Hoe verandert big data de rol van de moderne CMO?

Niet alleen de juiste tools zijn cruciaal, de grootste uitdaging ligt in het begrijpen van de fundamentele verandering van de rol van de CMO.

Exponentiële stijging van het aantal segmenten
Tot voor kort hoefden CMO’s slechts een klein aantal niet-overlappende doelgroepssegmenten te beoordelen om een online-marketingcampagne te optimaliseren. Traditionele segmentatie gebaseerd op  geslacht, leeftijd, inkomen en vooraf ingenomen aannames waren de basis waarmee jaarlijks wereldwijd tientallen miljarden advertentie-euro’s gekocht en verkocht werden. Marketeers kochten breed in, startte de campagne en vervolgens werd het net opgehaald.

Dankzij online media is er nu een scala van overlappende herleidbare segmenten die bestaan uit gegevens over interacties en interesses. Deze nieuwe segmenten voorzien CMO’s van interessante aanwijzingen over attitudes van klanten waarover ze voorheen nooit konden beschikken zoals locatie, koopgedrag, zoekhistorie of bijvoorbeeld gebruik van apps. Een online klant kan geen interesses getoond hebben, alle interesses getoond hebben, of een combinatie daarvan. Bij overlappende segmenten verandert het aantal mogelijke combinaties van een simpele vermenigvuldiging tot een exponent. Stel je eens voor dat de CMO nu ook 3000 interesses wil bestuderen. Om dit te doen, zou het marketingteam van de CMO zich moeten buigen over het exponent van 3000 verschillende combinaties die ook nog eens realtime kunnen veranderen.

Hoe kun je als marketeer ooit inzicht krijgen in deze ongelooflijke hoeveelheid data? Je wilt juist slimmer, sneller en kostenefficiënter werken. Bovendien wordt analyseren op deze manier alleen maar moeilijker omdat het nooit duidelijk wordt welke gegevens er nu echt toe doen. Er komt een punt waarop onze traditionele tools niet meer toereikend zijn en we geheel nieuwe tools nodig hebben. Big data is zo’n punt.

Machine beats Man
Dit is het punt waarop marketeers niet meer zonder kunstmatige intelligentie en machine learning kunnen. Een eenvoudige definitie van machine learning is dat computers kunnen leren en zichzelf kunnen verbeteren zonder dat ze hiervoor expliciet geprogrammeerd zijn. Behaalde resultaten uit het verleden kunnen worden geoptimaliseerd tot betere resultaten in de toekomst. Denk aan de zelfrijdende auto’s van Google, Watson van IBM en aanbevelingssystemen bij online winkels. Machine learning-software is ook een krachtige advertentietool omdat het iets doet wat mensen niet kunnen; gegevens verwerken van een zeer grote set doelgroepsignalen, deze gegevens realtime analyseren en tegelijkertijd daarvan leren.

Realtime Marketing
Je vraagt je misschien af – wat voor werk blijft er over voor de marketeers? Waarom nemen robots niet gewoon het hele proces over? Eenvoudig gezegd komt het erop neer dat robots geen verhalen kunnen vertellen. Organisaties gebruiken verhalen om consumenten te begrijpen en beslissingen te nemen aan de hand van hun eisen en wensen.

Het grote voordeel is dat je als CMO niet alleen sneller en efficiënter je doelgroep bereikt, maar dat realtime de campagne wordt geoptimaliseerd. In tijden waarin verwacht wordt dat teams efficiënter werken, zijn kunstmatige intelligentie en machine learning essentiële onderdelen geworden van de dagelijkse werkzaamheden. Marketeers hoeven niet langer zeer gedetailleerd en intensief te werken aan het optimaliseren van aangepaste doelgroepsegmenten en vervolgens het evalueren van tests. Marketeers moeten kunnen uitleggen wat de gegevens betekenen en waarom ze van belang zijn voor klanten.

De CMO heeft nu dus de kans om campagnes ‘on the fly’ te monitoren en aan te passen om de marketingstrategie realtime te optimaliseren. Dankzij kunstmatige intelligentie kunnen advertentiecampagnes realtime aangepast en opnieuw geoptimaliseerd worden om ze te richten op segmenten met de meeste 'lift'.