Tekst: Arjan Haring*
Hoe slim algoritmes ook zijn, ze zijn bijzonder slecht in het vaststellen van causale verbanden. Zowel het bedenken van hypothesen, als het opzetten van experimenten gaat machines nog te ver. Marketeers zijn daarom nodig om die verbanden te leggen.
De marketeer verandert de verpakkingen van zijn producten en de verkoop schiet omhoog voor klantsegment X. Waarschijnlijk is er een verband, maar is dat ook echt zo?
Eén van de hotste topics binnen het vakgebied van data science is op dit moment ‘causal inference’. Causal inference gaat over het proces van nagaan met behulp van data wat de causale verbanden zijn en het beantwoorden van de vraag waarom een bepaalde marketinginspanning eigenlijk impact heeft.
Met slimme experimenten kan een marketeer de impact inschatten van een verandering aan de website, een nieuwe productlancering en zelfs een geplande rebranding. Weten dat iets werkt is belangrijk, maar weten waarom iets werkt is het einddoel.
Machine versus marketeer
Machines verslaan mensen in dammen sinds 1994, in schaken sinds 1997 en in dit jaar moeten we ook bij het Chinese bordspel Go onze meerdere erkennen in een machine. De technologie wordt steeds slimmer, maar betekent dit dat het marketingvakgebied dan wordt ook bedreigd? Nee, dat denk ik niet. Hoe slim algoritmes ook zijn, ze zijn bijzonder slecht in het vaststellen van causale verbanden. En juist die causale verbanden of het beantwoorden van de waarom-vraag, zijn de
sleutel tot de marketing van nu en de toekomst.
Marketeers beter uitgerust
In het huidige meetbare tijdperk moeten zelfs de heilige huisjes er aan geloven. Dus laten we als voorbeeld één van Nederlands bekendste acties onder de loep nemen. Waarom werken de hamsters van Albert Heijn eigenlijk zo goed?
Het is duidelijk dat een simpele query op de data van Albert Heijn mij niet verder gaat brengen. Vooropgesteld: ik heb geen toegang tot de data van Albert Heijn. Maar met slimme experimenten en wat kennis van consumentenpsychologie kunnen we illustreren hoe een datagedreven marketeer dit vraagstuk inzichtelijk kan maken.
De vraag ‘waarom zijn de hamsters succesvol?’ is niet specifiek genoeg. Succes kun je op meerdere manieren definiëren, maar meestal heeft dit betrekking op klanten die meer kopen of een positief beeld hebben van jouw organisatie. De definitie van succes die je hanteert, heeft rechtstreeks invloed op de soort data die je nodig hebt.
1. Waarom heeft het gebruik van de hamsters in communicatie een positief effect op aankoopgedrag?
2. Waarom heeft het gebruik van de hamsters in communicatie een positief effect op loyaliteit?
Persoonlijk geef ik de voorkeur aan data van werkelijk klantgedrag, maar de kritische kanttekening hierbij is dat deze data vaak gaan over transacties op korte termijn en niet inzichtelijk maken wat het succes is op langere termijn. Gelukkig kunnen we meer en meer data koppelen en dus ook vaker meenemen wat langetermijneffecten zijn als het gaat om herhaalaankopen, klantwaarde en loyaliteit.
Beter beeld krijgen
Voor nu richt ik mij op de eerste definitie: stimuleren hamsters aankoopgedrag? Om deze vraag te benaderen, is het belangrijk dat er hypothesen opgesteld worden. Door het testen van meerdere hypothesen krijg je een beter beeld van wat de verbanden zijn.
Er zijn drie mogelijk kansrijke hypothesen:
A. De hamsters hebben een bepaalde gunfactor, likeability, die zorgt dat klanten meer kopen
B. Het succes van hamsteren slaat op de bulkkortingen waardoor klanten meer kopen
C. Tijdens de hamsterweken is er meer urgentie om te kopen, aangezien de acties maar voor een beperkte tijd lopen zijn mensen geneigd om te kopen voordat de actie afloopt
Om inzicht te krijgen wat er werkelijk aan de hand is, kunnen we experimenten opzetten en de verschillende hypothesen gaan toetsen.
Nu is het zaak dat we inderdaad het effect vaststellen van die hypothesen. Treedt er überhaupt een effect op en hoe sterk is dat? Dit doen we door de hypotheses geïsoleerd te testen. We moeten immers ontrafelen wat er aan de hand is en uitsluiten dat er geen andere invloeden zijn die meespelen.
Zowel het bedenken van hypothesen, als het opzetten van experimenten gaat elke machine nog te ver. Dit blijft dus mensenwerk, ook in de nabije toekomst. 1-0 voor de menselijke marketeer.
Subtiele verbanden blootleggen
Mensen zijn nodig om causale verbanden te leggen. Maar algoritmes zijn juist erg geschikt om hele subtiele patronen te vinden in grote sets van data. Patronen en verbanden die haast onvindbaar zijn voor mensen.
Deze subtiele verbanden kunnen erg waardevol zijn. Als ik weet dat de bovengenoemde hamsters een bovengemiddeld positief effect hebben op klanten in de database die na de kerst fanatiek zegels verzamelen, kan ik dat ik gebruiken in mijn communicatie met hen.
