Master Data Management: één waarheid voor alle betrokkenen in de keten

Was een ‘single source of truth’ voorheen alleen belangrijk voor eigen bedrijfskritische gegevens, nu blijkt het op orde hebben van die data van waarde voor de gehele keten. Om samen met externe stakeholders gebruik te maken van productinfo, onderling co-design op te zetten of intern juist tot betere branding van producten te komen. De rol die systemen voor het beheer van master data innemen groeit.

Tot niet zo heel lang geleden werden platformen voor Master Data Management (MDM) met name ingezet om de klant-, product- en financiële data uit verschillende systemen bij elkaar te brengen. Inmiddels krijgt een MDM-platform een grotere rol toegedicht. Die verandering signaleert bijvoorbeeld Forrester in de meest recente kwartaalupdate over het thema.

Een MDM-platform belooft werelden bij elkaar te brengen: ERP, CRM, PIM, e-commerce, winkels, maar ook belangrijke digitale assets komen bijeen. Daarmee treedt het op als een moedersysteem dat vervolgens met die ‘single source of truth’ – met uniforme en kloppende data – andere kanalen en bedrijfsprocessen voedt. Een fabrikant zorgt er daarmee voor dat de productinfo en -attributen in de eigen online catalogus overeenkomen met die van een marktplaats of ander verkoopkanaal. Een retailer weet op zijn beurt patronen in de eigen data te vinden en zo incomplete klantprofielen met elkaar te verenigen.

Doorsturen naar juiste partners

In toenemende mate verbinden de platformen ook bedrijven binnen een keten aan elkaar. En zorgen er juist voor dat bedrijven intern efficiënter kunnen werken. Van bol.com is bijvoorbeeld bekend dat de keuze voor een MDM-oplossing van Stibo Systems, met daarin een systeem voor Product Informatie Management (PIM), zijn vruchten heeft afgeworpen. De tijd die nodig is om nieuwe categorieën op te tuigen en alle leveranciers- en productgegevens (geautomatiseerd) bij elkaar te krijgen is met weken afgenomen. Dat is niet alleen een stuk efficiënter, klanten zijn altijd verzekerd van kloppende data.

De bredere rol brengt een aantal interessante uitdagingen met zich mee, zo ervaren experts. Hoe zorg je voor de juiste processen rondom de – door Forrester ‘zero party data’ genoemde – gegevens die door klanten proactief zijn afgegeven? En hoe ga je als bedrijf optimaal om met Voice of the Customer-data zoals productbeoordelingen en commentaren? Een MDM-oplossing moet in zo’n geval over algoritmes beschikken die deze data op de goede manier interpreteren, met elkaar verbinden en vervolgens doorsturen naar de juiste partners. Lang nog niet iedereen slaagt daar op dit moment in.

Data emotioneel maken

Mogelijk nog urgenter is de vraag hoe al die feitelijke gegevens behapbaar blijven en vervolgens persoonlijk en emotioneel zijn te maken. Want, zo ervaren retailers, met het klakkeloos presenteren van álle specs zijn lang niet alle klanten meer geholpen. In plaats van uitsluitend te praten over de lengte van een snoer, wil je als merk ook verleiden.

Hoe daarmee om te gaan? Voor de één komt het erop neer op die attributen te gaan meten. Want wie honderdduizend artikelen verkoopt, kan slechts met heel veel moeite voor alle producten unieke en overtuigende teksten, opsomming van feiten en video’s maken. Geregeld blijkt er na onderzoek een directe relatie te zijn tussen bepaalde content en de conversie. De belangrijkste producten, bijvoorbeeld gemeten naar marges en omzet, zijn vervolgens te verrijken.

Geautomatiseerd Master Data inzetten

Anderen kiezen inmiddels voor een meer experimentele en geautomatiseerde aanpak. Zo wordt er bij bedrijven getest of afbeeldingen met kunstmatige intelligentie zijn te herkennen. Om zo vervolgens met behulp van aanvullende productdata automatisch een passend verhaal te schrijven. Het doel is om in die automatisering ook de verschillende fasen van de funnel mee te nemen als belangrijke factor. Klanten die zich nog oriënteren op een aankoop, hebben immers behoefte aan andere productgegevens dan iemand die nog twijfelt tussen de laatste fabrikanten.

Een enkeling grijpt de aanwezigheid van de uniforme master data al aan om intern andere partijen bij elkaar te brengen. Te denken valt aan (brand)marketeers of productontwikkelaars. Met zogeheten vijf-seconden-tests, leggen zij consumenten vervolgens productfoto’s en bepaalde productattributen voor. Deze online tests maken goed duidelijk hoe informatie op het eerste gezicht wordt geïnterpreteerd, welke gegevens beter achterwegen kunnen blijven en hoe de verschillende data elkaar en de conversie beïnvloeden.

De feedback leidt nogal eens tot effectievere branding van unique selling points, betere copy en op den duur meer conversie. Het lijkt bijna een vergeten stap om multidisciplinaire teams te vormen rondom de beschikbare data. Van ontwikkelaar en creatief marketeer tot aan de analist. Door te valideren welke data de wereld in moeten en in welke vorm, ontstaat een beter begrip van wat op welk kanaal werkt.

Hoewel hieruit blijkt dat het de mens is die uiteindelijk breder naar data kan kijken en zo de waarde ervan bepaalt, groeit het belang van een complete dataweergave. Het neemt interne silo’s weg en maakt effectief gebruik ervan mogelijk. Om met Forrester te spreken: de volgende generatie van platformen voor master data, brengt zowel intern als buiten de organisatie partijen bij elkaar.

Data-dashboards ontwerpen begint met ‘design thinking’

Dashboards zijn een van de meest gebruikte zakelijke communicatiekanalen om data-inzichten te delen en zo cruciale informatie op de meest effectieve wijze over te brengen. Maar hoe zorg je ervoor dat de aandacht van het publiek bij elk dashboard naar de juiste delen wordt getrokken?

Om te begrijpen hoe mensen dashboards gebruiken, hebben we een eye-tracking-onderzoek uitgevoerd. Hiermee konden we inzichten verwerven over hoe algemene ontwerpelementen visueel de aandacht trekken. Het doel was om te observeren hoe mensen ‘instinctief’ een dashboard bekijken dat ze nog nooit eerder hebben gezien. Sommige onderzoeksresultaten moeten we verder bestuderen. Maar met wat we al wel hebben geleerd kunnen we alvast een deel van het mysterie van het dashboardontwerpproces oplossen en tips geven over het ontwerpen van efficiënte dashboards.

Het onderzoek

Binnen het eye-tracking onderzoek stelden we een aantal hypothesen op over hoe mensen naar dashboards kijken, opgesplitst in twee aannames. Ten eerste gingen we ervan uit dat bepaalde ontwerpelementen op het scherm onweerstaanbaar de aandacht zouden trekken, ongeacht hun locatie in het dashboard. We verwachtten veel visuele aandacht voor algemene dashboardelementen zoals lijndiagrammen, kaarten en pictogrammen.

Ten tweede wilden we kijken of mensen geneigd zijn een dashboard net zo te ‘lezen’ als een op tekst gebaseerde webpagina. Andere vormen van digitale media hebben aangetoond dat visuele ‘aandacht’ doorgaans een ​​F-patroon volgt, dat wordt gedefinieerd als de neiging van mensen om webpagina’s te consumeren in een “linksboven> rechtsonder” patroon. We wilden nagaan of mensen hetzelfde F-type patroon zouden aanhouden op onze dashboards.

Veel van de analyses waren gebaseerd op het bekijken van de oogbewegingen over alle dashboards. Er werden voor elk dashboard aandachtsgebieden (Areas Of Interest: AOI’s) gemaakt om aggregatie en vergelijking tussen dashboards mogelijk te maken.

Hierbij hielden we twee categorieën dashboard-AOI’s aan: dashboard elementen en het raster. Dashboard-elementen zijn de ontwerp-elementen waarvan we verwachtten dat ze visuele aandacht zouden krijgen, zoals lijndiagrammen, pictogrammen, kaarten, enz.

Wat betreft het raster werden alle dashboards gesegmenteerd in 3×3 rasters om ons in staat te stellen de neiging van kijkers te analyseren om de inhoud in een F-patroon te consumeren.

