op te bouwen. Naarmate meer klant databronnen zijn geïntegreerd, zou je een klantprofiel steeds verder kunnen uitbreiden en centraal faciliteren in deze open omgeving. Het belangrijkste voor het bouwen van dit klantbeeld is dat je weet wat je met deze data wil gaan doen. Borg altijd een balans tussen de effort die wordt gestopt in het bouwen en de businesswaarde van jouw klantbeeld.

Voorspellen van marketinguitkomsten

Als je grip hebt op de datastromen naar jouw data platformen, dan kun je aan de slag met het inbouwen van voorspellende metrics op basis van deze data. Bij voorspellende metrics voor klantgedrag kun je denken aan: de kans dat iemand gaat converteren, churnen, prijsgevoeligheid of het berekenen van de lifetime value. Hoe meer relevante data je van deze klanten in je headless data platform hebt, over des te meer handvatten je beschikt om deze voorspellingen beter te maken.

Customizen of personaliseren van customer journey

De cloud als headless fundament vormt een centrale basis om data te activeren binnen digital en direct marketing. De vorm die je kiest om dit te doen ligt wederom volledig open.
Als je beschikt over een centraal klantbeeld met segmenten, dan beschikken cloud platformen over mogelijkheden om deze segmenten geautomatiseerd te delen met jouw digital of direct marketingkanalen op basis van bruikbare identifiers (gehashed email, etc.). Hiermee bouw je als het ware op maat gemaakte DMP-tool-functionaliteiten in jouw headless platform om de customer journey te beïnvloeden. Een andere mogelijkheid is om via jouw headless platform data beschikbaar te stellen voor websites en marketingkanalen om personalisatie van content te faciliteren.

Dus, heb jij een headless data platform nodig?

Waarschijnlijk. Ooit, ongeacht jouw marketing- of data maturity. De toepassingen zijn breed en soms erg laagdrempelig waardoor het bij elke mate van maturity verstandig kan zijn om te weten wat de mogelijkheden zijn van een headless data platform. Deze omgeving helpt je namelijk om marketingmogelijkheden te faciliteren buiten de scope van jouw huidige marketingtech. Is iets niet mogelijk met je huidige tools? Dan is de kans groot dat een headless platform deze gap kan invullen.

Een headless data platform is jouw canvas waarbij jij de volledige controle en ownership hebt over de data en wat ermee moet gebeuren. Jij bepaalt wat je integreert op jouw manier en in jouw tempo.

Dankzij de inzet van externe data is de verkoop van Tchibo verdubbeld en de klanttevredenheid toegenomen. Peter-Joachim Fiegel, managing director van Datalogue, sponsor van de DDMA Customer Data Award, gaat in dit interview in op de kracht van externe data voor marketing en het kennen van je klant.

Is het inzetten van externe data voor marketing, zoals Datalogue voor onder meer Tchibo doet, een trend die in populariteit toeneemt? En is dit voor elk bedrijf interessant?

‘Wij zien inderdaad een steeds groeiende vraag naar het toevoegen van externe data om klantwaarde en marktpotentieel te realiseren. Externe data helpt vooral de klant als persoon te begrijpen en een gezicht te geven, wat een essentieel onderdeel is van een succesvolle marketingaanpak omdat je directer kunt inspelen op hun behoeften. Tegelijkertijd zijn er tegenwoordig veel meer mogelijkheden om externe gegevens te verzamelen. Zo maken wij voor Tchibo bijvoorbeeld gebruik van onder meer geanonimiseerde data van mobiele netwerken en open toegankelijke relevante data (zoals de prijs van koffie en het weer). Hieruit genereren we inzichten die we direct in onze sales- en marketingactiviteiten kunnen toepassen.’

Is deze aanpak meer geschikt voor bestaande klanten of potentiële klanten? Is klantgedrag voor bestaande klanten geen betere indicator?

