7 interessante learnings van het Digital Analytics Congres 2017

Frans Appels
30 oktober 2017
Terug naar blogoverzicht

Ondanks de toename aan beschikbare data is het nog altijd moeilijk goed zicht te krijgen op de customer journey van de consument.

Het Digital Analytics Congres trok meer dan tweehonderd geïnteresseerden naar de MediaPlaza in Utrecht. Voor de tweede keer organiseerde MOA het congres dat begin oktober plaatsvondDit jaar met keynotes van Stéphane Hamel, Bart Schutz, Aurélie Pols, Thanassis Thomopoulos en een groot aantal expertsessies. Voornaamste conclusie uit de sessies? Ondanks de toename aan beschikbare data is het nog altijd moeilijk goed zicht te krijgen op de customer journey van de consument.

Van Artificial Intelligence in de vorm van machine learning, neurale netwerken en data science – alles wordt nu ingezet om data optimaal te gebruiken. Een nieuwe trend binnen de digital analytics sector. Wat zijn de belangrijkste insights van de vier keynotes en enkele aansprekende expert sessies?

1. Bart Schutz (Online Dialogue): Marshmallows, & the Psychology behind Evidence-Based Growth

De meeste A/B testen deugen niet, aldus Bart Schutz. Dit komt doordat veel bezoekers op verschillende devices meerdere varianten zien, er geen unieke user ID aan bezoekers kan worden toegewezen en een goede meting dus heel lastig is. Aan de hand van de theorie van Nobelprijs winnaar Kahneman (Thinking fast and slow) legt Schutz uit dat verschillende type bezoekers anders reageren op verleidingselementen en dat je hier bij het ontwerpen van je pagina’s rekening mee moet houden.

Een voorbeeld: op maandochtend zijn er meer bezoekers met system 2 (slow) en op vrijdagmiddag meer bezoekers met system 1 (fast). A/B testen kunnen een verbetering van de conversie laten zien voor de ene groep en een daling van de conversie voor de andere groep.

Elke gemiste test is groei gemist.

Andere interessante KPI ‘s rond A/B testen zijn:

Als je daarnaast uitrekent wat de gemiddelde meeropbrengsten van een succesvolle test zijn en het aantal succesvolle testen bepaald, dan is het eenvoudig uit te rekenen hoeveel geld je laat liggen doordat je niet het maximale aantal testen uitvoert. Dit bedrag werkt natuurlijk fantastisch als aanjager om meer en continu te testen.

2. Daniel Gebler (Picnic): Innovation – From Data to Insights

Picnic, een online supermarkt, onderzocht voor lancering van hun platform de redenen dat consumenten niet graag online hun dagelijkse boodschappen doen. De drie redenen zijn:

  1. Idee dat het duurder zou zijn.
  2. Idee dat het lang duurt voordat je boodschappen er zijn en dat je er lang voor moet thuisblijven omdat het aflevermoment in een blok van 2 uur ligt (bezorgtijd interval).
  3. Het bestellen is onhandig omdat je alles moet zoeken. Dat kost veel tijd.

Het eerste issues lost Picnic op door een laagste prijsgarantie. Hiervoor worden elke dag de prijzen van alle concurrenten op productniveau verzameld en eventuele prijsaanpassingen doorgevoerd.

Een goede schatting van het verwachte bezorgtijdstip was een volgende uitdaging. Op basis van een uitgebreid regressiemodel berekent Picnic wat de droptime per klant is. Hierdoor wordt het mogelijk om binnen een 20 minuten range met 99% zekerheid te garanderen dat de boodschappen bezorgd worden. In dit model worden zaken meegenomen zoals: bestelt iemand voor het eerst (kost 32 seconden extra), zitten er bevroren producten in de bestelling, is bezorging bij de voordeur of achterdeur en wat is de ervaring van de chauffeur. De helft van de klanten gebruikt de Picnic-app om te zien waar de chauffeur is zodat men tijdig de deur kan openen voor de boodschappen.

Voor het optimaliseren van de besteltijd op de site wordt gebruik gemaakt van een RFM (Recency, Frequency, Monetary Value) model waarmee vaak bestelde artikelen met 1 klik besteld kunnen worden. Eerst werd een neural netwerk getest, maar dat werkte pas goed na het toepassen van data science stappen. Volgens Daniel Gebler wordt er in sommige gevallen te snel gekeken naar het gebruik van neurale netwerktechnieken voor het oplossen van dataproblemen. In zijn ogen werkt het beter om eerst gebruik te maken van data science technieken en daarna eventueel pas gebruik te maken van AI (Artificial Intelligence) technieken zoals neurale netwerken.

