Marketingbudget toewijzing voor 2025: Datagedreven of een gok?

Niet eens de helft van alle marketingbeslissingen stoelt op data. Tot die ontstellende conclusie kwam Gartner na onderzoek: nog te vaak worden beslissingen vanuit tunnelvisie genomen. Een versnipperd marketinglandschap, de vele mogelijkheden in de mix, of voorkeuren van specialisten in de teams zijn daar vaak debet aan. Terwijl we juist een holistisch beeld nodig hebben voor de optimale puzzel.

Verantwoord plannen voor 2025

Nu marketingteams elke marketinguitgave vaak nauwgezet moeten afwegen, zoeken ze de beste manier om marketingactiviteiten en -kosten te rechtvaardigen. Marketingplannen grijpen daarom vaak terug naar beproefde concepten. Dat werkte de afgelopen 5 tot 10 jaar prima, maar vernieuwend waren die plannen niet. Noch leidden ze per se tot betere prestaties. Een goed presterende campagne of performant kanaal behaalt met meer budget daarom niet altijd een beter resultaat.

Maar hoe pak je budgettering en jaarplanning dan aan in een landschap met veranderende technologie, wetgeving en daarnaast toenemende concurrentie en verwachtingen? Hoe kom je tot een succesvolle en gemakkelijk te begroten marketingstrategie die vanuit een nieuw en vernieuwend perspectief start?

Bij iO vertrouwen we op datamodelling, een techniek waarmee je nuttige inzichten uit onloochenbare data puurt. Dankzij de opkomst van AI is deze aanpak niet langer alleen weggelegd voor de grote organisaties met uitgebreide datascienceafdelingen.

Datamodelling: spelen met voorkennis

Datamodelling reikt verder dan de traditionele benaderingen van analyses en stelt marketingteams in staat om een voorspellende en meetbare aanpak te hanteren bij het plannen en budgetteren voor 2025 en daarna. En ja, dat is spannend en vraagt om een verandering van werkwijze, maar daarover later meer.

Datamodellering is een strategische benadering waarmee je als marketeer kwantitatieve gegevens verzamelt die je helpen om weloverwogen financiële beslissingen te nemen. Het model helpt je om historische prestatiedata te analyseren en patronen en trends te identificeren, en op basis daarvan toekomstige marktomstandigheden en consumentengedrag te voorspellen. Dankzij deze onderbouwde analyse kun je toekomstige trends nauwkeuriger voorspellen, waardoor jij je budgettoewijzingen preciezer afstemt op potentiële marktkansen en uitdagingen.

Die voorspellende inzichten zijn precies waar datamodelling het verschil maakt: je laat algoritmen en modellen los op je data uit het verleden en brengt zo glashelder toekomstige trends en patronen in kaart. Zo kun je beslissingen nemen die op data-gedreven inzichten gebaseerd zijn in plaats van op buikgevoelens. Het geeft eindelijk een objectieve methode om je marketinginvesteringen uit te stippelen.

Datamodelling: jezelf positioneren ten opzichte van je concurrenten

In een wereld waarin bedrijven strijden om de aandacht van dezelfde doelgroep, is het essentieel om te begrijpen waar je organisatie staat ten opzichte van de concurrentie. Maar als je amper tijd hebt om de eigen prestaties onder de loep te nemen, heb je dat zeker niet om die van je concurrenten te bestuderen.

Ook hier neemt datamodelling je werk uit handen en helpt het je cruciale benchmarking en concurrentieanalyses op te stellen. Je ontwikkelt eenmalig een model en kan dit daarna oneindig vaak inzetten. Zo kun je marketingprestaties vergelijken met bijvoorbeeld sectorgemiddelden en concurrenten (benchmarking).

Datamodelling als een marketingtool

Data modelling is niets nieuws. Sectoren als logistiek, retail en healthcare gebruiken dit al even. Nu nog altijd maken we gebruik van modellen die toen zijn geïntroduceerd. Wél neemt de methode een vlucht, geholpen door AI. Bewezen modellen werden beter doorontwikkeld en zijn makkelijker inzetbaar. Andere modellen, zoals Robyn (Meta) en Lightweight MMM (Alphabet), werden specifiek ontwikkeld voor marketingtoepassingen. Die tools voor marketingmixmodelling gebruiken technieken van datamodelling om marketingeffectiviteit te voorspellen. Daarnaast komen er ook alsmaar meer SaaS-oplossingen op de markt die deze modellen hebben geïntegreerd in hun product.