Resultaten

De resultaten van de studie lagen behoorlijk in de lijn van de verwachtingen. Veel van de uitkomsten rijmen met standaarden die we kennen uit visuele en user experience (UX) ontwerptheorieën. Er zijn echter ook een paar opvallende bevindingen te vermelden.

  1. We hebben kunnen aantonen dat mensen inderdaad de neiging hebben dashboards te bekijken op eenzelfde manier als andere digitale content zoals webpagina’s. Data geaggregeerd over alle deelnemers en dashboards suggereert een sterke neiging om de aandacht initieel te fixeren op de linkerbovenhoek en daarvandaan de aandacht met vergelijkbare waarschijnlijkheid naar rechts en naar de onderkant te verdelen. Deze gegevens ondersteunen de hypothese dat deelnemers de neiging hebben om een ​​F-patroon te volgen tijdens het bekijken van de dashboards.
  2. We hebben de aantrekkingskracht onderschat die ‘grote getallen’ op mensen uitoefenen. Grote getallen worden gedefinieerd als grote cijfers die visueel opvallen in een dashboard. We hebben de ‘tijd tot de eerste fixatie’ berekend voor alle dashboardelementen, waardoor we reacties van deelnemers op elk element konden vergelijken. Grote getallen wonnen het met één seconde (in een kijkperiode van 10 seconden) van alle andere elementen (lijnen, pictogrammen, logo’s en kaarten).
  3. Er zijn andere ontwerppatronen van toepassing op dashboards die bepaalde gedragingen lijken te ontlokken:
  • Herhalende visualisaties hebben de neiging om kijkers visueel te vermoeien.

Afnemende concentratie van boven naar beneden voor de elementen die zich herhalen op het dashboard

  • Hoog contrasterende elementen verdeeld op een dashboard kunnen helpen de aandacht te sturen.
  • Mensen besteden vaak meer tijd aan het kijken naar het bovenste gedeelte van een dashboard.
‘Design thinking’ toepassen

Met de constatering dat het mogelijk is om te voorspellen waar mensen op een dashboard zullen kijken, een paar tips om deze kennis in het dashboardontwerpproces toe te passen.

  1. Ontwerp doelbewust: de wisselwerking tussen mensen en jouw dashboard lijkt sterk op die tussen mensen en andere vormen van digitale content. Dit maakt van jou net zo goed een designer als analist. Hou daarom je gebruikers in gedachten bij het ontwerpen van hun ervaring. Stel jezelf de vraag welk verhaal je wilt vertellen over jouw gegevens op basis van wat voor de gebruikers interessant is. Weerspiegelt de ontwerphiërarchie van je dashboard deze doelen en interesses? Als dat niet het geval is, verbeteren trucjes als het vergroten of verplaatsen naar de bovenste helft van de pagina van belangrijke informatie en het opdelen van de visuele ruimte hun ervaring met je dashboard aanzienlijk.
  2. Blijf je ontwerp kritisch bekijken: behandel je dashboardontwerp alsof het een hypothese is. Neem aan dat sommige dingen echt goed werken en dat andere dingen mogelijk moeten worden verbeterd. Zoek naar manieren om deze hypothese te testen. Vraag een vriend om ernaar te kijken en gebruik het dashboard om een ​​vraag te beantwoorden. Voer een ‘squint-test’ uit op je dashboard (kijk met samengeknepen ogen zodat je zicht wazig wordt). Welke delen van het dashboard springen eruit als je ernaar kijkt? Jouw focus weerspiegelt naar alle waarschijnlijk de focus van je gebruikers.
  3. Ken je vormen: alle dashboards hebben een bepaalde vorm (kolomvormig, rij-gebaseerd, grid-gebaseerd, hybride). Bewust omgaan met deze vormen kan je beduidend effectiever succesvolle dashboardontwerpen laten bouwen. Anticipeer waarop je gebruikers hun aandacht zullen richten op basis van de vorm van je dashboard en gebruik dat in hun voordeel. Als je bijvoorbeeld weet dat ze een bepaalde key performance indicator (KPI) moeten zien en je hebt een kolomvormig dashboard gebouwd, plaats die KPI dan niet rechts of onder aan het dashboard.

Design-thinking helpt om de belangrijkste data in je dashboard ook echt de hoofdrol te laten spelen. Op die manier kan kennis en informatie optimaal met het publiek gedeeld worden en stel je hen in staat om eenvoudiger beslissingen te nemen. Design thinking is dus een krachtig instrument op weg naar data-gedreven ondernemen. Moet je binnenkort data tot leven brengen in een dashboard? Probeer bovenstaande tips dan eens uit.

Inzichten verkrijgen in data: Wordt het een CDP, DMP of marketing data warehouse?

Er komt een moment waarop het aan elkaar knopen van marketingtools middels exportbestanden niet meer voldoende is om de juiste inzichten te verkrijgen en acties te doen. Dat is het moment waarop je voor de keuze staat; wordt het een CDP, DMP of data warehouse?

Aan alledrie deze oplossingen hangt een redelijk tot stevig prijskaartje, uitgedrukt in Euro’s en uren. Het is dus belangrijk de juiste keuze te maken. Laat dit artikel jou hierbij helpen. Het is niet de bedoeling van dit artikel om je te vertellen welke oplossing beter is, wel om aan te geven wanneer je het beste een CDP, DMP of (marketing) data warehouse kunt gebruiken.

CDP, DMP, data warehouse. What the …?

Leuk, al die afkortingen en buzzwords, maar waar staan ze eigenlijk voor? Wat is het en wat kan je ermee?

Customer Data Platform (CDP)

Een customer data platform (CDP) is een oplossing waarin data van (potentiële) klanten en contacten uit verschillende systemen wordt gemodelleerd, geprofileerd en geactiveerd. Het gaat dan om data uit systemen voor advertising zoals Google AdWords of Facebook, campagne en email management systemen zoals Hubspot of MailChimp, CRM-systemen zoals Salesforce of MS Dynamics, test- en personalisatie-oplossingen zoals VWO of Optimizely, e-commerce systemen zoals Magento of Shopify, aangevuld met data uit webanalyticstools zoals Google Analytics.

Bron afbeelding: Emailvendorselection.com

Op basis van de activaties stuurt het CDP op zijn beurt deze systemen weer aan. Zo kan je bijvoorbeeld op basis van email open- en klikgedrag een contact targeten binnen Google AdWords. Klikt dit contact binnen een bepaalde periode niet op een advertentie dan wordt hij benaderd binnen Facebook. Wordt het contact klant dan ziet hij bij zijn eerstvolgende website bezoek geen wervende landingspagina meer maar branded pagina die zijn keuze bevestigt. Een beetje CDP kan voor het faciliteren van deze customer journey ook profielen verrijken met data uit onder andere data warehouses of externe bronnen.

De focus van een CDP ligt dus duidelijk op marketingacties en -activaties. Voorbeelden van populaire CDP’s zijn BlueConic, AgilOne, Datorama, QuickPivot, Tealium en WiQhit. Een CDP klinkt als de natte droom van iedere marketeer maar heeft ook nadelen. Het belangrijkste nadeel is dat de meeste CDP’s data nauwelijks tot niet opslaan maar voornamelijk profileren, uitzonderingen als Datorama en Nominow daargelaten waarbinnen data herleid kan worden naar klant/ID. Hierdoor is een CDP in het algemeen geen bron voor analyses en inzichten, en is het dus vooral een tactische en operationele oplossing.

Data Management Platform (DMP)

Een data management platform (DMP) is een oplossing waarin first-, second- en third-party audience data (cookieID’s) wordt opgeslagen en geprofileerd. Op basis van die profielen kunnen campagnes en advertenties worden opgezet en aan de juiste personen getoond. DMP’s worden vooral ingezet voor advertentiedoeleinden door publishers en hun klanten. Voorbeelden van populaire DMP’s zijn Adobe Audience Manager, BlueKai, Relay24 en SalesForce DMP.

Het belangrijkste verschil tussen een CDP en een DMP is dat een CDP werkt met herkenbare en naar personen herleidbare klant- en contactdata, en een DMP vooral met ongepersonaliseerde en niet (of lastig) naar personen herleidbare data. Daarnaast bewaart een DMP data relatief kort om een kostbare data-explosie te voorkomen.