‘Op basis van onze eigen resultaten en kijkend vanuit een breder perspectief is het inzetten van externe data geschikt voor het beter begrijpen van zowel klanten als de gehele markt. Dankzij de inzet van van externe data kun je makkelijker marketingpersona’s identificeren in de eigen klantenbase. Dit is lastiger als je alleen de beschikking hebt over interne klantdata. Door de weersvoorspelling mee te nemen in het bepalen van het aanbod kunnen klanten bijvoorbeeld benaderd worden met de nieuwste variant ijskoffie of ijsthee. Externe data stelt je in staat beter in te spelen op dit soort kansen. Een met externe data uitgebreid klantbeeld helpt vervolgens ook weer om nieuwe doelgroepen in de markt in kaart te brengen. Hiermee kun je tegen lagere kosten en met een hogere relevantie potentiële klanten benaderen.’

Hoe bewaak je de balans tussen het belang van het bedrijf en dat van de klant (onder meer kijkend naar de AVG)?

“De implementatie en werkwijze conform de AVG is een groot onderdeel in al onze projecten waarvoor wij externe gegevens verwerken, zeker als wij een verbinding tussen interne klantdata en externe data creëren. Hier werken wij met een hoge graad van anonimisatie, bijvoorbeeld door data matching met een trusted third party en op basis van ISO 27001-systemen. We waarborgen de contactvoorkeuren van de consument en gebruiken bijvoorbeeld geen bijzondere persoonsgegevens en rekeninggegevens. Daarnaast is het altijd belangrijk aannemelijk te maken dat je de data nodig hebt voor een marketingtoepassing.”

Wat maakt jullie werk voor Tchibo zo succesvol?

“De manier waarop we een combinatie van klantinzichten en klassieke doelgroepbepaling op basis van affiniteiten omzetten in segment-specifieke, sterk gepersonaliseerde, multichannel-campagnes is bepalend voor het succes van onze samenwerking met Tchibo. De cijfers spreken boekdelen: de verkoop is verdubbeld vergeleken met eerdere campagnes, tegen dezelfde kosten. Ook is de klanttevredenheid van de Tchibo sterk toegenomen.’

Datalogue, specialist in datagedreven acquisitie en klantwaarde-optimalisatie, is sponsor van de DDMA Customer Data Award. Deze award wordt op 1 december uitgereikt aan een van de genomineerden: ANWB, DPG Media of Jumbo Supermarkten. Meld je aan via deze nk.

Steeds meer organisaties zetten in op datagedreven marketing voor een geautomatiseerde en gepersonaliseerde klantbenadering. Maar de toenemende complexiteit van algoritmes en voorspelmodellen maakt het lastiger om uit te leggen hoe datagestuurde klantprocessen precies tot stand zijn gekomen, zowel intern als richting klanten. Jurriaan Nagelkerke, Principal Consultant Analytics bij Cmotions, licht in dit interview toe of deze automatisering wenselijk is en hoe we ermee om moeten gaan.

Cmotions, expert op het gebied van advanced analytics en data science, is sponsor van de DDMA Customer Data Award. Deze award wordt dit jaar uitgereikt aan een van de drie genomineerden: ANWB, DPG Media of Jumbo Supermarkten. Deze uitreiking zou eigenlijk plaatsvinden op 19 maart, maar wordt nu verplaatst naar later dit jaar. We maken de nieuwe datum binnenkort bekend.

Steeds meer organisaties sturen en vertrouwen op data en geautomatiseerde, gepersonaliseerde klantprocessen. In welke mate is dit wenselijk? En in welke mate is het noodzakelijk dat er nog mensen betrokken zijn bij bepaalde beslissingen?

‘De vraag is niet zozeer of het wenselijk is als wel of we verstandig omgaan met de data die we verzamelen. De huidige revolutie in datagedreven marketing is een onomkeerbaar proces. We moeten vanaf het begin echt goed snappen wat een voorspelmodel met data doet – iets waar steeds meer organisaties de waarde van inzien. Welke data is beschikbaar en welke beslissingen neem je hiermee? En kun je als data scientist bijvoorbeeld aan een marketeer uitleggen hoe het model op basis van data tot voorspellingen en beslissingen komt?