Datamodelling voor marketingteams: voorbeelden

In de marketingcontext hebben datamodellingmethodes vaak hetzelfde uitgangspunt. De meeste methodes analyseren data uit het verleden om inzichten hieruit te gebruiken om de toekomst te voorspellen. Modellen kunnen immers sneller dan mensen data analyseren en verbanden leggen. Voorbeelden van toepassingen voor marketing zijn:

Klantgedrag: Inzicht in consumentengedrag om aankooppatronen, churngedrag of cross-sell mogelijkheden te herkennen.

Customer Lifetime Value: inzicht in klanttypen die waardevol of juist niet zijn.

Marketing Mix Modelling: inzicht in de effectiviteit van marketingkanalen en hoe advertentiebudget het beste besteed kan worden.

Sentimentanalyse: inzicht in gedrag dat bijdraagt aan positief of juist negatief sentiment.

Segmentatie/personalisatie: inzicht in de verschillende klantgroepen en hoe deze het beste bediend kunnen worden.

Wat heb je nodig?

Hoewel datamodelling steeds beter bereikbaar wordt, is het geen toverdoos waar je een Excel-file instopt en de meest waardevolle inzichten uit tovert. Organisaties die ermee aan de slag willen, moeten toch een aantal voorwaarden kunnen aanvinken. Je hoeft zeker geen multinational te zijn om ermee te werken.

De juiste data: Organisaties hebben een paar jaar historische data nodig, afhankelijk van de toepassing. Dit is de voeding voor data modelling; zonder data geen inzichten. Gelukkig meten en weten organisaties al best veel, en kunnen ze – mits opschonen en samenvoegen van meerdere databronnen – aan de slag.

De juiste mensen: Best doe je voor datamodelling een beroep op ervaren data scientists. Zij kunnen met gestructureerde data de juiste modellen toepassen, en ze op zo’n manier finetunen dat het model in staat is om de inzichten op te halen die relevant zijn voor de organisatie.

De juiste interpretatie: Is data nog ongestructureerd aanwezig, dan is ook hulp van een data engineer en analist gewenst.

Datamodelling is een (r)evolutie die tijd nodig heeft

Maar algoritmen en modellen toepassen alleen volstaan niet. Komen organisaties – via datamodelling – tot inzichten, dan moeten ze er ook mee leren omgaan.

Om te kunnen werken met modellen, moeten bedrijven leren te vertrouwen op computergestuurde adviezen. De wereld van data-analyse evolueert voortdurend en het is verstandig om als organisatie daarbij mee te bewegen de kansen grijpen die deze methode biedt.

Ook al hebben bedrijven nog niet alle antwoorden, toch is het essentieel dat ze datamodelling en datagedreven benaderingen opnemen in hun plannen voor de toekomst. Leg in 2025 bijvoorbeeld je buikgevoel eens langs de uitkomsten van een datamodelling, en kijk doorheen het jaar welke beslissingen je marketing het meeste voordeel boden. Zo gun jij jezelf en je collega’s de tijd om meer te kunnen vertrouwen op datagestuurde beslissingen.

Rien ne va plus – stop het gokken!

Datamodelling speelt een cruciale rol in het verantwoorden van marketingactiviteiten en -kosten, het biedt voorspellende inzichten en concurrentievoordeel. Terwijl we ons voorbereiden op 2025, moeten we begrijpen dat de kracht van datamodelling ons helpt om beter onderbouwde beslissingen te nemen.

Whitepaper: 15 tips to make your marketing and digitisation budget for 2024 smarter

Checklist: 16 tips om je marketing- en digitaliseringsbudget voor 2025 slimmer op te stellen

Nu je een beter beeld hebt op welke benchmarks de norm zijn qua marketingbudgetten, en budgetverdelingen, is het tijd om de handen uit de mouwen te steken. Ook daar helpen we je graag bij. Download onze checklist met “16 tips om je marketing- en digitaliseringsbudget voor 2025 slimmer op te stellen”. Met deze geheugensteuntjes, inventaris van kostenposten en templates die je kan gebruiken is de start alvast gemaakt.

Download de checklist