Data warehouse (DWH)

Een data warehouse (DWH) is een oplossing die grote hoeveelheden (actuele en historische) data centraal opslaat voor met name analyses en rapportages. In tegenstelling tot een CDP en een DMP doet een data warehouse zelf niets met die data; het stelt de data alleen maar beschikbaar voor andere systemen zoals business intelligence tools.

In de praktijk worden data warehouses vooral gebouwd en onderhouden door IT teams met veel technische know-how maar weinig marketing affiniteit. Een marketing data warehouse is, zoals de naam al zegt, een data warehouse waarin vooral data wordt opgeslagen. Met moderne ETL (Extraction, Transformation en Load) tools zoals Stitch en Segment kan data uit diverse marketing tools en andere systemen in populaire data warehouses zoals Google BigQuery of Microsoft Azure worden opgeslagen. Dit geldt dus ook voor de data die verzameld wordt door campagne-, advertising-, CRM-, email-, e-commerce en webanalyticstools en systemen. Deze data is daarna beschikbaar voor strategische en tactische analyses, rapportages en dashboards in business intelligence tools zoals Power BI.

Waar een CDP nog redelijk ‘plug & play’ is, moet bij de inrichting van een marketing data warehouse toch iets meer denkwerk worden verricht. Met name de ETL-processen dienen goed te worden uitgedacht en beschreven zodat een IT team hiermee aan de slag kan, anders wordt data niet op de juiste manier verwerkt en opgeslagen en is het onbruikbaar voor marketingdoeleinden. Het beschrijven van deze processen is daarom een klus die toch echt op het bord van de marketeer ligt.

Keuze: CDP, DMP of DWH?

Wanneer kan je het beste kiezen voor een CDP, DMP of marketing data warehouse? Wat stop je in je martech stack? Uiteraard is die keuze afhankelijk van de strategie en dus voor iedere organisatie anders, maar in grote lijnen kies je een:

  • CDP als je voornamelijk marketingacties en -campagnes wilt opzetten en uitvoeren om de omnichannel customer journey van (eigen) relaties (suspects, prospects, klanten) te bevorderen;
  • DMP als je voornamelijk korte termijn advertising campagnes wilt opzetten, en beschikt over cookie data maar niet over relatiegegevens;
  • Data warehouse als je data wilt verzamelen voor strategische en tactische analyses, rapportages en inzichten.

Natuurlijk heb ik zelf ook mijn voorkeuren. Mijn ideale martech stack voor bedrijven die zelf hun klant- en contactgegevens beheren (wat voor de meeste bedrijven en organisaties geldt) bestaat uit een CDP als centrale oplossing voor inbound en outbound marketingacties en -campagnes, een data warehouse voor de opslag van die en andere actuele en historische data, en een tool als Power BI voor analyses, rapportages en dashboards.

Amazon aftroeven lukt alleen met juiste targeting van eigen data

Het recept voor Amazon’s succes in andere landen zou ook in Nederland de nekslag kunnen betekenen voor veel online retailers. Hoe kunnen zij weerstand bieden tegen de oprukkende reuzen die de markt bestormen? Het antwoord ligt vaak dichterbij dan ze zelf denken.

Amazon heeft kwaliteiten in huis die zelfs de beste online retailers nog missen. Ze verkopen alles en doen dat goed. Maar de grootste gamechanger ten opzichte van de concurrentie is de manier waarop ze hun data gebruiken en monetariseren. Andere online retailers kunnen hier een voorbeeld aan nemen.

Data is gouden handel

De wereldwijde advertentieomzet van Amazon was in 2018 een goede tien miljard euro en vormde het grootste gedeelte van hun netto resultaat. Hoewel Amazon hier nog niet heel groot is en geen omzet per land bekend maakt, kun je je voorstellen dat ook de impact op de Nederlandse markt aanzienlijk zal zijn.

Amazon is zo succesvol omdat het een perfecte beheersing heeft van de data die ze bezitten. Aan de hand van het gedrag van hun bezoekers, schat het nauwkeurig in waarnaar diegene op zoek is. Kijkt iemand op de site voor het eerst naar babykleertjes of -ledikantjes, dan weten ze dat er waarschijnlijk iemand in blijde verwachting is. Amazon kan met die data het merk Pampers de mogelijkheid geven die gebruiker te targeten op hun website, in de app of ergens anders op internet.

Het gaat niet alleen om toeleveranciers waarmee ze al zaken doen. Slim gebruik van data verbreedt de horizon enorm. Neem het voorbeeld van de klant die naar babyspullen aan het kijken is. Die zou normaal niet snel bij een autofabrikant op de radar verschijnen. Maar gezinsuitbreiding is natuurlijk een uitgelezen moment om een ruimere auto voor te stellen.

De omzet uit de verkoop van data voor advertenties stelt Amazon er vervolgens toe in staat de marges in hun webwinkel lager te houden dan de concurrentie. Bovendien kan Amazon al die data ook voor hun eigen retail gebruiken. Door gebruikers op het juiste moment het juiste product aan te bieden, verkopen ze gemakkelijker dan hun concurrenten.

Inspelen op het succes van Amazon

Veel winkeliers beschikken – soms onbewust – over een enorme berg gegevens. Ze weten precies wie hun klanten zijn, wat ze doen en wanneer ze ergens in geïnteresseerd zijn. Hun eerste uitdaging is het vinden van het juiste dataplatform om al die data te verzamelen en te combineren. Vervolgens moet die data geactiveerd worden, via alle mogelijke kanalen. Van display tot e-mail tot sms en zo verder. En tegelijkertijd is het zaak om te voorkomen dat dit allemaal zo complex wordt, dat het implementeren jaren duurt en budgetten overschrijdt. Vervolgens kunnen ze dan met die data aan de slag. Bijvoorbeeld zo:

  1. Gebruik je data om de eigen targeting te verbeteren: target je klanten met de juiste aanbieding en leer van iedere marketing campagne om de targeting nog verder te verbeteren
  2. Wanneer de klant op de website is, gebruik je data dan om aanvullende producten voor te stellen en
  3. Monetariseer je media en data in campagnes met suppliers en adverteerders.

De Casino groep in Frankrijk heeft bijvoorbeeld een heel succesvol saleshouse gebouwd, genaamd 3WrelevanC. Dit saleshouse is zo succesvol dat het nu zelfs andere uitgevers buiten de retailwereld die geen onderdeel zijn van de Casino groep heeft geïntegreerd. Zo profiteert het optimaal van een groeiende hoeveelheid data.

Besluit nu, want Amazon is nog maar het begin

De retailer wordt met slim gebruik van zijn eigen data zo een media-platform. Het is precies die aanpak die Amazon miljarden opbrengt. Als de Amerikaanse webwinkel de Nederlandse markt serieus gaan nemen, kan het hard gaan. Voor e-retailers is er geen tijd om besluiteloos te zijn. Zij moeten inzien dat de data die ze hebben de manier is om Amazon af te troeven. Ze kunnen het zich niet veroorloven te wachten, om hun data te laten verstoffen. Want wie denkt dat Amazon snel kan oprukken, kan zijn borst natmaken als Chinese e-tailer Alibaba werk gaat maken van Europa.

De ingrediënten voor een effectieve infographic [infographic]

Al enige jaren delen we in de serie Infographic Day visuals over marketing, online en social. Steeds meer bedrijven passen infographics toe om gegevens, onderzoeksresultaten en tips op een visuele manier weer te geven. De een nog mooier dan de ander. Maar wat maakt de ene infographic beter dan de ander? En uit welke elementen […]

Hoe ziet een standaard authenticatieproces er in de praktijk uit?

Consolidatie van authenticatie bij een paar belangrijke partijen kan ons online leven een stuk makkelijker en veiliger maken: Consumenten volgen een bekend authenticatiepatroon, en komen daardoor minder onaangename verrassingen tegen. Overigens bestaan er al een aantal digitale identiteiten. Een voorbeeld hiervan is DigiD. Het introduceren van een breder toepasbare digitale identiteit is een uitgelezen kans voor banken.

PSD2 geeft wie toegang tot wat?

We lezen in deze periode vlak voor de deadline, erg veel over PSD2. Er klinken veel geluiden, om niet te zeggen waarschuwingen. Door de betalingsrichtlijn zijn banken verplicht de klantaccount-data beschikbaar te stellen voor derde partijen als consumenten dat willen. Zulke derde partijen kunnen fintech start-ups zijn, maar ook grootmachten zoals Apple, Amazon of Facebook.