Daarnaast is het belangrijk dat we modellen, als ze eenmaal in gebruik genomen zijn, altijd blijven toetsen op vragen als: doet dit model nog wel wat het moet doen? Doelgroepen kunnen zijn verschoven, databronnen kunnen veranderen of wellicht is er wel nieuwe wetgeving die van invloed is. Op steeds meer plekken in het marketingdomein worden algoritmen en modellen toegevoegd. Om verantwoord datagebruik te waarborgen, moeten wij onze modellen dus goed monitoren. Er bestaan hiervoor belangrijke hulpmiddelen, zoals dashboards en allerteringsrapportages, maar mensen zijn nog steeds hard nodig om op deze inzichten te acteren.’

Personalisatie kan een grote meerwaarde hebben voor het contact met de klant, maar het is belangrijk dat de totstandkoming hiervan, zeker als het met algoritmes gebeurt, altijd goed kan worden uitgelegd aan klanten. Hoe doe je dit in normale mensentaal?

‘We zien inderdaad een groeiende vraag naar de uitlegbaarheid van onze algoritmes en voorspelmodellen. En dat is een goede ontwikkeling. Zeker bij organisaties waarbij data gebruikt wordt om impactvolle beslissingen te maken. In bijvoorbeeld het bankwezen of bij overheidsinstellingen is het bewustzijn hiervoor snel toegenomen. Uitlegbaarheid kun je tot op zekere hoogte waarborgen door de belangrijkste voorspellende kenmerken uit onze voorspelmodellen inzichtelijk te maken. Dus door inzicht in de globale werking van het model te geven: wat draagt vooral bij aan een hoge of lage modelscore? Ook zijn er steeds meer technieken beschikbaar om op individueel niveau, dus voor een specifieke klant of prospect, uit te leggen waarom deze een hoge of juist lage kans krijgt volgens het voorspelmodel. Consumenten hebben behoefte aan deze transparantie – en de toezichthouder natuurlijk ook. Daarom moeten wij, als bouwers van voorspelmodellen, de behoefte aan uitlegbaarheid veel eerder in het proces meenemen, ver voordat een model daadwerkelijk in gebruik wordt genomen.’

Het gebruiken van o.a. AI en deep learning maakt het uitleggen van de werking van algoritmes vaak nóg complexer. Hoe zorg je ervoor dat deze processen geen black box worden, voor klanten, maar ook voor de eigen medewerkers en het management?

‘Als data scientist is het natuurlijk het leukste om de meest geavanceerde technieken, waaronder deep learning technieken, te gebruiken. Zulke technieken hebben wel een prijs – complexiteit kan ten koste gaan van uitlegbaarheid. Als een simpeler model – een regressie of een beslisboom – ook prima werkt voor het vraagstuk en ook nog eens beter te interpreteren is, zou je daarvoor moeten kiezen. Desalniettemin zijn veel modellen simpelweg te complex om volledig uit te leggen aan klanten. Het gaat er hierbij om of je de essentie van het model uit kunt leggen: wat bepaalt of klanten een specifiek aanbod wel of niet krijgen?

Daarnaast is het ook een kwestie van vertrouwen. Laat zien dat je zorgvuldig met de gegevens van de klant omgaat en bereid bent – proactief of reactief – toe te lichten hoe je tot bepaalde beslissingen bent gekomen. Hoe ver je hierin gaat, verschilt ook per type beslissing en de impact die het op klanten heeft: het geautomatiseerd selecteren van een groep mensen voor een bepaalde e-mailcampagne is bijvoorbeeld niet zo spannend. Hierbij zal minder snel worden verwacht dat je het precies en proactief uitlegt. Bij het al dan niet toekennen van een lening of een uitkering is het een heel ander verhaal. Overheidsinstellingen zullen er daarom vaker voor kiezen proactief elke geautomatiseerde handeling uit te leggen. Voor elke organisatie geldt in elk geval: zorg dat je, naar wens van de klant, altijd kan voldoen aan een zekere mate van uitlegbaarheid. Als je het aan een klant uit kan leggen, heb je immers als organisatie voldoende controle over de rol die data en AI speelt in je organisatie.’

