Objectieve data zijn waardeloos. Data zijn een middel, geen doel op zich

Objectief en subjectief

Er is veel te doen rond data: verzamelen van data, inzichten met grafieken en rapporten, artificiële intelligentie en big data. Objectieve feiten en cijfers. Maar daarmee is de klus niet geklaard. Het gebruiken van die data, daar gaat het over. Voor deze blog beperken we ons tot het gebruik van data in relatie tot klanten en prospecten. En dan wordt het subjectieve heel belangrijk. Die klant of prospect is immers een persoon, en geen object dat kan teruggebracht worden tot een aantal kenmerken.

Gepruts met data

Laten we beginnen met een waarschuwing. Niet iedereen kan omgaan met data. Ik durf zelfs zeggen dat de meeste mensen niet kunnen omgaan met data, mezelf incluis. Het is heel belangrijk dat je dat beseft. Dat houdt je kritisch en scherp als iemand zaken verkondigt op basis van objectieve data.

Een voorbeeld. Een fabriek maakt knikkers. Iemand die de data heeft geanalyseerd beweert dat het gemiddelde kleur van een knikker grijs is met een schaal van 25%. Inderdaad, de fabriek maakt elke dag 250 zwarte knikkers en 750 witte knikkers. Zo kan je gemakkelijk berekenen dat de gemiddelde knikker 25% grijs is. Feit is echter dat deze fabriek helemaal geen grijze knikkers maakt. En dat is gevaarlijk. Want als ik mij baseer op de gemiddelde kleur, dan moet ik op zoek naar klanten die grijze knikkers willen kopen. En wanneer ik de klant vind kan ik niets verkopen, want ik heb geen grijze knikkers.

Moraal van het verhaal. Wees steeds kritisch i.v.m. objectieve data en laat het verwerken ervan over aan professionelen.

De basis, een doordacht databeheer

Zoals bij veel digitaliseringsprojecten worden de zaken wel eens omgekeerd aangepakt. Eerst een data platform kiezen, liefst één met heel veel mogelijkheden, daarna data verzamelen en dashboards bouwen. Pas dan wordt bekeken wat men allemaal kan doen met die data, wordt beslist wie dat gaat doen en dan mag die persoon een strategie en plan van aanpak maken. Een prima recept voor een mislukt project.

Het kan ook anders. We denken eerst na, nemen een beslissing, stellen een plan op, zorgen voor de randvoorwaarden en starten klein. Hier volgt het recept voor een geslaagd project voor databeheer:

• Data strategie. Breng in kaart wat je wilt bereiken, waar de data zit, hoe je data zult verwerken en hoe je opbrengsten zult creëren. Vul dit aan met aandachtspunten en mogelijke bedreigingen. Moet je dit niet bij elk project doen? Ik denk van wel.
• Mensen. Stel het team samen dat verantwoordelijk wordt voor databeheer en maak duidelijk wat de job inhoudt. Zorg ervoor dat er ruimte is voor bijscholing en voldoende tijd om het project uit te voeren. Moet je dit niet bij elk project doen? Ik denk van wel. Ondertussen heb je het wel gesnapt. Bij de volgende punten wordt dit niet meer herhaald.
• Change management. Een beter woord vind ik niet. Want het is niet de verandering die moet gemanaged worden. De medewerkers daar gaat het over, die moeten begeleid worden. Niet alleen het project team, maar wellicht de hele organisatie zal beïnvloed worden door een grondige aanpak van databeheer. Zorg ervoor dat iedereen voorbereid en betrokken is.
• Processen. Zoals op de medewerkers zal databeheer ook een invloed hebben op de processen in de onderneming. Breng dit in kaart en definieer en communiceer de gewijzigde processen.  
• Use cases. Werk een aantal cases uit volgens de vastgelegde strategie. Beschouw dit als de laboratorium tests die gebeuren vooraleer het ding te verspreiden naar het grote publiek.
• Prioriteiten stellen. De middelen zijn steeds beperkt dus werk je best stap per stap. Hou bij prioriteit rekening met zowel opbrengst als zichtbaarheid. Een heel rendabel deelproject dat door niemand wordt gezien zal niet bijdragen aan de geestdrift voor het project.
• Waarde. Met de use cases moet de waarde van het volledige project kunnen hard gemaakt worden, zowel in de haalbaarheid van de doelstelling als de opbrengst in euro’s.
• Verzamelen van data. De verschillende bronnen van data worden beschreven met al hun kenmerken, hun belang en waar ze worden gebruikt. Ook data die gewenst is maar vandaag ontbreekt, komt in de lijst.
• Operating model. Hoe zal alles in zijn werk gaan wanneer het dataplatform operationeel is? Wie doet wat, wanneer en hoe? Procedures en controlemechanismen worden duidelijk beschreven.
• Data platform. En eindelijk zijn we zover. Je bent nu perfect voorbereid om naar verschillende dataplatformen te kijken en dit te selecteren dat best past bij jouw onderneming. En niet vergeten, eens de keuze gemaakt, moet het nog geïmplementeerd worden. Een kleine stap in deze lijst, maar één waar veel tijd en energie in kruipt.
• Opvolging en bijsturing. Dit gebeurt altijd, maar veelal ongepland en niet voorbereid. Spreek een aantal regels af en leg procedures vast. Zo is een continue verbetering gewaarborgd.