Bijzonder aan het verhaal over PSD2 is het authenticatieproces. De nieuwe wet maakt het namelijk mogelijk om authenticatie voor social media en shopping accounts te consolideren naar een digitale identiteit. Een voorbeeld: stel, een consument logt in bij een webshop. Nu moet daarvoor nog een gebruikersaccount worden aangemaakt, met bijbehorend wachtwoord. Het is met PSD2 mogelijk om webshops te linken aan de bankrekening van de consument. Zo kan de consument met een klik op de knop inloggen met dezelfde systematiek die hij gebruikt om zich te identificeren bij zijn bank. Dit dringt het aantal gebruikersnamen en wachtwoorden enorm terug. Kortom, gebruikersvriendelijkheid en veiligheid kunnen prima samen.

Nu roept dit voorbeeld voor velen de vraag op of het dan niet erg is dat webshops toegang krijgen tot bankgegevens. Dit is een misvatting; de informatieflow loopt precies andersom. De webshop krijgt je authenticatiegegevens en eventuele bankgegevens helemaal niet te zien. Bij het inloggen word je gewoon even naar de website van de bank geleid om daar in te loggen volgens een bekend systeem, net zoals nu bij iDeal betalingen ook al gebeurt. De bank geeft slechts een seintje aan de webshop na authenticatie dat de persoon die inlogt inderdaad de persoon is die hij beweert te zijn.

Digitale identiteit beschermen en beheren

Laten we de hypothetische authenticatiemethode uit het voorbeeld voor het gemak BankID noemen. Wanneer een consument inlogt op een webshop, krijgt hij of zij de optie om via BankID in te loggen. In de vorm van een pop-up verschijnen vervolgens de bankgegevens, vergelijkbaar met wanneer we een aankoop doen via iDeal. Hier kunnen consumenten dan aangeven of ze BankID willen gebruiken om in te loggen op de webshop en tot welke gegevens deze dan toegang mag hebben. Om dit proces te voltooien is dus expliciete goedkeuring nodig, precies zoals de PSD2 voorschrijft.

Een dergelijke vorm van centrale authenticatie maakt ook het centraal beheren van wie je gegevens heeft veel makkelijker. Binnen dit systeem kunnen consumenten alle webshops en social mediasites terugvinden waarop ze met BankID in kunnen loggen en welke gegevens ze toegankelijk hebben gemaakt voor die derde partijen. Ze kunnen daar dan kiezen of ze het delen van hun gegevens willen intrekken met een aan/uit schakelaar.

Gehoor geven aan consumentvertrouwen

Langzaam maar zeker zal de vraag naar een overkoepelende digitale identiteit steeds toenemen onder consumenten. Het is een kwestie van tijd voordat spelers oplossingen gaan lanceren om dit gat in de authenticatiemarkt te vullen. Sterker nog, er zijn al een aantal overkoepelende oplossingen beschikbaar, zoals DigiD van de Nederlandse overheid. Toegegeven, deze oplossing kan nog wat gebruiksvriendelijker gemaakt worden en is beperkt bruikbaar, namelijk alleen voor het inloggen op overheidswebsites.

Om een overkoepelende digitale identiteit te maken die bruikbaar is voor alle social media en webshops, is het belangrijk dat consumenten de partij door en door vertrouwen. Als consumenten mochten kiezen, zouden ze dan liever een tech-gigant zoals Apple, een kleine fintech start-up of een bank vertrouwen met hun digitale identiteit? We weten dat banken in Nederland op het gebied van vertrouwen nog een kleine voorsprong hebben als het gaat om consumentvertrouwen. Het is belangrijk om daar gehoor aan te geven en op te zinspelen. Bovendien behouden banken op deze manier een competitief voordeel. Met de verschuivingen in de betaalmarkt en de intrede van nieuwe innovatieve spelers op de betaalmarkt, is de rol van banken als geldbewaarder niet meer onverwoestbaar. Door te blijven innoveren op het gebied van authenticatie, versterken banken hun vertrouwenspositie in de markt.

De GDPR beperkend? Het maakt online juist persoonlijker

Met de handhaving van de General Data Protection Regulation (GDPR) in de Europese Unie ligt dataverzameling aan banden. Reden voor paniek bij bedrijven die zich richten op big data-analyses en customer experience management? Juist niet. De GDPR biedt een uitgelezen kans om online persoonlijker te maken.

In een tijd waarin (persoonlijke) data een van de belangrijkste productiefactoren vormt, deed de komst van privacywetgeving in de EU de online industrie schrikken. ‘Wat als we niet meer data kunnen verzamelen zoals we dat al jaren deden?’

Je kunt beargumenteren dat beperkingen in dataverzameling en -gebruik online vooruitgang tegenhoudt. Maar in de praktijk had de invoering van GDPR niet veel later moeten zijn. Want net zoals de razendsnelle technologische ontwikkeling tijdens de Industriële Revolutie in de negentiende eeuw leidde tot sociale misstanden en armoe, zo is er dankzij de ‘datarevolutie’ ook scheefgroei ontstaan. Onze persoonlijke gegevens vertegenwoordigen een significante waarde, maar het is als een vrij goed verzameld door slimme bedrijven die nauwelijks verantwoording naar ons hoefden af te leggen.

Investeren of manipuleren?

Al die data is verzameld onder de noemer personalisatie, customer experience management. De online industrie creëerde talloze klikpaden en gegevensformulieren om maar zoveel mogelijk data te verzamelen. Al die technische dataverzameling en -toepassing heeft bij de meeste bedrijven namelijk nooit geleid tot ingrijpende personalisering of gemak voor de online gebruiker. Daarvoor ontbrak wellicht de vaardigheid of de financiële slagkracht bij deze bedrijven. Toch bleven zij gegevens verzamelen en opslaan, zonder het voornemen om deze data daadwerkelijk te investeren in personalisatie. De consument maakte zich er ondertussen niet heel druk om, dacht veelal ‘ach, die data verzamelen ze om advertenties beter te targeten, daar heb ik niet veel problemen mee.’

Maar behalve voor reclamedoeleinden, gebruikten Facebook en Cambridge Analytica data ook ergens anders voor. Hun belofte: we use data to change audience behaviour. Dat is exact wat er gebeurde in het Cambridge Analytica-schandaal, waar persoonlijke data is gebruikt voor politieke doeleinden. Dit toont het kwetsbare evenwicht aan tussen het creëren van engagement vanuit data en die data gebruiken om te verleiden, te misleiden of te manipuleren. Geen wonder dat het vertrouwen bij de consument nu geschaad is. De GDPR had niet veel later moeten zijn.

Kansen

Men is zich ervan bewust dat de persoonsgegevens die we online achterlaten misbruikt kunnen worden. Dat brengt ons bij de kansen die de invoering van de GDPR biedt. In feite benadrukt deze wetgeving dat privacy iets is dat je als organisatie expliciet moet meenemen in je ontwerpproces. Ja, het is jammer dat er Europese regelgeving nodig is om de online industrie zover te krijgen. Maar het helpt de excessen uitroeien. Bovendien, door privacy te bekijken als een proces dat je doorloopt mét de consument, ontstaan nieuwe kansen. De GDPR dwingt bureaus en bedrijven om weer interesse te tonen in de personen áchter de persoonsgegevens. En dat sluit naadloos aan bij de personalisatie die we als industrie voor ogen hadden. We gaan weer terug naar de tekentafel, gaan interesse tonen in onze klanten. En komen met nieuwe producten die ook de consument laten nadenken over de gegevens die zij wél willen delen en waarvoor.