Welke rol speelt de mate van uitlegbaarheid in de keuze voor een bepaalde techniek? En hoe neem je de klant daarin mee?

‘Het is zeker belangrijk om de uitlegbaarheid mee te nemen in de keuze voor een techniek. En dat ook op tijd te doen! Niet pas op het eind, als het model klaar is om in gebruik te nemen. Denk hier al over na als het model nog gemaakt moet worden. Welke eisen stel je vooraf aan de uitlegbaarheid van het model? De wens naar inzicht in gebruik van data in klantprocessen groeit, zowel vanuit de samenleving als vanuit de overheid en de toezichthouder. Het komt daarom steeds vaker voor dat organisaties technieken afwijzen of stopzetten op basis van hun complexiteit. En dat is natuurlijk doodzonde omdat er dan al veel tijd en geld in het model is geïnvesteerd. Het is daarom aan te raden vooraf te kiezen voor een beter uitlegbare techniek om het model mee te maken. Of door vooraf al direct mee te nemen dat extra moeite gestoken moet worden in de uitlegbaarheid van het model aan klanten, zodat ze achteraf de black box-voorspelling goed kunnen snappen. Zo kan je enerzijds verantwoording aan de consument afleggen en aan wetgeving voldoen en anderzijds de organisatie ook waardevol inzicht geven in haar klanten en processen. Zoek daarom naar de juiste balans tussen voorspelkracht, uitlegbaarheid en robuustheid – en neem marketeers proactief mee in je zoektocht. Zo creëer je vertrouwen bij de klant en draag je bij aan een volwassen, professionele cultuur van datagedreven marketing binnen je organisatie.’

Dit jaar mogen we voor het eerst genieten van een heuse DDMA Customer Data Award Night. Op 19 maart kun je je in één avond laten inspireren door twee topsprekers en de drie beste cases van het jaar. Keynote-spreker Martijn Koning, CIO bij Alliander, gaat het hebben over hoe je als organisatie echt datagedreven wordt. In dit interview vertelt hij ons vast hoe nauw succes met data samenhangt met de organisatiecultuur.

Martijn, je bent Chief Information Officer bij Alliander. Hoe ziet een werkdag in jouw leven eruit?

‘Op dit moment werk ik nog maar 9 maanden voor Alliander. Na 16 jaar in de telecomsector te hebben gewerkt ben ik in deze maanden vooral druk geweest met me dieper inleven in de voor mij nieuwe energiesector. Veranderen van sector vraagt nou eenmaal om transitietijd. Daarnaast hebben we net een grote reorganisatie doorgemaakt waarbij het organisatiemodel veranderd is om de digitalisering te versnellen. Mijn hoofdtaken per dag zijn het communiceren van de verandering en het implementeren van deze verandering. Om te snappen wat er daadwerkelijk verandert in het werk van onze medewerkers door deze verandering heb ik geprobeerd om uit eerste hand te horen hoe zij het gebruik ervaren en waar de problemen liggen om hier inspiratie uit te halen. Daarom heb ik dagjes meegedraaid in callcenters en heb ik meegelopen met monteurs. In mijn reguliere werk sta ik hier veel verder vanaf.‘

Data en organisatiecultuur zijn twee onderwerpen die op het eerste oog weinig met elkaar te maken lijken hebben, maar die daadwerkelijk juist sterk met elkaar verbonden zijn. Kun je hier meer over vertellen?

