(Big) data analytics: analyseer het wat, waarom, wanneer en hoe!

(Big) data analytics: analyseer het wat, waarom, wanneer en hoe!

Sander Beckers   •  11 februari 2016

In de voorgaande blogposts in deze serie zijn wij onder andere ingegaan op de laatste trends op het gebied van big data, de uitdagingen bij het aan de slag gaan ermee, oplossingen voor deze uitdagingen en hoe data een rol kan spelen in het marketingplan. Deze week ga ik in op de verschillende analytics om (big) data te analyseren. In deze blog lees je hoe je met data-analyse aan de slag kunt gaan en kom je meer te weten over verschillende analysemethoden en een classificatie van deze methoden. Om van data naar actionable insights te komen, moet je immers analytics inzetten. Analytics stelt de marketeer in staat om antwoorden te geven op essentiële marketingvraagstukken, zoals wie je meest waardevolle klanten zijn en waar de grootste knelpunten in de webshop liggen. Nadat je je bedrijfsdoelstelling geformuleerd hebt, en vervolgens je data gebundeld en geprepareerd is, kun je aan de slag met de analyse van de data en het in kaart brengen van je KPI’s. De mogelijke analyses die je voor deze KPI’s kunt uitvoeren, zijn onder te verdelen in (a) descriptive analytics, (b) discovery analytics, (c) predictive analytics en (d) prescriptive analytics. Hierbij zijn de eerstgenoemde analyses relatief standaard data-analyses en gaan de laatstgenoemden steeds meer richting big data-analyses.

blog sander 1

Descriptive analytics: what happened?

Descriptive analytics zijn de beschrijvende analyses waarbij je, door middel van data, nagaat wat er in het verleden is gebeurd. Je krijgt bij deze groep analyses antwoord op de vraag: “What happened?”. Bijvoorbeeld door middel van Google Analytics kun je nagaan welk marketingkanaal het hoogste conversiepercentage heeft gehad de afgelopen maand. Hieruit volgt mogelijk dat de e-mailconversie verbeterd kan worden. Een andere optie is het inzetten van een RFM-analyse (Recency, Frequency, Monetary value) om te achterhalen uit welke verschillende groepen/segmenten je klantbestand bestaat. De uitkomsten van descriptive analytics worden tegenwoordig vaak gevisualiseerd. Dat vereenvoudigt het overbrengen van de verkregen inzichten. De laatste jaren zijn er steeds meer gespecialiseerde visualisatieprogramma’s op de markt gekomen. Daarmee komt je data als het ware tot leven. Met dashboards die je kunt opstellen met behulp van deze programma’s is de ontwikkeling van je KPI’s bij te houden en te benchmarken ten opzichte van de gewenste ontwikkeling.

blog sander 2

Discovery analytics: why did it happen?

Nadat je weet wat er gebeurd is in het verleden is de volgende stap na te gaan waarom dit gebeurd is. Je vraagt je bij discovery analytics af waarom de KPI’s een bepaalde ontwikkeling hebben doorgemaakt en krijgt antwoord op de vraag: “Why did it happen?” Hierbij ga je inzoomen op verschillende dimensies om inzichten te krijgen in de factoren die invloed hebben op een bepaalde ontwikkeling. Zoals hierboven aangegeven zie je bijvoorbeeld je conversiepercentage vanuit e-mail omlaag gaan en wil je nu weten wat de oorzaak van deze daling is. Om hier achter te komen, kun je dieper ingaan op een bepaalde dimensie in een dashboard (bijvoorbeeld op verschillen tussen eenmalige kopers en herhaalkopers), segmenten vergelijken in Google Analytics (bijvoorbeeld bezoekers segmenteren op welke device ze gebruiken), en/of een regressieanalyse uitvoeren om de voornaamste drijfveren van conversie te achterhalen. Een mogelijke vraag die je door middel van discovery analytics kunt beantwoorden is: “Waar zitten de conversieknelpunten in mijn webwinkel?” Het kan zo zijn dat de eerdergenoemde mindere conversie vanuit e-mail veroorzaakt wordt door een slechte doorklikratio; er worden niet tot nauwelijks relevante producten getoond. Uiteraard zijn ook de uitkomsten van dergelijke discovery analytics te visualiseren.

blog sander 3

Predictive analytics: what will happen?