Privacy versus gemak

Een simpel voorbeeld is de zoekmachine. De bekendste is natuurlijk Google. Google koppelt gegevens die het verkrijgt via Gmail, de zoekbalk en Google Maps en gebruikt dat. Bijvoorbeeld om het jou makkelijker te maken als je zoekt op ‘kapper’, door kappers bij jou in de buurt bovenin de zoekresultaten te zetten. Tegelijkertijd verkoopt Google advertentieruimte aan bedrijven en krijg jij deze ‘gepersonaliseerde’ advertenties te zien. Handig? Je geeft daarvoor wel een deel van je privacy op. Google weet van jouw interesses en verkoopt die kennis in de vorm van advertentieruimte voor bedrijven die jou als ideale koper zien. Een tegenhanger van Google is de anonieme zoekmachine Duckduckgo (‘de zoekmachine die je niet volgt’). Deze zoekmachine slaat geen gegevens van je op. Maar daarmee lever je wel weer een stuk gemak in. Duckduckgo weet bijvoorbeeld niet dat je in Groningen woont. Dus als jij zoekt op ‘kapper’ kunnen de eerste zoekresultaten zich allemaal ver buiten jouw regio bevinden – van Amsterdam tot aan Maastricht. Als jij alle feiten weet, waar kies jij dan voor?

Privacy als onderdeel van je designproces

Het gebruiken en vrijgeven van data dwingt de individu om na te denken. En dat lijkt tegenstrijdig. Want online willen we snel, intuïtief handelen. Algemene voorwaarden worden in luttele seconden geaccepteerd – we hebben helemaal geen zin om die saaie zinnen door te spitten. Bovendien, is de gedachte, de voorwaarden zijn toch altijd overal hetzelfde?

Het is dus aan bedrijven om de verantwoordelijkheid te nemen. Om in een transparante dialoog helder te krijgen:

  • Welke data wil de consument met mij delen
  • En.. voor welke toepassingen?

Daarvoor móét je met doelgroepen in gesprek. En de basis is: ‘Met data A en B kan ik jou service X bieden. Ben je dan bereid om die data te geven?’

De organisatie moet data daarbij zien als een product waar het voor betaalt. En de gebruiker die de data afstaat, moet goed geïnformeerd zijn waarvoor de data gebruikt wordt en een weloverwogen keuze maken om dit wel of niet toe te staan. In mijn optiek is dat het beste om in direct contact te doen. Want online willen mensen niet geconfronteerd worden met ingewikkelde teksten over privacy. En bovendien, hoe kan personalisatie nu echt effectief zijn als je de vragen stelt vanaf een beeldscherm – letterlijk en figuurlijk op lichtjaren afstand?

‘De nieuwe online wereld’

Veel bedrijven focussen zich op de beperkingen die de GDPR oplegt. Maar waarom kijken we niet naar de kansen? Ja, je zult beter moeten toelichten waarom je bepaalde gegevens opslaat, en wat de persoon daarvoor in ruil terugkrijgt. Maar daardoor ontstaat een eerlijke ruil en kunnen consumenten hun vertrouwen in je online dataverwerking weer hervinden.

Derk Arts (Castor): ‘Beter ontsluiten van data moet medisch onderzoek verbeteren’

Welk medicijn een dokter voorschrijft wordt onder meer bepaald door medisch onderzoek. ‘Wij faciliteren elke medische onderzoeker in de wereld om hele hoge kwaliteit data te verzamelen die ze dan kunnen analyseren en daar dan een paper over kunnen schrijven. Dat leidt dan uiteindelijk tot de richtlijn van de huisarts, zodat patiënten de juiste behandeling krijgen. Wij zijn één van de weinige systemen in de wereld die professionele kwaliteit bieden tegen een betaalbare prijs”, aldus Derk Arts oprichter en CEO van Castor EDC bij Top Names.

Hoe je de impact van prospecting campagnes kunt meten

Veruit de meest gevoerde discussie binnen het displaylandschap gaat over de toegevoegde waarde van een display of video prospecting campagne. De markt is op zoek naar inzichten in het effect van deze campagnes, maar dit is nog moeilijk te meten. Gelukkig biedt de ‘first interaction floodlight’ hierin perspectief.

Wat betreft prospecting campagnes is concrete attributie moeilijk inzichtelijk te krijgen. Wel is het mogelijk om het indirecte effect van prospecting campagnes te meten. In dat geval gaat het over het ‘uplift effect’ (in de vorm van verkeer en/of conversies) van een display impressie op het betaalde, organische en directe verkeer. Door middel van de ‘first interaction floodlight’ kan het indirecte effect worden gemeten door inzichtelijk te maken welk gedeelte van het verkeer en de conversies er niet was geweest als er geen display campagne had gedraaid.

Hoe werkt de first interaction floodlight?

Stel, iemand ziet een banner voorbij komen, maar besluit op dat moment om niet te klikken. Binnen één dag na het zien van de banner besluit deze persoon om alsnog de website van de adverteerder te bezoeken. Op het moment dat deze persoon de website bezoekt, vuurt de ‘first interaction floodlight’ af. Zoals de naam al zegt vuurt deze floodlight enkel af wanneer een nieuwe bezoeker de website betreedt en dan alleen op de eerste pagina die wordt bezocht. Via variabelen meet je mee via welke verkeersbron (bijvoorbeeld Paid Search, Organic, Direct etc.) dit nieuwe verkeer binnenkomt.

Door deze floodlight te koppelen aan je prospecting campagnes kan inzicht worden verkregen in hoeveel verkeer er binnen is gekomen via een bepaalde bron ná het zien van een video of banner. Dit kan worden gezien als de uplift in de website traffic, wat er niet was geweest als er geen prospecting campagne had gedraaid.

De mogelijkheden van de first interaction floodlight

Met first interaction floodlight is het mogelijk klanten beter inzicht te geven in de toegevoegde waarde van een display of video prospecting campagne. Dit kan door de klant per kanaal de aantallen te laten zien van de geactiveerde nieuwe gebruikers die de website hebben bezocht na het zien van een display impressie. Ervan uitgaande dat het conversie ratio en de gemiddelde orderwaarde per kanaal gelijk blijft, heeft de klant inzicht in de toegevoegde waarde in termen van ROAS.

Wat is het verschil met een post-view conversie?

Uiteraard zijn er al effecten die gemeten kunnen worden. Denk bijvoorbeeld aan een post-view conversie. Dit laat bijvoorbeeld zien hoeveel (sub)conversies er binnen X dagen na een prospecting impressie gerealiseerd worden op de website van de adverteerder. Wat dit echter niet laat zien, is via welk kanaal deze conversie tot stand komt. Het voordeel in de ‘first interaction floodlight’ zit hem daarom in het aantonen van de extra traffic die je realiseert, bovenop je directe klikken. Ook kun je meer inzichten verkrijgen door aan te tonen op welk kanaal je de meeste impact maakt. Als laatste kun je diepere analyses maken op creatieen placement niveau, door te kijken welke formaten en placements de meeste totale traffic (post-view en direct) naar de website van je klant sturen.

Het resultaat

Door het toevoegen van deze floodlight aan een prospecting campagne, krijg je inzichtelijk hoeveel extra verkeer er is gerealiseerd, bovenop de directe traffic uit de display prospecting campagne. Een voorbeeld case toont met het gebruik van deze floodlight aan dat er negen procent meer traffic is gerealiseerd dan wanneer we enkel naar de directe clicks uit de prospecting campagne zouden kijken. Ook is met de inzichten uit de ‘first interaction floodlight’ aangetoond dat de impact van een billboard en halfpage ad, met vijftig procent uplift in traffic vele malen hoger ligt dan IAB formaten (10-20 procent uplift).

De ‘first interaction floodlight’ bewijst haar meerwaarde voor prospecting campagnes op vele vlakken, samengevat is dit wat je ermee kunt:

  • Impact van display en video inzichtelijk krijgen op de verschillende kanalen, door uit te lezen via welke bron het nieuwe verkeer binnen komt.    
  • Het verschil meten in het indirecte effect van video vs. display
  • Het verschil meten in het indirecte effect van high impact formaten vs. kleinere IAB formaten.
  • Het verschil meten in het indirecte effect van interactieve/geanimeerde formaten vs. statische formaten.
  • Op zoek naar het totale effect van meerdere kanalen in je marketing mix.

Pro tip: het event dat gekoppeld is aan de floodlight kan natuurlijk ook aan pixels van andere prospecting kanalen worden gekoppeld voor vergelijkbare inzichten.