Algoritmes geven geen inzicht in waarom er verband is tussen kerstmis, zegels verzamelen en het tonen van de hamsters, ze geven alleen aan dat het verband er is. Dit noemen we correlatie. Zonder te weten waarom iets gebeurt, kun je als marketeer deze kennis al gebruiken en meer rendement halen uit jouw inspanningen. Maar je voegt het meeste waarde toe wanneer je achterhaalt waarom er een verband is (zie kader ‘Correlatie versus causaliteit’).
De correlaties die de algoritmes gevonden hebben, kun je natuurlijk goed gebruiken als startpunt om het causale verband te achterhalen. Is er wellicht een direct verband tussen hamsteren; het inslaan van een voorraad aan boodschappen en spaargedrag; waaronder het sparen van zegels? De hamsters herinneren klanten eraan dat sparen goed is, waardoor klanten meer kopen. Laten we het de hypothese spaargedrag (D) noemen. Een volgende experiment, door de menselijke marketeer bedacht, zal meer inzicht bieden of deze hypothese waar is.
Afweging
De afweging die een manager moet maken is of de kosten die gemaakt worden om causale verbanden te vinden ook opwegen tegen de mogelijke kans dat je een verkeerde conclusie hebt getrokken en de kosten die daarmee gemoeid zijn. Dit zal verschillen per industrie en productcategorie.
In de praktijk wordt er vaak gewerkt met correlaties omdat er geen tijd is om verdere analyse te doen, of meer experimenten op te zetten. De kennis van experimenteren neemt snel toe binnen organisaties en de technologie die benodigd is om experimenten op te zetten wordt ook beter en goedkoper. Dit zorgt ervoor dat in de nabije toekomst de afweging vaker door zal slaan naar het vaststellen van causaliteit.
Algoritmes leggen verbanden bloot die een marketeer niet had gevonden, maar dit zijn over het algemeen correlaties. De correlaties kun je gebruiken om de effectiviteit van je marketinginspanningen te verhogen zonder dat je weet waarom er een verband is. En deze correlaties zijn ook nog eens een geweldig startpunt voor meer experimenten en het vaststellen van causaliteit.
Vooral wanneer algoritmes en menselijke marketeers samenwerken staan ze sterk.
Verschillende reacties
In de ogen van een data scientist is het marketingvakgebied niet veel meer dan nieuwe kennis vergaren over klanten en het uitnutten van kennis de je al hebt opgedaan. In jargon is dit de ‘explore versus exploit trade-off’.
Laten we ervan uitgaan dat we hebben vastgesteld dat onze vier hypothesen waar zijn:
A. Gunfactor
B. Bulkkorting
C. Schaarste in Tijd
D. Spaargedrag
Dit zijn allemaal redenen waarom de hamsters van Albert Heijn zo goed werken. En we gaan er voor het gemak vanuit dat deze positieve eigenschappen van hamsters de redenen zijn waarom klanten meer kopen.
In de data zien we dat mensen verschillend reageren als we de verschillende eigenschappen van de hamsters benadrukken. Sommige klanten zijn erg gevoelig voor het bulkkortingaspect, sommigen juist voor de gunfactor, weer andere mensen reageren positief vanwege hun spaargedrag of de schaarste in tijd. De voorkeur kan natuurlijk ook veranderen. Om maximaal profijt te hebben van de hamsters, wil Albert Heijn de communicatie gaan personaliseren.
Zoals gezegd ziet de data scientist dit vraagstuk als nieuwe kennis vergaren over klanten en het uitnutten van de kennis die we al hebben. Hoe kunnen we leren welke eigenschap van de hamster we moeten benadrukken voor elke individuele klant? En als we eenmaal weten dat een bepaalde eigenschap positief werkt, hoe weten we zeker dat een andere eigenschap niet nog een beter effect oplevert voor die individuele klant?
Er zijn algoritmes die een optimale strategie kunnen bepalen voor het tonen van de vier positieve hypothesen, die halen het maximale uit de zogenaamde “explore versus exploit trade-off” en zorgen ervoor dat er het maximale rendement gehaald wordt uit alle interacties met individuele klanten opgeteld.
Conclusie
Met de opkomst van data science worden algoritmes alleen maar belangrijker in de marketingdiscipline. Maar algoritmes zijn geen wondermiddel, ze lossen niet al onze problemen op. Dankzij algoritmes begrijpen we ook beter wat de toegevoegde waarde is van de marketeer.
In een continue zoektocht van experimenten probeert de marketeer te begrijpen waarom de klant doet wat hij doet en of we dat kunnen beïnvloeden. Soms zullen algoritmes mogelijke oplosrichtingen influisteren, maar veelal zorgen de algoritmes ervoor dat de inzichten die we hebben gedaan optimaal uitgenut worden.
*Arjan Haring is naast datagedreven marketeer sinds 2016 organisatieadviseur en eigenaar van The Control Group. In 2011 richtte hij de machine learning startup Science Rockstars, in 2014 verkocht hij het bedrijf. Daarna maakte hij onderdeel uit van het data science team van Booking.com
Op 6 december vindt het Marketing Technology plaats. Het grootste, jaarlijkse event over de nieuwste tools en technieken voor digital marketing, e-commerce, CRM & analytics.