Heb je dit allemaal achter de rug. Proficiat, nu heb je de basis, een schat aan objectieve data ligt klaar. En nu?

De subjectieve klant

De analyse van de data brengt haarfijn in kaart wat een klant doet. Waarom hij het doet blijkt al minder uit de data en wat de klant denkt en voelt op de momenten van interactie kan je al helemaal niet afleiden uit de data.

Duidelijk is wel dat als je wat een klant doet en zegt, kunt verbinden met wat hij denkt en voelt, dat je dan wel in staat bent om de klant heel persoonlijk te bedienen. Maar hoe doen we dit? De visie is eenvoudig: spreek met de klant en vraag het hem. In een face-to-face gesprek is dat mogelijk. Maar bij online verkoop wordt het al iets lastiger.

Een kant-en-klare oplossing is er niet. Wel heb ik voor jou een lijstje waar je mee aan de slag kan:

• Marktonderzoek. Niets nieuws onder de zon. Op basis van een representatieve steekproef gaan we op zoek naar de drijfveren van bepaalde bevolkingsgroepen afgezet tegenover ons product of dienst.
• Interviews. Eén op één gesprekken met klanten. We brengen de resultaten samen en trekken daar besluiten uit waarvan we denken dat ze van toepassing zijn op bepaalde klantengroepen.
• Focusgroep. Een beetje zoals een interview maar in groep. Men stapt uit het keurslijf van een interview en stimuleert een meer natuurlijk gesprekspatroon.
• Observatie. De klant wordt geobserveerd in wat hij doet zonder dat er interactie is.

Al deze technieken houden beperkingen in. Je kan niet met elke klant spreken in elke situatie. En de interactie is ook niet real-time. De subjectieve klant in kaart brengen kost geld en blijft nog steeds een groot deel veralgemenen en veronderstellen. Aan beide beperkingen kan je iets doen. Het veralgemenen en veronderstellen moet je achteraf controleren en bijsturen. Dan wordt het betrouwbaarder. De kostprijs kan gereduceerd worden door gebruik te maken van bestaande platformen om met die individuele klant in contact te komen. Het is relatief nieuw, maar wordt zeker een trend in de komende jaren. Een voorbeeld van zo'n platform vind je op www.usertesting.com.

Besluit

Alles begint met een goede aanpak voor databeheer. Dit resulteert in waardevolle data en een onderneming die klaar is om ermee aan de slag te gaan. Een klant is echter geen object, wel een levend wezen dat denkt en voelt. Wat hij denkt en voelt vind je niet terug in de objectieve data. Daarvoor heb je subjectieve data nodig. Het verzamelen van subjectieve data is lastig. Maar wie beide combineert heeft een grote stap voor op de concurrentie en kan zijn klanten op een meer ‘menselijke’ en persoonlijke manier benaderen.

Philip Vanassche.