In een tijdperk waarin elke marketinguitgave nauwgezet wordt afgewogen, bevinden marketingteams zich in een zoektocht naar de beste manier om marketingactiviteiten en -kosten te rechtvaardigen. In een landschap met veranderende technologie, wetgeving en daarnaast toenemende concurrentie en verwachtingen, is er een techniek die voor mij steeds meer aandacht hoort te krijgen en cruciaal wordt voor het succes van marketingstrategieën: data modelling, onze moderne glazen bol. 

Data modelling 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 2024 en daarna. En ja, dat is spannend en vraagt om een verandering van werkwijze, maar daarover later meer. 

Eén van de grootste waardes van data modelling is het vermogen om voorspellende inzichten te verkrijgen. We laten algoritmen en modellen los op onze data uit het verleden om toekomstige trends en patronen in kaart brengen. Dit stelt marketingteams in staat om beslissingen te nemen die zijn gebaseerd op data-gedreven inzichten in plaats van onderbuikgevoelens. Het geeft eindelijk een objectieve methode om je marketinginvesteringen uit te stippelen. 

Een ander voordeel van data modelling zijn de mogelijkheden van benchmarking en concurrentieanalyse. In een wereld waarin bedrijven strijden om de aandacht van dezelfde doelgroep, is het essentieel om te begrijpen waar jouw organisatie staat ten opzichte van de concurrentie. Maar wanneer we amper tijd hebben om onze eigen prestaties onder de loep te nemen, hebben we dat zeker niet voor onze concurrenten. 

Data modelling neemt handmatig werk uit handen en eenmaal een model ontwikkeld, kan dit oneindig vaak worden ingezet. Dit maakt het mogelijk om marketingprestaties te vergelijken met sectorgemiddelden en concurrenten (benchmarking).  

Data modelling is niets nieuws. Oude wijn in nieuwe zakken? Een beetje. Het zijn eigenlijk wij, de (digital) marketeers, die nu wakker worden. Sectoren als logistiek, retail en healthcare liggen jaren op ons voor. Data modelling neemt een vlucht, geholpen door (Gen) AI, maar ontstond al tientallen jaren terug. Nu nog altijd maken we gebruik van modellen toen zijn geïntroduceerd. We zien dat bewezen modellen beter zijn doorontwikkeld en dat de inzetbaarheid steeds eenvoudiger is. 

Er zijn nu modellen specifiek ontwikkeld voor marketing toepassingen. Robyn (Meta) en LeightweightMMM (Alphabet) zijn bijvoorbeeld twee modellen voor Marketing Mix Modelling die verschillende technieken van data modelling gebruiken om marketingeffectiviteit te voorspellen. Dit soort ontwikkelingen zorgen ervoor dat deze technieken nu de marketingscene bereiken. 

De verschillende vormen van data modelling in de marketing context hebben vaak hetzelfde uitgangspunt. De meeste methodes analyseren data uit het verleden om inzichten hieruit te gebruiken om de toekomst ‘te voorspellen’. Modellen zijn in staat om data snel te analyseren en verbanden te vinden die op ‘menselijke kracht’ veel meer energie zouden kosten. Voorbeelden van toepassingen voor marketing zijn: 

• Klantgedrag modelleren: inzicht van gedrag 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 segment 

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

Hoewel data modelling steeds beter bereikbaar wordt, is het geen toverdoos waar je een Excel-file instopt en de meest waardevolle inzichten uit tovert.

Allereerst hebben organisaties een paar jaar historische data nodig, afhankelijk van de toepassing. Dit is de voeding voor data modelling; zonder data geen inzichten. Gelukkig is mijn ervaring dat veel organisaties al een paar jaar in brede zin data meten en opslaan. Soms is er nog werk in het opschonen en samenbrengen van meerdere databronnen, maar veel organisaties hebben voldoende data om aan de slag te kunnen. Belangrijk om te onthouden: dit is niet enkel weggelegd voor multinationals.

Vervolgens is het toepassen van data modelling natuurlijk een vak waarvoor je de juiste mensen nodig hebt. Data scientists zijn in staat om met gestructureerde data de juiste modellen toe te passen en op zo’n manier te finetunen dat het model in staat is om de inzichten op te halen die relevant zijn voor de organisatie. Is data nog ongestructureerd aanwezig dan is ook hulp van een data engineer en analist gewenst.

Wanneer we tot inzichten komen met behulp van algoritmen en modellen, is mijn ervaring dat organisaties daarmee moeten leren omgaan. We leven in een tijd waarbij we veel vertrouwen hebben in onze, vaak subjectieve en beïnvloede inzichten, en minder in objectieve modellen. En dat is logisch, omdat we minder gevoel hebben bij de totstandkoming van de inzichten uit modellen. Om te kunnen werken met modellen, moeten we leren te vertrouwen op computergestuurde adviezen. 

Het is daarom belangrijk om te erkennen dat de evolutie van data modelling niet een eenmalig besluit is. Mijn oproep is om de kansen in 2024 te ontdekken. De wereld van data-analyse evolueert voortdurend en het is verstandig om als organisatie mee te bewegen. Hoewel we in 2024 misschien nog niet alle antwoorden hebben, is het essentieel dat organisaties data modelling en datagedreven benaderingen opnemen in hun plannen voor de toekomst. Laat de uitkomsten in 2024 nog de rol hebben van vergelijkingsmateriaal met jouw onderbuik, zodat je de tijd creëert om erop te kunnen vertrouwen. Niet alleen voor jezelf, maar ook voor je collega’s. Opvallend inzicht uit de eerdergenoemd Gartner studie, is dat CMOs soms Analytics teams moeten afschalen omdat ze niet in staat zijn geweest de inzichten te integreren in de organisatie. Geef dat proces dus de tijd. 

Data modelling speelt een cruciale rol in het verantwoorden van marketingactiviteiten en -kosten, het biedt voorspellende inzichten en concurrentievoordeel. Terwijl we ons voorbereiden op 2024, moeten we begrijpen dat de kracht van data modelling ons in staat stelt om niet alleen te kijken naar wat activiteiten hebben opgeleverd, maar ook naar waar het toekomstig potentieel ligt. En wat nodig is om dat potentieel te benutten. Data modelling vormt de kern van de moderne marketingstrategie en zal voor mij een bepalende factor zijn voor groei in de komende jaren. Stop met gokken, het is tijd voor objectiviteit.

Dit opiniestuk is geschreven door Lars van Tulden. In zijn rol als data consultant bij iO helpt hij klanten met allerlei soorten datavraagstukken.