Nu je weet wat er gebeurd is in het verleden en wat dit veroorzaakt heeft, kun je je gaan richten op de volgende stap, namelijk het nagaan wat er in de toekomst gaat gebeuren. De vraag die je zodoende beantwoordt met predictive analytics is: “What will happen?” Op basis van de inzichten die je verkregen hebt door middel van discovery analytics kun je what-if scenario’s creëren voor de toekomst. Met de uitkomsten van je regressiemodel kun je bijvoorbeeld met een bepaalde zekerheid voorspellen wat er in de toekomst gaat gebeuren. Zo kun je door middel van een zogeheten propensity score-model voorspellen wat de reacties zijn op je direct mail-campagne (‘welke klant heeft de grootste kans om door de mail te gaan converteren?’) om zodoende een verwacht minder conversiepercentage al aan te pakken voordat dit daadwerkelijk heeft plaatsgevonden. Een andere toepassing van predictive analytics is op het gebied van klantretentie. Vrijwel alle webshops zijn overtuigd van de kracht van herhaalaankopen. Door middel van predictive analytics met slimme algoritmes kun je voorspellen welke klant de grootste kans heeft om binnenkort te churnen, zodat je hier pro-actief op kunt inspelen.

blog sander4

Prescriptive analytics: how can we make it happen?

Nog een stap verder dan het, met een bepaalde zekerheid, voorspellen wat er in de toekomst gaat gebeuren, is het bepalen wat je concreet moet gaan doen. Door middel van prescriptive analytics kun je de volgende vraag beantwoorden: “How can we make it happen?” Op basis van je voorspellingen door middel van predictive analytics kun je verschillende scenario’s doorrekenen. Het bovenstaande voorbeeld over het van te voren met een bepaalde zekerheid voorspellen wat de resultaten zullen zijn van je direct mail-campagne kun je uitbreiden met een prescriptive gedeelte waarin je bijvoorbeeld de optimale content van je campagne kunt gaan bepalen (‘welke van vier mogelijke producten moet ik opnemen in mijn mailing voor het maximale resultaat?’). Prescriptive analytics kan zelfs zover doorgevoerd worden dat big data (data met een groot volume, bestaande uit een variëteit aan gegevens, en die met een grote snelheid binnenkomt) automatisch geanalyseerd wordt om bijvoorbeeld realtime de juiste aanbieding te tonen aan de juiste klant (‘de juiste boodschap op het juiste moment’). Om dit te bewerkstelligen, zijn oplossingen nodig voor de uitdagingen die ik beschreven heb in mijn vorige blogpost. Benodigd zijn bijvoorbeeld oplossingen voor dataopslag (zoals een Hadoop-omgeving), geavanceerde statistische analyses (bijvoorbeeld clustering-algoritmes) om klanten automatisch te herkennen en ze de voor hen geschikte content te voorzien, en samenwerking met een technische implementatiepartner om een automatische realtime gepersonaliseerde website te realiseren. In verdere fases van deze processen komt ook machine learning kijken.

Tot slot

In deze blogpost heb ik verschillende groepen analysemethoden de revue laten passeren die oplopen in termen van complexiteit. Per groep heb je kunnen lezen welke business-insights hierdoor mogelijk zijn, uiteenlopend van het mogelijk maken van het beantwoorden van de vraag ‘welk kanaal heeft het hoogste conversiepercentage gehad de afgelopen maand?’ tot ‘welke boodschap moet ik welke klant op welk moment tonen?’. Hopelijk heb je de relevantie en de mogelijkheden van (big) data analytics nu duidelijker voor ogen. In het vervolg van deze blogreeks gaat mijn collega Daniël verder in op een Data Driven Commerce strategie.

Geschreven door: Sander Beckers

Sander Beckers is Business Intelligence Specialist. Binnen De Nieuwe Zaak houdt hij zich bezig met het continu optimaliseren van resultaten op basis van data-analyse en bewezen klantinzichten.
Blijf op de hoogte

Meld je aan voor onze 2-wekelijkse nieuwsbrief en blijf op de hoogte van het laatste commerce nieuws!

© 2018 De Nieuwe Zaak