Data Science & Marketing in crisistijd; waarom juist nu investeren?

Waar in de eerste paar weken van de corona pandemie vrijwel alle marketing werd stopgezet, zie je nu dat er weer mondjesmaat geïnvesteerd wordt. Een goede ontwikkeling. Maar hoe bepaal je nou welke investeringen de moeite waard zijn? En welke je liever nog even voor je uit gaan schuiven? Data Science binnen marketing is hierin, juist nu, cruciaal.

Data is allang niet meer weg te denken binnen de digitale economie. Toch is data driven marketing ook nog te vaak een buzzwoord. Veel opdrachtgevers geven aan data-gedreven te willen werken, kopen de juiste tools en laten dit ‘state of the art’ inrichten, maar vergeten de mensen intern zo op te leiden dit juist te gebruiken. Zonde! Daar willen we je graag mee helpen. 

Definitie data science

Wat is data science? Er circuleren veel definities van data science rond en vaak is er onduidelijkheid wat er nou precies onder valt. Wij hanteren vaak de volgende definitie: het verwerken van grote hoeveelheden data (Big Data), waarbij statistiek en wiskunde wordt ingezet om verbanden en patronen in deze data te ontdekken. In een marketing-omgeving betekent dit vaak dat de data uit verschillende systemen en bronnen komt, waardoor er inzichten beschikbaar komen die in een los dashboard of systeem niet aan het licht komen. 

Tal van databronnen

Wat betekent dit nou voor je als bedrijf? Alleen kijken naar de Google Analytics geeft niet genoeg inzicht. Er zijn tal van databronnen, die als je ze goed combineert, wel de juiste inzicht geven in de echte waarde van de marketing inzet. 

Waarom nu investeren? Indien je de juiste data science technieken inzet, kun je achterhalen wat het échte rendement is van je marketingbudget. Deze incrementele waarde is juist nu essentieel om in kaart te brengen. Wanneer je namelijk precies kunt duiden welke ‘slechte’ marketing je uit kunt zetten zonder dat dit voor omzetverlies zorgt, kun je veel geld besparen. Onze ervaring is dat je op deze manier gemiddeld vijf tot tien procent kunt besparen van de media ROI. En dit is zeker in de huidige Corona crisis, waar de budgetten onder druk staan, een essentieel stap op juist nu te nemen. 

Aantrekken talent

Aan deze doelgroep wordt wellicht het meest meegetrokken van alle specialismen binnen de digitale economie. Daarom moet het helder zijn met welke visie jij dit talent binnen haalt. Wat is de missie/opdracht van deze persoon? Een kapitein op een schip zonder kompas komt nooit aan op de plek waar hij zou moeten wezen. 

Los van deze missie speelt er een veelvoorkomend aandachtspunt in de markt. De data scientist wordt te vaak verward met de rol van Data Engineer of andere data rollen. In sommige gevallen is een data scientist zelfs 80% van de tijd bezig om de kwaliteit van data 

te waarborgen en de diverse databestanden op juiste wijze aan elkaar te koppelen. Dit hoort eigenlijk niet zo’n groot deel van het takenpakket te zijn en kan ertoe leiden dat je het talent weer ziet vertrekken. Om het even heel plat te slaan; De data scientist schrijft de algoritmes om data te ontsluiten, structuren en analyseren. Dit leidt tot waardevolle inzichten en het kunnen maken van waardevolle voorspellingen. De Data engineer is verantwoordelijk voor de data architectuur. 

Weet dus heel goed waarom je iemand in huis gaat halen. Alleen het juiste talent in huis halen is niet genoeg. Zorg er dus voor dat zij de ruimte krijgen structurele veranderingen aan te brengen zodat ze daarna optimaal kunnen worden ingezet. 

De interne organisatie

Los van het investeren in de juiste software en mensen, is het ook van belang dat de interne organisatie hier klaar voor is. Kijk alsjeblieft vooral ook naar de interne collega’s. Die kunnen van onschatbare waarde zijn, ze kennen tenslotte de organisatie al en hebben soms alleen wat extra opleiding nodig. 

Veel bedrijven worstelen met de business case om te investeren in data science kennis binnen hun organisatie. Enerzijds is het vaak lastig en duur om een data science professional aan te nemen. Anderzijds is het voor externe data scientists soms lastig om voldoende ‘domein kennis’ om te bouwen. Hiermee wordt bedoeld dat het noodzakelijk is als data scientist om dicht op de business te kruipen en zodoende de data goed te begrijpen. Hierdoor is het vaak een interessant alternatief om interne data professionals op te leiden of om te scholen naar data scientist. 

Indien er meerdere data professionals uit één organisatie deelnemen aan zo’n opleiding ontstaat er vaak wat spannends. Doordat meerdere personen uit een organisatie na het volgen van zo’n opleiding aan de slag gaan met data science wordt het veel meer een gezamenlijk project. Er wordt samengewerkt, er ontstaat draagvlak en er worden meerdere databronnen gebruikt. En omdat de essentie van data science vaak het verbinden van databronnen is, zien we hierdoor veel betere resultaten bij bedrijven die met een team deelnemen aan zo’n opleidingen. Daarnaast merken we natuurlijk ook dat het datatalent uit een organisatie, na het volgen van zo’n opleidingen, minder snel geneigd is om een organisatie te verlaten. 

Veel geld besparen

De wondere wereld van de data science is voor velen van ons nog lastig te bevatten. Wel is duidelijk dat deze investering je op korte termijn veel geld kan besparen. Welke ondernemer wil dat nou niet? Alleen het in huis halen van het juiste talent is niet altijd de makkelijkste of enige oplossing. Daarbij is het faciliteren van de juiste context voor de scientist om te floreren van belang. We raden je dus ook zeker aan om te kijken naar het data talent wat je al in huis hebt. Door deze op te leiden wordt het draagvlak groter en zul je sneller kosten besparen op grotere schaal. Kortom, werk aan de winkel en besparen maar. 

Over de auteurs: Olivier van Hees is chief marketing technologist bij Amsterdam Web Consulting, Kiki Verhoeven is recruitment manager digital bij Brandpit.