Strakker optimaliseren

Is de ‘first interaction floodlight’ het gouden ei? Nee, dat nog niet. Maar het is een goede manier om meer inzichten te krijgen in de impact van prospecting campagnes op totale traffic. Door dieper in te duiken op het indirecte effect van een impressie kunnen interessante learnings naar boven komen die helpen je campagne strakker te optimaliseren op verschillende niveaus. Daarnaast toon je aan wat de uplift van prospecting via display is op verschillende kanalen. Dit helpt om de toegevoegde waarde van prospecting via display campagnes beter aan te kunnen tonen. Daarnaast helpt het om een betere afstemming te vinden tussen meerdere kanalen zodat de combinatie tot meer resultaat leidt.

Machine learning in forensische markt: Crimineel met prepaid telefoon is niet meer anoniem

Voor criminele activiteiten worden vaak prepaid telefoons gebruikt. Het Nederlands Forensisch Instituut (NFI) spoort op basis van machine learning de gebruikers van deze – anonieme – telefoons op. Boeven vangen nieuwe stijl.

“We doen dat via de likelihood ratio-methode die is gebaseerd op de regel van Bayes”, stelt Sander Dalm, data scientist bij het NFI. Maar hoe leidt zo’n ingewikkelde methode gebaseerd op kansberekening tot het vangen van boeven met de burner phones die we allemaal wel kennen uit misdaadseries en -films?

Grote hoeveelheden digitale informatie vormen steeds meer een bron van forensisch bewijsmateriaal. Om patronen in deze gegevens te vinden, maakt het NFI onder meer gebruik van machine learning algoritmen om bewijs te evalueren. Op basis van locatiegegevens kan worden bepaald of mobiele telefoons van dezelfde persoon of van verschillende personen zijn. Daarmee is het ook mogelijk om een anonieme prepaid telefoon te koppelen aan een ander gsm.

“Bij criminele activiteiten wordt vaak gebruikgemaakt van een – anonieme – prepaid telefoon”, vertelt Sander Dalm. “Op basis van de likelihood ratio-methode kunnen we bepalen of de bewegingspatronen van verschillende telefoons een aanwijzing geven dat ze mogelijk dezelfde gebruiker hebben. Dankzij algoritmen kunnen we bepalen of een bewegingspatroon beter past bij telefoons van dezelfde gebruiker of beter past bij onafhankelijke telefoons. We maken daarbij onder meer gebruik van gps en telefoonmasten.”

Bayesiaanse model

Tegenwoordig streven forensische instituten zoals het NFI ernaar de bewijskracht, op basis van datasets en statistische modellen, numeriek te onderbouwen. Voor onderbouwing van hun rapporten maken onderzoekers gebruik van zogenoemde likelihood ratio’s, waarmee ze een uitspraak doen over de bewijskracht van resultaten van forensisch vergelijkingsonderzoek.

Dalm: “Daarbij wordt uitgegaan van een hypothese, oftewel hoeveel waarschijnlijker zijn deze resultaten onder de ene hypothese ten opzichte van een andere?” Een methode die is gebaseerd op het Bayesiaanse model, genoemd naar de Engelse dominee Thomas Bayes, die in de 18e eeuw een eenvoudige wiskundige formule over waarschijnlijkheid beschreef. “Toegepast op forensisch onderzoek beschouwt de regel van Bayes de verhouding van de waarschijnlijkheid van het bewijs onder twee hypothesen. Is deze verhouding tien tegen één, dan past het bewijs tien keer beter bij de ene dan bij de andere hypothese. Daarbij is de verhouding van de waarschijnlijkheden te beschouwen voordat bepaalde onderzoeksresultaten bekend zijn.”

De toepassing van deze methode roept wel vragen op. Zoals hoe rechters omgaan met deze – nieuwe – vorm van resultaatsbepaling. Dalm: “Het trainen van rechters op het gebied van statistiek en hoe ze dit moeten gebruiken zou een goed idee zijn. Het is een nieuwe methode die rechters goed moeten kunnen interpreteren om tot de juiste uitspraak te kunnen komen.”

Verbeteren efficiency en optimaliseren werkprocessen

Ook door PA Consulting wordt data science ingezet om bij organisaties onder meer de efficiency te verbeteren en de werkprocessen te optimaliseren. Willem van Asperen, directeur Applied Artificial Intelligence bij PA: “Bij een callcenter kunnen ze nu bijvoorbeeld op basis van de tone of voice voorspellen of een klant tevreden of niet tevreden is en hun call-agents trainen om gesprekken anders in te steken. En een pensioenverzekeraar krijgt bijvoorbeeld een signaal als een van de bedrijven waarin ze investeren mogelijk slecht in het nieuws komt. Daar kunnen ze op voorsorteren, zodat ze niet overvallen worden. En zo zijn we met heel veel mooie projecten bezig.”

Tegelijkertijd waarschuwt Van Asperen dat momenteel de mogelijkheden van data science worden overschat. “Ik bespeur een tendens waarin men een beetje is doorgeslagen. Alles lijkt mogelijk, maar dat is niet zo. Van niets kun je immers ook niks maken.” Daarnaast blijft het de crux om ontwikkelde methoden praktisch toepasbaar te maken, benadrukt hij. “Veel ontdekkingen in ons vakgebied zijn in open source ontstaan, in de community. Dat heeft heel veel veranderd en zorgt ervoor dat we nu in een hoog tempo aan het ontwikkelen zijn.”

Zo werkt het verrijkend en probleemoplossend vermogen van feedregels en aanvullende feeds

Het zou soms ontzettend handig zijn om volwaardig developer te zijn – maar in de meeste gevallen zijn marketeers dit niet. Gelukkig hoef je niet afhankelijk te zijn van datafeed management tools of developers. Met feedregels en aanvullende feeds binnen jouw Merchant Center account kun je al een heel eind komen. met deze toepassingen kom je verder.

Herken jij het frustrerende gevoel dat je als e-commerce marketeer optimalisaties wil doorvoeren in een shopping feed, maar dit met geen mogelijkheid op korte termijn voor elkaar krijgt? Je hebt geen datafeedmanagement tool tot je beschikking en de wachtrij bij de technische partij is zó lang dat je alsnog weken of máánden moet wachten op je verbeteringen. En ondertussen sukkelen de shopping campagnes door, terwijl jij zo veel kansen ziet om het rendement flink op te krikken. 

De quick wins

We beginnen gemakkelijk. Feedregels zijn ideaal om kenmerken die niet worden meegestuurd in je datafeed alsnog te vullen. Of om ze te verrijken. Dus je kunt hier heel gemakkelijk een aantal quick wins mee pakken. Onderstaande voorbeelden zijn vrij eenvoudige toepassingen die al veel toegevoegde waarde kunnen bieden:

Kenmerken ophalen vanuit andere kenmerken

Vaak kun je vanuit titels of omschrijvingen kenmerken zoals merk, geslacht of kleur ophalen om een ander kenmerk mee te vullen. Mis je bijvoorbeeld het kenmerk merk? Kijk dan eens of de merknamen in de titel terugkomen. Zo ja, dan kun je met de functie ophalen de merken vanuit de titel ophalen en als kenmerk merk gebruiken. In onderstaand voorbeeld worden een zestal merknamen vanuit de titels opgehaald en ingevuld als waardes voor merk. Wanneer een titel dus één van die zes termen bevat, zal de feedregel ervoor zorgen dat het kenmerk merk wordt ingesteld op de opgehaalde waarde. Bijvoorbeeld: wanneer een product de naam ‘Nike dry-fit hardloopshirt zwart’ heeft, wordt voor dit product de term ‘Nike’ opgehaald en ingevuld bij merk:   

Voorbeeld 1: Merknamen ophalen vanuit de titel om het kenmerk merk te vullen

Kenmerken opschonen

Gekke tekens (of HTML-tags) kun je in een handomdraai uit de kenmerken krijgen middels zoeken en vervangen. Je vervangt de html-code daarbij met een lege waarde:  

Voorbeeld 2: HTML-tags uit een kenmerk filteren

Zoektermen toevoegen in titels en omschrijvingen

Met feedregels kun je heel gemakkelijk aanvullingen doen aan bestaande kenmerken. Zo kun je zoektermen die belangrijk zijn in je titel en omschrijving plaatsen. Zo word je beter gevonden op die termen! Je kunt dit doen met de functie zoeken en vervangen waarbij je een zoekterm met lager zoekvolume vervangt door een zoekterm met hoger zoekvolume (bijvoorbeeld: ‘stoel voor buiten’ vervangen door ‘tuinstoel’). Bevat je titel of omschrijving geen termen om te vervangen? Dan kun je termen vooraan of achteraan invoegen. Je kunt ook een ander kenmerk zoals kleur achteraan je titel of omschrijving toevoegen, om de titel verder te specificeren:

Voorbeeld 3: De titel verrijken door de kleur achteraan in te voegen

Geen productomschrijving in je feed? Stel een soort omschrijving-template op met een combinatie van bestaande kenmerken en koppelwoorden of zinsdelen. Om het zo passend mogelijk te houden kun je een template per productcategorie opstellen. Door voorwaarden (bijvoorbeeld productcategorie = fietshelmen) op een regel toe te passen, zorg je dat de template alleen bij die specifieke categorie (in dit voorbeeld: fietshelmen) wordt toegepast. In het voorbeeld hieronder kan een omschrijving worden: ‘Abus Hyban Fietshelm Zwart. Geschikt voor heren. Fietshelm van hoogwaardige kwaliteit. Ideaal voor de recreatieve fietser. Verkrijgbaar in diverse maten en kleuren.Een productomschrijving toevoegen

Voorbeeld 4: Een omschrijving-template opgebouwd uit kenmerken en zinsdelen

Met de mogelijkheid om binnen kenmerken bepaalde woorden op te halen, vooraan- of achteraan in te voegen, te combineren, te vervangen of of te standaardiseren kun je dus al veel verbeteringen doorvoeren om de kwaliteit van je productdata te verhogen. Maar daar blijft het niet bij qua mogelijkheden.

Problemen oplossen met feedregels

Wist je dat je met feedregels ook afkeuringen kunt oplossen? Dat is ideaal, want dit kun je prima zelf zonder hulp van andere partijen. Een greep uit een aantal probleemoplossingen:

Ongeldige GTIN’s vanwege toevoegingen

Wij zien nogal eens dat producten afgekeurd worden door een ongeldige GTIN, omdat er bijvoorbeeld koppeltekens in staan, of een toevoeging achter de GTIN staat. Deze toevoegingen kun je vaak eenvoudig uit de GTIN’s filteren met de functie zoeken en vervangen. Ook hier vervang je de waarde door niks.

Voorbeeld 5: De toevoeging ‘-0’ achter GTIN’s verwijderen

Ongeldige GTIN’s van eigen producten

Dit komt ook nog wel eens voor bij zelf-geproduceerde, unieke producten. Voor deze producten zorg je ten eerste dat je een feedregels maakt waarmee je de GTIN voor deze producten instelt op een lege waarde (je moet hier iets invullen, dus vul een spatie in). Vervolgens zet je via een tweede feedregel het kenmerk id bestaat op nee. Stel daarbij de voorwaarde dat id bestaat alleen op nee wordt ingesteld wanneer de GTIN géén waarde heeft, zoals in de screenshots hieronder. Hiermee voorkom je dat id bestaat voor alle producten op nee wordt ingesteld, wat nieuwe problemen veroorzaakt.

Voorbeeld 6: GTIN’s van eigen-merk producten instellen op een lege waarde

Voorbeeld 7: Het kenmerk Id-bestaat op ‘nee’ zetten voor producten zonder GTIN

Verkoop je ook showmodellen of tweedehands items? En wil je die niet in je shopping campagnes opnemen, maar staan ze wel in de feed? Grote kans dat in de titel of omschrijving van deze producten een gemeenschappelijke term staat (zoals demomodel, of tweedehands). Sluit deze uit van shopping campagnes via een feedregel op uitgesloten bestemming, waarbij je de producten filtert op basis van de gemeenschappelijke termen. Zoals het voorbeeld hieronder. Met deze regel voorkom je dat je demo- of tweedehands producten in shopping advertenties worden getoond.

Show- en demomodellen uitsluiten

Voorbeeld 8: Show- en demomodellen uitsluiten van shopping campagnes

(Her)structureer je shopping campagnes met feedregels

Een ander probleem: een feed zonder producttypes en een backend waar producttypes (nog) niet als attribuut bij producten staan. Ook dat is snel opgelost dankzij feedregels! Op basis van (combinaties van) gemeenschappelijke kenmerken of termen kun je namelijk producten filteren, en vervolgens producttypes toekennen aan producten. Als verfijning kun je juist ook andere termen uitsluiten. Eigenlijk heel simpel dus.  

Voorbeeld 9: Producttype instellen op basis van termen in productitels

Lastiger wordt het wanneer de producttypes wél al in de feed staan, maar niet zoals je wil. Én wanneer die producttypes al in gebruik zijn door shopping campagnes, die je niet allemaal in één keer wil omgooien. Dat wil je stapsgewijs doen, zodat je het beter kunt monitoren en bijsturen. In dat geval bieden custom labels een uitkomst. Op basis van custom labels kun je een hele nieuwe shopping structuur opbouwen, zonder bestaande shopping campagnes te beïnvloeden. Je moet wel een beetje creatief zijn in het inrichten van de custom labels. Met name met het invullen van de waarden binnen custom labels kan wat creativiteit vragen. Breng in ieder geval eerst in kaart hoe je producten wilt groeperen voor de gewenste shopping structuur.

Een voorbeeld kan dit verduidelijken. Laten we een fictieve fietsenzaak nemen. Een nieuwe shopping structuur kan er dan zo uitzien:

  • Custom label 0: Type aandrijving (elektrische fietsen, niet-elektrisch)
  • Custom label 1: Type product (bijv. omafiets, bakfiets, mountainbike, racefiets, accessoires voor bagage, veiligheidsaccessoires, fietsonderdelen etc)
  • Custom label 2: Frametype (damesfiets, herenfiets, jongensfiets, meisjesfiets, lage instap, etc)
  • Custom label 3: Framemateriaal (aluminium, carbon, etc)

Vervolgens ga je de custom labels inrichten. Dat kun je op verschillende manieren doen. Bijvoorbeeld door waardes op te halen vanuit andere kenmerken. In het voorbeeld hieronder willen we custom label 1 invullen met waardes voor type product. In dit geval komen in de producttitels de verschillende producttypes terug. Maak een lijstje van de producttypes. Maak vervolgens een feedregel voor custom label 1, en haal met de functie ophalen de producttypes op zodat ze als waardes voor custom label 1 worden ingevuld.

Voorbeeld 10: Aangepast label 1 vullen met waardes die opgehaald worden vanuit producttitels

Een tweede voorbeeld. Hier ga je custom label 0 (type aandrijving) inrichten op basis van een voorwaarde. Bevat de titel de term ‘elektrisch’, dan wil je dat type aandrijving wordt ingevuld met ‘Elektrische fiets’: En bevat de titel juist niet de term elektrische, dan zou je daar ‘Manuele aandrijving’ kunnen instellen. Elk product krijgt op die manier één van de twee opties toegekend.

Voorbeeld 11: Aangepast label 0 instellen op een specifieke waarde wanneer aan de gestelde voorwaarde wordt voldaan

Zodra je al je custom labels hebt ingevuld kun je – na het doorvoeren van deze regels – bij het uitsplitsen van je shopping campagnes ook de aangepaste labels gebruiken om de product onderverdeling te maken of te optimaliseren.

De kracht van aanvullende feeds

Ook met aanvullende feeds, of een combinatie van aanvullende feeds en feedregels kun je waardevolle dingen voor elkaar krijgen. Met een aanvullende feed kun je extra gegevens toevoegen aan jouw bestaande shopping feed. Een aanvullende feed hoeft niet meer te zijn dan een Google Sheet. In het Merchant Center kun je deze gemakkelijk toevoegen en linken aan je primaire feed(s). De producten in de verschillende feeds worden gematcht op basis van hun ‘id’. Hieronder staan een tweetal situaties beschreven waarin feedregels en/of aanvullende feeds in de praktijk heel handig zijn gebleken.

Omschrijvingen aanvullen vanaf de productpagina

Stel je hebt een feed waarin geen omschrijvingen staan. Op de productpagina’s staan deze wel. De simpelste oplossing (om een soort template toe te passen zoals eerder in dit artikel beschreven) is hierbij niet voldoende. Het gaat namelijk om IT-producten waarbij de specificaties juist belangrijk zijn en waarop ook veel gezocht wordt (dus dit zijn zoektermen die je in je omschrijving wilt laten terugkomen, zodat je producten daarop gevonden worden). Voor deze situatie is een aanvullende feed interessant.