‘Traditioneel zie je in grote organisaties dat de inrichting en het gebruik van data een representatie zijn van het organogram van het bedrijf. Als je niet uitkijkt zie je zelfs dat deze data ook wordt gezien als eigendom van een onderdeel van een bedrijf. Financiële data, operation-data, marketing-data en ga zo maar door. Deze gegevens per afdeling representeren zich ook in hoe er met elkaar wordt samengewerkt binnen het gehele bedrijf. Ik ben er van overtuigd dat je data op een goede manier door een bedrijf moet laten vloeien. En als je dit per onderdeel van de organisatie inzichtelijk maakt, kan het een breekijzer zijn voor je cultuur. Door dit te faciliteren ga je dezelfde taal spreken, kom je in hetzelfde ritme en ga je dezelfde waarheden krijgen. Kijk bijvoorbeeld naar onze callcenters. Hier zijn onze medewerkers in gesprek met onze klanten. Voor hen voelt het soms als een ‘moetje’ om deze gesprekken, en dus data, vast te leggen. Dit komt omdat wij onvoldoende duidelijk maken hoe waardevol deze data zijn en hoe deze data uiteindelijk gebruikt gaan worden. Door deze medewerkers hierin mee te nemen en duidelijk te communiceren over wie welke verantwoordelijkheid heeft ontwikkelen we een gemeenschappelijke taal. Het is belangrijk om met elkaar in gesprek te gaan en hierdoor meer begrip te krijgen voor elkaars werk. De extra seconden behandeltijd in de callcenters betalen zich ergens anders in de keten weer uit. Deze aanpak zorgt ook voor meer gemeenschappelijkheid en meer betrokkenheid binnen het gehele bedrijf. Bij KPN hadden we zelfs hele workshops, ook wel data journeys genoemd. Hierin namen we de hele dataketen mee om besef te creëren over ‘hoe doen we dit samen’ in plaats van ‘hoe regelen we dit voor mijn eigen afdeling’. Het gesprek met elkaar voeren is heel waardevol. Data lijken eentjes en nulletjes maar als je data goed organiseert is het een breekijzer voor cultuur.’

In je keynote sta je stil bij je ervaringen bij KPN en Alliander in het initiëren en aan de praat houden van digitaliserings- en datatransities in organisaties. Wat zijn de grootste uitdagingen waar je tegenaan bent gelopen?

‘De grootste uitdaging is het verhogen van de data literacy. Dit is het begrip over data en digitalisering in de breedte van het bedrijf. Dit begrip vergroten begint bij het topmanagement. Je moet dus zorgen dat het management het belang, de noodzaak, de omvang en de inhoud begrijpen. Stap twee van deze uitdaging is het creëren van een overkoepelende visie die al deze onderdelen in grote organisaties met elkaar verbindt. Hierdoor wordt het duidelijk wat het voordeel gaat zijn om zo’n transitie in te gaan. De laatste stap is het uitvogelen hoe je zo’n beweging op gang brengt. Dit gaat dus niet over briljante technologische oplossingen en jezelf opsluiten in een hok voor een paar jaar maar dit gaat over data, technologie en de business heen. Dus hoe gaan we waarde creëren voor het bedrijf in het moment maar ook de use case gebruiken om een langetermijn visie vorm te geven. Hierbij hebben we twee doelen: de waardecreatie realiseren en de integrale datavisie ontwikkelen. Als je deze hand in hand weet te brengen, dan ga je versnellen.’

Over Alliander

Alliander is een netwerkbedrijf dat energienetten ontwikkelt en beheert. Via onze kabels en leidingen ontvangen ruim drie miljoen Nederlandse huishoudens en bedrijven elektriciteit, gas en warmte. We beheren meer dan 90.000 km elektriciteitsnet en 40.000 km gasnet en onze netten behoren tot één van de betrouwbaarste ter wereld. Alliander speelt een belangrijke rol in de energietransitie. De energietransitie vraagt om een meer wendbare en slagvaardige IT organisatie. Het is mijn taak om mijn me dewerkers mee te nemen in deze veranderingen en hier goed over te communiceren. Ben je er ook bij op 19 maart? Het is nog mogelijk om bij de DDMA Customer Data Award Night aanwezig te zijn – zowel via losse tickets als met een complete tafel, waarbij je zelf gasten uit kunt nodigen.

