Recent bleek dat beslissingsmakers bij grote ondernemingen niemand zo vaak wisselen als hun CMO en dat is eigenlijk logisch. De Chief Marketing Officer vervangen is de perfecte illustratie van te weinig data en te veel emotie in de bestuurskamer. Met andere woorden: onze marketing werkt niet, misschien moeten we het eens proberen met een andere CMO?

Marketing is in een nieuwe fase aanbeland. Jarenlang woedde de (academische) discussie of marketing nu al dan niet een pseudowetenschap is. Ja, argumenteerden velen. Tenslotte gaf men pas achteraf een wetenschappelijke uitleg voor acties die op buikgevoel werden ondernomen. 

Vandaag is dat een ander verhaal. Onder andere dankzij machine learning zitten we aan een hoge mate van voorspelbaarheid. We zijn nog nooit zo dicht bij zekerheid geweest. Van nagaan of een marketing of sales strategie heeft gewerkt en waarom wel of niet, evolueren we naar een vorm van voorspelbaarheid. Zo maakt de mogelijkheid om gericht te voorspellen marketing veel efficiënter, kostenefficiënter en optimaliseerbaar.

Dit is één van de redenen waarom we bij iO marketing mix modelling opzetten voor veel van onze klanten. We doen eerst een grondige audit van hun marketinginvesteringen van de voorbije drie jaar. We kijken welke campagnes opgezet zijn en welke impact die hadden. Zo proberen we zo goed mogelijk te voorspellen hoe klanten hun beschikbare budget het best inzetten.

Dé vergissing die veel organisaties blijven maken? Ze vertrouwen op vaste, jaarlijkse draaiboeken: zomercampagne X, wintercampagne Y. Het komt er vandaag op aan om verder te gaan dan aanpassingen aan het draaiboek. Hoe groter de voorspelbaarheid, hoe vaker we durven voor te stellen om het roer radicaal om te gooien. Hoe meer data die bedrijven tot hun beschikking hebben, hoe accurater de voorspellingen zullen worden. 

“We staan aan het begin van een revolutie in digitale marketing.”

Waar begint voorspelbaarheid? Bij orde scheppen in de chaos. Klassieke marketing had slechts KPI’s om mee te werken. Je kon kijken naar hoeveel keer een campagnespotje op tv werd uitgezonden of in de krant verscheen, en hoeveel mensen die media bereikten. Of je kon meten of je marktaandeel bij een bepaalde doelgroep groeide. 

De intrede van digitale marketing vertaalde zich al snel in chaos. Plots hadden organisaties duizenden, zelfs miljoenen datapunten. Welke van al die datapunten, van al die metrics, waren nu aan de business gerelateerde KPI’s?

Hét buzzword van vandaag: data mesh. Jarenlang wilde iedereen één platform, één database waar alle data samenkomen. Vandaag zien we een soort van aanvaarding. Giganten als Microsoft legden jarenlang grote datalakes aan, maar ook bij hen is het besef gegroeid dat er meer is én kan. Wat je dan wel moet doen? Niet alles in één vat gooien, maar verbindingen maken tussen al die verschillende vaten.

Laat de verschillende databronnen en de methodologieën om data te verzamelen dus naast elkaar bestaan, maar zorg ervoor dat je de juiste lijntjes legt om de data van het ene vat in het andere te laten doorstromen. Alles hangt hierbij af van de set-up en de ambitie van de klant, maar het is één van de bewegingen waar we sterk op inzetten. 

Data mesh voor de auto-industrie

Die granulaire data – granulair, omdat de data zoals kleine korrels overal verspreid zit – laat zich zien in het werk dat iO al eerder voor grote automerken deed. Vroeger moesten klanten in de garage een enquête invullen op papier, elke dealer kreeg maandelijks misschien vijf reacties. Vandaag configureren miljoenen klanten zelf hun wagen op de websites van automerken.

Deze honderdduizenden mensen geven feedback over hun goede of minder goede ervaringen tijdens de configuratie. Veel autobouwers beschikten al jaren over dergelijke massa’s waardevolle data, maar deden er niets mee. De reacties waren tekst, vaak in verschillende talen. Wij zetten vandaag NLP (Natural Language Processing) en een zelflerend computermodel in om die tekst om te zetten in data. Met de klantenreacties die je als autobouwer vandaag krijgt, kan je morgen de online configurator al optimaliseren.

De Data & Intelligence teams bij iO zijn helemaal afgestemd op de nieuwste trends en evoluties. We hebben D&I-teams in al onze campussen en in alle landen waar we actief zijn. Die teams werken intensief samen en delen ervaringen en cases.

Ze zijn allemaal op dezelfde manier georganiseerd, met vier profielen. 

• De data scientist: een soort (gekke) professor die, met slimme modellen en steeds verder ontwikkelende AI-tooling, zorgt dat de vaten zich met nieuwe, intelligente data vullen. Dat is de essentie, zeker wanneer Google de third party cookies volgend jaar begraaft. 

• De data engineers verbinden die vaten. Ze beleven boeiende tijden dankzij data mesh, alsof ze elke dag een nieuwe puzzel van duizenden stukjes mogen leggen. 

• Het derde profiel is dat van de data analyticus, die uit al die vaten de relevante informatie naar boven haalt. 

• De insights consultants vertalen tenslotte data naar learnings en conclusies.

De meerwaarde ligt in het combineren van die vier domeinen: science, engineering, analytics & insights. Vaak zijn dat vier eilanden of afdelingen in de organisatie, wij hebben er bruggen tussen gebouwd. 

Hoe sneller je dit doet, hoe sneller je ze kan laten volstromen met de juiste data, hoe sterker je business-inzichten. Wij helpen ondernemingen om zo een datavoorsprong uit te bouwen - en zo het concurrerend voordeel te vergroten.