Facts not Opinions

Toen Kelly Cook, CMO van DSW Shoes (een grote on-line/off-line shoenenretailer in de VS), werd gevraagd naar de ratio tussen de on- en off-line verkopen, was haar antwoord: “Dat kan ik je niet vertellen omdat wij dat niet meten.” Wanneer iemand laat optekenen dat zijn organisatie niet alles meet, verraadt dit een weinig data gedreven beslissingsstrategie. Het tegendeel is bij DSW Shoes nochtans waar. Bij DSW meten ze deze ratio bewust niet. Niet omdat ze dit of de verkoopcijfers onbelangrijk vinden, maar omdat ze de ratio tussen de verkoopkanalen niet prioritair vinden. Want uit analyse van hun data blijkt dat geen enkele verkooptransactie slechts via één enkel kanaal heeft plaatsgevonden. Anders gesteld: het contact met de klanten verloopt via verschillende kanalen en het kanaal dat op het moment van de aankoopbeslissing de meeste handige blijkt, degradeert de andere contactpunten daarom niet tot nutteloos voor toekomstige verkopen. DSW is vooral geïnteresseerd in de complete klantervaring waardoor de ratio tussen on- en offline verkopen ondergeschikt wordt.

Een goed voorbeeld hiervan is een experiment met QR codes marketinguitingen. Omdat ze door de klant weinig werden gebruik dreigde dit experiment met een sisser af te lopen. Een  nadere analyse van de feedback op deze codes onthulde echter dat de klantgroep van modebewuste mannen in een bepaalde leeftijdscategorie er wel tuk op bleken. Als gevolg besloot DSW het gebruik van QR codes te beperken tot communicatie gericht naar deze doelgroep. Dit is volgens mij een perfecte illustratie van een data gedreven organisatie waar niet wordt gewerkt met veralgemeningen of veronderstellingen, maar op basis van feiten in functie van betere beslissingen.

Ik ben fan van geschiedenis. En als discussies over dit onderwerp worden gevoerd, moet ik onwillekeurig aan historische citaten denken. Er zijn een aantal goede, zoals bijvoorbeeld van Kelvin of Galileo. Maar mijn favoriet in deze context komt van de minder bekende David Kirkaldy. In de periode van de industriële revolutie introduceerde deze Schotse ingenieur het testen van materialen bestemd voor constructie. Tot dan werden veel nieuwe materialen toegepast zonder voldoende kennis van hun kracht of andere materiaaleigenschappen. Zijn lijfspreuk was dan ook ‘Facts not opinions’, wat hij overtuigd boven de poort naar zijn bedrijfje liet uithouwen. Deze meer dan honderd jaar oude wijsheid geldt vandaag nog steeds. De reflex om data te gebruiken en op basis daarvan je beslissingen te vormen is een cruciale voorwaarde binnen een data-driven bedrijfscultuur. 

Een tweede voorbeeld van een data gedreven organisatie is Netflix. Bij Netflix gebruiken ze verschillende, zeer intelligente algoritmes. Het is me niet te doen om dit feit als zodanig, maar wel om het volgende: hoe zijn ze tot die algoritmen gekomen? Net als DSW streeft Netflix er naar om de ervaringen van hun klanten zo goed mogelijk te begrijpen en te definiëren wat werkt en niet werkt. In een recent webinar benadrukte Kurt Brown, data platform director van Netflix, hoe essentieel ‘eenvoudige’ AB testen zijn. Het concept van deze test is erg eenvoudig: je probeert twee methodes en weerhoudt de methode met de ‘beste’ resultaten. Maar om dit effectief te doen moet je het ‘beste’ resultaat kunnen bepalen waardoor  een goede analyse van de beschikbare data noodzakelijk wordt. Alle nieuwe ontwikkelingen op de website van Netflix worden op deze manier geëvalueerd. Wanneer ze geen verbetering ten opzichte van de bestaande versie aantonen, ongeacht hoe sexy of innovatief ze zijn, wordt deze teruggedraaid.   

Over de ganse wereld draaien er te allen tijde meerdere versies van de Netflix website. Ze worden allemaal nauwgezet gemeten om de gebruikerservaring te testen en in kaart te brengen. Maar hoe meet je de gebruikerservaring? Er zijn verschillende parameters. Echter a priori kan je niet inschatten welk parameter het beste inzicht genereert. Dus hoe meer data je verzamelt en hoe gedetailleerder deze zijn, des te beter kun je de ervaring van de gebruiker bestuderen, toch? Dat is inderdaad de eerste stap, maar je moet ook de mogelijkheid hebben om deze data te analyseren. Data zonder analyse zijn waardeloos. Opnieuw weet je van tevoren niet welke analyse de beste inzichten oplevert. Dus om een in principe eenvoudige test succesvol uit te voeren, heb je een geavanceerde analytische IT-infrastructuur nodig. Omdat Netflix de waarde van inzichten uit data analyse begrijpt, beschikt de grootste aanbieder van on demand video streaming met één van de meest geavanceerde infrastructuren momenteel op de markt zodat ze kunnen beslissen op basis van feiten, en niet op basis van veronderstellingen of meningen.  

De trend van steeds grotere en complexere analytische infrastructuren om daarmee steeds grotere data sets te kunnen analyseren, is echter niet zonder risico. Steeds vaker gaan analysten er van uit dat de data set die ze onder de loep nemen, de volledig set betreft en niet een sample of een subset. Een goed voorbeeld zijn social media: als je alle tweets op twitter selecteert, dan heb je de complete set, of niet? Want deze complete set vertegenwoordigt niet de volledige bevolking of je complete klantenbestand. In feite heb je dan slechts een subset, en een erg specifieke ook nog: twitter gebruiker vormen immers niet bepaald een accurate vertegenwoordiging van de samenleving. Wanneer je dus deze set gebruik met de aanname dat dit een volledig beeld zal geven, hoef je geen rekening te houden met de selectiebias. Echter een conclusie gebaseerd op deze onvolledige vertegenwoordiging van je klantenbestand kan dus een verkeerd beeld schetsen. Voor meer uitleg over dit risico verwijs ik je naar het artikel ‘Big Data: are we making a big mistake?’ van Tim Harford. Een data-driven cultuur betekend niet alleen dat medewerkers vluchten naar data voor antwoorden, maar ook dat ze begrijpen wat voor inzichten de data kan geven, en dus ook hoe ze deze inzichten moeten interpreteren.

Het feit dat er een veel gebruikte afkorting bestaat voor mensen die niet zich niet laten leiden door feiten maar door meningen, de HIPPO (Highest Pain Person’s Opinion), laat zien dat sommige organisaties nog een lange weg hebben te gaan. Het goede nieuws is dat er vandaag meer technologieën en platformen beschikbaar zijn dan ooit tevoren om mensen met de correcte Facts not Opinions-instelling in staat te stellen de juiste inzichten uit data te halen. De technologie biedt steeds de nodige ondersteuning in de analyse van data en evolutie naar een data-driven organisatie. Streef naar de juiste instelling, en zorg voor de technologische infrastructuur om die instelling ten volste te ontplooien. 

Deze blogpost is geschreven door Tobias Temmink, Business Development Manager Benelux bij Teradata.