Innovatie biedt organisaties het vermogen om bestaande of nieuwe businessmodellen op een positieve manier te beïnvloeden. Veel organisaties die worstelen met hun innovatief vermogen blijken terughoudend te zijn in het experimenteren met klanten. De kans op succesvolle innovatie wordt echter juist groter door klanten in een zo vroeg mogelijk stadium bij de ontwikkeling ervan te betrekken: naast dat experimenteren met klanten van waarde kan zijn om een innovatie te optimaliseren, kan het tevens en doeltreffende methode zijn om te beoordelen of de investeringen naar verwachting het juiste resultaat en voldoende toegevoegde waarde zullen opleveren.

Dit artikel is geschreven door Erica D’Acunto, Innovation Lead en Senior Data Scientist bij ORTEC. ORTEC, dat data en wiskunde combineert om waarde te creëren voor organisaties en de maatschappij, is sponsor van de DDMA Customer Data Award. Deze award wordt op 19 maart voor de veertiende keer uitgereikt tijdens een speciale Award Night op het Westergasterrein.

Kort geleden waren pilots en experimenten wellicht nog voldoende om tot de koplopers te behoren, maar inmiddels is er meer nodig. Innovatie staat of valt met het vermogen om ideeën en nieuwe technologieën te combineren, en zo bestaande of nieuwe businessmodellen op een positieve manier te beïnvloeden. Er is dus een integrale aanpak nodig die leidt tot een verhoogd bedrijfsresultaat en duurzaam concurrentievoordeel. Maar dat is in de praktijk nog niet zo makkelijk, zoals blijkt uit de resultaten van het FD Transformers 2019-onderzoek. Of het nou gaat over projecten op basis van IoT, AI, of data-initiatieven in het algemeen: hoewel er volop met deze technologieën wordt geëxperimenteerd, blijven de ontwikkelingen bij veel organisaties steken: een groei richting integraler opgezette initiatieven die de gehele organisatie raken lijkt vaak een brug te ver.

Organisaties die worstelen met hun innovatief vermogen blijken vaak ook terughoudend om te experimenteren met klanten. Veel organisaties geven de voorkeur aan stabiliteit en continuïteit, en beschermen liever hun verworven positie dan nieuwe avonturen aan te gaan. Ze varen dus een risico-averse koers. Dat leidt tot een cultuur met een instinctief negatieve attitude jegens alles dat afwijkt van wat in het verleden succesvol is gebleken. Nieuw gelanceerde producten of diensten die uiteindelijk niet voldoen aan de klantverwachtingen leiden tot een behoorlijke deuk in de reputatie en mogelijk verlies van klanten, zo is de redenering. Als ze zich al wagen aan innovaties, dan moeten die altijd eerst grondig zijn getest en volledig geoptimaliseerd voor schaal en security. Daarom worden vaak bureaucratische processen ingebouwd om te garanderen dat er uitsluitend eindproducten in handen van de klant komen die voldoen aan alle eisen die gelden voor een volwassen product.

Prototype

De kans dat een datagedreven innovatie aan de verwachtingen voldoet wordt echter juist groter door klanten in een zo vroeg mogelijk stadium bij de ontwikkeling ervan te betrekken. Allereerst levert dat inzichten op waarmee de klantervaring van het uiteindelijke product of dienst kan worden verbeterd. Daarnaast verhoogt het de betrokkenheid van klanten als ze medebepalend zijn in de ontwikkeling. En zeker wanneer het voor klanten duidelijk is dat ze met een prototype van doen hebben, is het reputatie-risico van imperfecties zeer klein, omdat de acceptatiegrens daarvoor veel groter is.