3. Stéphane Hamel (Digital Analytics Thought Leader): Time to Rethink – Radical Analytics

Na een uitgebreide carrière in web analytics en digital analytics is Hamel momenteel zelfstandig adviseur en spreker. Web analytics is toch een stuk lastiger dan veel buitenstaanders denken, is zijn eerste boodschap aan zijn publiek. Zo zijn er 42 manieren om de juiste KPI’s te bepalen, is goed A/B testen erg moeilijk en is attributie bijna onmogelijk. Volgens Hamel ligt de oplossing in Radical Analytics. Dit bestaat uit 8 blokken.

Belangrijke onderdelen hiervan zijn:

Het Empowered Analytics model van Stéphane Hamel

4. Aurelie Pols: Aiming for Compliance or consumer Trust?

Als ervaren web analist is Aurelie Pols zich de laatste jaren gaan specialiseren in alles rond privacy en data protectie. Gezien de aankomende GDPR wetgeving die vanaf mei 2018 in Nederland en de rest van de EU ingevoerd wordt, bleek haar verhaal bijzonder actueel. De nieuwe wetgeving bestaat uit vijftig artikelen die Pols heeft uitgeplozen. Overtreding kan leiden tot boete van 4% van de omzet, hoewel dit in de praktijk volgens haar alleen gebeurt als er echt misbruik van data wordt gemaakt zonder dat er toestemming van de consument is. Er wordt binnen de GDPR onderscheid gemaakt naar verschillende soorten consumentendata:

  1. Sensitieve data waaronder data over gezondheid, financiën, ras, politieke voorkeuren.
  2. Persoonlijke data waaronder naam, adres, woonplaats, telefoonnummer, emailadres, productbezit.
  3. Pseudonymous data waaronder cookie data.
  4. Anonymous data.

Vooral de derde groep data is interessant omdat deze ook onder de GDPR valt. Ook als deze data gehashed of encrypted wordt. Binnen de GDPR krijgen consumenten het recht tot inzage, correctie of verwijdering van hun data. Dat betekent voor veel organisaties nogal wat georganiseer op dit gebied.

De verschillende datatypes binnen de General Data Protection Regulation

5. Daniel Markus (ClickValue): Explosief groeien met digital analytics

Hoe loopt de analytics waardecurve vanuit het verzamelen van data via rapporteren naar analyseren? Bekijk eens het explosieve groeimodel. Binnen het analyseren komen de groeikansen naar voren. Door het uitvoeren van experimenten op zowel site als in e-mails verbetert niet alleen de omzet, maar groeit ook de winst sterk.

Naast de gebruikelijke groeirichtingen in bezoekers en conversie, laat Markus voorbeelden zien hoe ook groei gerealiseerd kan worden in orderwaarde, herhaalaankopen en viraliteit. Door op deze 5 drivers tegelijk te sturen groeien organisaties veel sneller dan door slechts een focus op twee van de groeidrivers te hebben.

6. Nadieh Bremer (Visual Cinnamon): Hacking the Visual Norm

Goede data visualisatie helpt om cijfers begrijpelijk te maken. Daar kun je natuurlijk alle standaard grafieken voor gebruiken, maar wat Bremer doet is van een ander niveau. Zij maakt grafische weergaves die niet alleen heel duidelijk zijn, maar ook nog eens fantastisch zijn vormgegeven. Een vak apart waarbij niet alleen design naar voren komt, maar ook programmatie vaardigheden nodig zijn. Door een optimaal gebruik van kleuren en stroomdiagrammen ontwikkelde ze vanuit haar functie bij haar vorige werkgever Adyen, het in Amsterdam gevestigde betaalbedrijf, mooie overzichten van mogelijke frauduleuze transacties. Tegenwoordig doet ze dit als zelfstandige. Een deel van haar werk is te vinden op www.visualcinnamon.com.

Nadieh Bremer staat bekend om haar originele visuele datapresentaties

7. Thanassis Thomopoulos (Google): Connecting with Customers in a Data & Technology Driven World

Er is een sterk toenemende hoeveelheid data én daarbij zijn de technologische mogelijkheden indrukwekkend verbeterd. Thanassis Thomopoulos is Data Strategy Specialist binnen Google en weet hier alles van. In vrijwel alle Google producten wordt momenteel al machine learning toegepast.

De uitdaging ligt er volgens Thomopoulos in om de vele miljarden data points met elkaar te verbinden om beter zicht te krijgen op de consument. Wat doet hij? Welke communicatie ziet hij? En welke impact heeft dat? Zo is de intentie van een zoekopdracht voor het woord pizza afhankelijk van de tijd, plaats en het type consument. Het wordt daardoor steeds moeilijker om campagnes geheel handmatig te managen omdat rekening gehouden moet worden met tijd van de dag, dag in de week, locatie, type gebruiker, zoekterm, device, historische site bezoeken en meer.

Deel deze blogpost
Neem contact op met Frans Appels

Was deze post interessant voor je? Lees meer nieuws van deze auteur. Voor meer informatie kun je ook bellen of mailen.

mail Frans Appels 020 345 9488
Meer lezen van Frans Appels
Reacties (0)
Reageren