De bètaprogramma’s van softwareleveranciers zijn voorbeelden van innovaties die in een prematuur stadium aan klanten worden geïntroduceerd, en ondanks de imperfecties juist een positief effect hebben op de reputatie en betrokkenheid. Maar ook de supermarkt zonder personeel en kassa die AH aan het testen is behoort tot deze categorie. In deze winkel van de toekomst registreren camera’s en sensoren welke producten worden gepakt, en wordt de betaling automatisch verwerkt zodra de klant de winkel verlaat. Momenteel wordt dit concept op AH-medewerkers getest om de klantervaring in verschillende situaties te evalueren, om er vervolgens op bij te sturen.
Innoveren en voorspellen

Experimenteren met klanten kan dus van waarde zijn om een innovatie te optimaliseren. Maar digitale klantexperimenten zijn ook een doeltreffende methode om te beoordelen of de investeringen naar verwachting het juiste resultaat en voldoende toegevoegde waarde zullen opleveren. Leveranciers van digitale diensten doen dat bijvoorbeeld door middel van A/B-testen. Netflix en Booking.com maken hier op grote schaal gebruik van. Door op grote schaal het verschil in effectiviteit in kaart te brengen tussen een experimentele versie en een controleversie (een relatief eenvoudige methode) krijgen zulke organisaties een steeds beter beeld van individuele gebruikers, en van de mate waarin innovaties aansluiten op hun behoeftes en voorkeuren. Deze voorspellende kracht is essentieel om op de lange termijn voordeel te behouden.

Feedback

Om voortdurend inzicht te hebben in de verwachtingen van klanten kunnen er, naast feedback uit experimenten, ook data worden verzameld door de klant zijn ervaring te laten evalueren. Inzicht in de ervaren tevredenheid kan verhelderende inzichten geven over mogelijke verbeterpunten in de consumentenervaring. Ook hier kan een relatief eenvoudige methodiek al leiden tot waardevolle resultaten. Een voorbeeld daarvan is de dienst van het bedrijf HappyOrNot, dat data verzamelt over de tevredenheid van winkelbezoekers. Deze data is cruciaal voor het analyseren en verbeteren van de klantervaring. Integreer eenzelfde feedback-loop dan ook in de bètaversies of pilots van producten of diensten voor een haarfijne aansluiting met de uiteindelijke afzetmarkt.

Afsluiten

Het vertalen van een idee naar een dienst die waarde toevoegt is de definitie van innovativiteit. Om daarvoor met klanten te experimenteren lijkt misschien riskant, maar het lanceren van innovaties zonder klanten te betrekken in het voorafgaande proces is net zo riskant. Het creëren van een product op basis van behoeften waarvan men denkt dat die bestaan, in plaats van op daadwerkelijke consumentenfeedback, kan namelijk resulteren in een waar echec. Klantdata op basis van gebruik, trial en error, en regelmatige feedback zijn essentieel om voordeel te behouden op de lange termijn, en inzicht te houden in en te anticiperen op de continu veranderende behoeften van klanten. Het vroegtijdig betrekken van klanten zorgt daarnaast niet alleen voor een betere aansluiting op de afzetmarkt, maar draagt er ook toe bij dat de vaart erin blijft en dat investeringen in nieuwe technologie sneller leiden tot een beter bedrijfsresultaat.

KPN is een van de drie genomineerden voor de DDMA Customer Data Award 2019. Welk probleem heeft KPN opgelost met hun case en wat was het succes van de case? Mark van der Vlies, Director Customer Interaction bij KPN geeft alvast antwoord op deze vragen in aanloop naar de DDMA Data Dag, waar hij de case presenteert.

Waarom denk je dat KPN is genomineerd voor de Customer Data Award 2019?

Binnen een groot bedrijf als KPN hebben we omnichannel next best actions geïntroduceerd waar we dagelijks veel waarde uit realiseren. Hierbij hebben we traditionele silo’s tussen marketing, sales en IT weten af te breken en daarbij marketing en service doelstellingen behaald.

Wat was het op te lossen probleem en doel van de case?

We liepen tegen het probleem aan dat wij de klant benaderen met beperkte relevante aanbiedingen en boodschappen met hoofdzakelijk een outbound (brieven, email) en commerciële focus. Daarom ontwikkelden wij de doelstelling om een omgeving te ontwikkelen waarbij we continu kunnen vaststellen met welke relevante boodschap we elk van de 4 miljoen klanten kunnen benaderen op een voor de klant logisch moment. Doel van de case was de Inbound kanalen (customer service & winkels en kpn.com) in te zetten om deze next best action te communiceren.

Waarom is het een succesvolle case?

Er is veel extra klantwaarde gerealiseerd tegen minimale additionele kanaalkosten. Dit hebben we weten te realiseren met een groot en complex bedrijf met veel klantsegmenten, kanalen en IT legacy.

Ons doel bij DDMA is om de sector wat moois te laten maken van data. Hoe blijkt uit jullie case dat jullie van data iets moois maken?

Data en bijbehorende inzichten helpen onze medewerkers de klant een beter en relevanter advies en next best action te bieden. Vaak zijn dit pareltjes waar de klant niet van op de hoogte was. Bijvoorbeeld het aanbieden van nieuwe hardware en een gratis monteur om de internetverbinding bij de klant te verbeteren omdat we signalen hadden dat deze verbinding niet optimaal was.

Wat zijn volgens jou de trends in data waar we de komende tijd veel van gaan zien?

• Het gebruik van streaming klantdata en daarmee klantreizen realtime te verbeteren. Ongeacht via welk kanaal klanten binnenkomen: chat, kpn.com, callcenters en winkels.
• De inzet van artificial intelligence om daarmee relevanter en efficiënter te communiceren.
• De centrale orchestratie van alle commerciële en service klantcommunicatie.

De cases zijn door de vakjury beoordeeld op o.a. verankering in de organisatie. Uit het DDMA Data Driven Marketing Onderzoek 2018 blijkt dat het realiseren van een data driven cultuur en een goede samenwerking tussen afdelingen uitdagingen zijn op het gebied van data driven marketing. Hoe was de samenwerking tussen verschillende afdelingen bij deze case?

We hebben de afdelingen die traditioneel in silo’s werkten in 1 team gezet. In dit team worden de innovaties bedacht, geprioriteerd en de implementatie gevolgd. Hieromheen hebben we meerdere Agile teams gevormd die rondom speerpunten de implementatie hebben uitgevoerd.

Is er een data gedreven cultuur in jullie organisatie? Waar blijkt dat uit en hoe draagt dat bij aan mooie business oplossingen zoals in jullie case?

Dit hebben we KPN breed gedaan met een unieke aanpak. We hebben voor concrete use cases, bovengenoemde case is er 1 van, multidisciplinaire teams gevormd. De mensen in deze teams hebben gezamenlijk tegelijkertijd een intensieve training gevolgd om meer data gedreven te gaan werken. Het geleerde kon daarmee gelijk in praktijk gebracht worden. Teamleden gingen hierdoor meer dezelfde taal spreken, analisten kregen meer kennis van de business (vraagstukken) en de business meer kennis van wat data voor hen kan betekenen. Omdat we zelf beperkte analisten capaciteit hadden hebben we externe inzet ingehuurd wat voor een verdere versnelling heeft gezorgd.

De cases zijn ook beoordeeld op rendement. Uit het DDMA Data Driven Marketing Onderzoek 2018 blijkt dat een hoge effectiviteit van marketing acties de belangrijkste opbrengst is van data driven marketing. Hoe is dat gewaarborgd binnen jullie case?

We hebben een standaard werkwijze waarbij alles wat we doen gebaseerd is op concrete hypotheses en verkregen inzichten. Om daarna de uitgevoerde campagnes continu te monitoren en verder te verbeteren dan wel te stoppen en nieuwe te introduceren.

Wil je meer weten over de case? Kom dan naar de Data Dag op 24 januari 2019.