Maak een aanvullende feed (dit kan gewoon een Google Sheet zijn) waarin je koppen titel id en omschrijving opneemt. De producttitels en id’s vul je alvast in (bijvoorbeeld vanuit je feed). Voeg per product de omschrijving toe via een import-xml functie, met behulp van een API, of copy-paste ze handmatig. Copy-pasten is het gemakkelijkst, vooral wanneer het om weinig producten gaat of wanneer je het eerst bij pak-en-beet de top 50 producten wil uittesten. Voeg vervolgens de aanvullende feed toe in je Merchant Center en zorg dat de omschrijving vanuit de aanvullende feed wordt opgehaald met een feedregel (vaak is een feedregel niet eens nodig en haalt het MC de omschrijving vanzelf op wanneer er geen waarde is voor omschrijving – mits de aanvullende feed gelinkt is aan de primaire feed).

Voorbeeld 12: Beschrijving wordt automatisch aangevuld met de beschrijvingen uit de aanvullende feed

Voorraadstatus van uitverkochte items bijwerken via een aanvullende feeds

Oke, deze is iets ingewikkelder en er komt nog wat meer handmatig werk bij kijken. Het probleem: uitverkochte items blijven in de shopping feed doorkomen. Het probleem wordt veroorzaakt doordat de voorraadstatus van een configureerbaar product niet wordt bijgewerkt naar ‘uitverkocht’ wanneer alle onderliggende simpele producten uitverkocht zijn. Daardoor worden shoppings ads vertoond van uitverkochte items. Dat resulteert uiteraard in een tranentrekkend conversieratio en een laag rendement. Terwijl wordt gezocht naar een (duurzame) oplossing voor dit probleem, hebben we een tussentijdse oplossing om de probleemgevallen in ieder geval in één keer uit alle shopping campagnes te filteren.

Via de Google Tag Manager maak je een Analytics-event aan (zie de screenshot hieronder). Dit event wordt getriggerd wanneer de tekst ‘uitverkocht’ wordt gedetecteerd op de productpagina (dit detecteren we met een aangepaste JavaScript-macro variabele – die moet je ook nog opzetten). In het event wordt de gebeurtenis-actie ingesteld op ‘uitverkocht + {productnaam}, waardoor je in de events-lijst een overzicht krijgt van uitverkochte producten die klikken ontvangen vanuit shopping advertenties. Zorg dat je alleen cpc-verkeer vanuit shopping campagnes opneemt in de Analytics-rapportage.

Voorbeeld 13: Google Analytics event ‘Uitverkocht in Analytics’ waarmee je een productlijst kunt opvragen met uitverkochte artikelen die klikken vanuit shopping ontvangen

Je hebt nu dus een lijst van producten die je uit de shopping advertenties wilt weren. Die producten plaats je in een aanvullende feed waarbij je in de koppen ‘titel’, ‘id’ en ‘beschikbaarheid’ opneemt. Een screenshot van de opzet van de feed zie je hieronder. De titel en id vul je zelf in, en de beschikbaarheid zet je voor elk uitverkocht item op niet op voorraad. Voeg de aanvullende feed toe in je Merchant Center en koppel deze aan de primaire feed(s). Haal de feed automatisch op, ná de primaire feed(s). De voorraadstatus vanuit de aanvullende feed zal de waarde uit de primaire feed overschrijven. De status komt te staan op ‘uitverkocht’ en de items worden niet meer getoond in shopping campagnes.

Voorbeeld 14: Een voorbeeld van een aanvullende feed om de voorraadstatus van producten op ‘niet op voorraad’ te zetten

Het kost even tijd om dit op te zetten, maar als je zeer beperkt bent in support vanuit developers is dit -ondanks wat manueel werk- een fijne tussentijdse oplossing.

Tot slot: testen!

Bovenstaande toepassingen zijn slechts een greep uit alle mogelijkheden die feedregels en aanvullende feeds bieden om snel problemen op te lossen, de productdata voor je shopping campagnes te verbeteren, of shopping campagnes beter in te richten en te optimaliseren. Ga ermee aan de slag, ben creatief en experimenteer met alle mogelijkheden. Nog één tip om mee af te sluiten: zorg dat je je wijzigingen eerst goed test voordat je ze doorvoert. Zo voorkom je dat je per ongeluk véél te veel producten bewerkt, of nieuwe problemen veroorzaakt die je niet zag aankomen.

Digital food: Digitalisering verandert relaties en productontwikkeling

Producten zijn data. Waar ze vandaan komen is data. Hoe ze door de keten reizen is data. Klanten zijn data. Wie al die gegevens gaat gebruiken, brengt een proces van diepgaande verandering in de voedselketen op gang.

In plaats van een keten die grondstoffen produceert, verwerkt en aanbiedt voor consumptie, ontstaat een volledig datagedreven keten. Dat verandert relaties tussen partijen. Voortdurend zullen nieuwe producten en proposities ontstaan. Ik geef je een eerste kijkje in de toekomst van de voedselketen.

Van gewoon naar speciaal

Het begint bij de boer. Aan alle producten van het land of uit de kas, zoals een krop sla of erwtjes, hangen data. Met behulp van nieuwe technieken weet de boer exact welke pesticiden waar gebruikt zijn, wat de conditie van het land is waarop de groenten groeien of de koeien grazen en wat de klimatologische omstandigheden van elk hoekje van de akker zijn. Zo weet hij waar meer regen gevallen is en welke erwtjes meer zon (en dus meer suikers) hebben gekregen. Op basis van de gemeten akkereigenschappen adviseert de zadenleverancier een passende zaadsoort voor ieder deel van de akker.

Naar de verwerker. Een soepproducent koopt nu nog ‘gewoon’ erwtjes in de handel om daarvan ‘gewoon’ erwtensoep te maken. Straks wil hij erwtjes van een gangbare akker die minder gif nodig hadden, meer inhoudsstoffen bevatten of meer zon hebben gekregen. Die koopt hij in op een digitale markt waar erwtjes met allerlei specs worden aangeboden. Zelfs specs waarvan de soepmaker nog niet wist dat ze bestaan. Dat inspireert hem tot nieuwe producten.

Digitale consument

Op het (digitale) supermarktschap komen door deze ontwikkelingen nieuwe producten. De supermarkt krijgt snel door hoe hij zijn positie tussen de nieuwe mogelijkheden van het aanbod en de consumentenvraag opnieuw kan vormgeven. Supers weten hoe consumenten zich gedragen, wat ze kopen, en wat ze leuk en lekker vinden. Met die kennis kan de super twee kanten op werken. Online platforms, zoals Amazon en Alibaba, doen dat al jaren en verkopen inmiddels zelfs vers voedsel. De vraag is welke competenties de doorslag geven voor succes: kennis van voedsel en voeding of kennis van dataverwerking. Of een combinatie van beide?

Consumenten zijn continu online. Data beïnvloeden wat zij eten, waar en wanneer. Via hun mobiele telefoon is bekend waar ze zich op welk moment (zullen) bevinden. Daardoor kan een slimme ondernemer hen op precies het goede moment geïndividualiseerde aanbiedingen doen, die via een veelheid aan distributiekanalen worden bezorgd.

Gemak, gezond en vertrouwen

China loopt ver voor op de rest van de wereld. De helft van de digitale aankopen verloopt via een mobieltje. Consumenten ontvangen er eet- en drinksuggesties op hun telefoon. Meet je smartwatch dat je honger hebt? Op je telefoon verschijnt een lekkere maaltijd passend bij wat je belangrijk vindt. Die maaltijd is ook nog eens toegesneden op de persoonlijke behoeften van je lijf.

Digitalisering geeft consumenten gemak. Daarnaast geven data van de complete keten de consument vertrouwen in de veiligheid van zijn voedsel.

Als producten voortaan als data worden behandeld, veranderen alle relaties in de keten. Consumenten kunnen de keten van voor naar achteren bekijken. Wie dat als ondernemer snapt, ontdekt totaal nieuwe mogelijkheden waarvan consumenten trek krijgen.

Het congres Digital Food, georganiseerd door Foodlog en Emerce, zet de ontwikkelingen op het gebied van digitalisering in de food-wereld neer. Het congres gaat in op wat deze ontwikkeling betekent voor on- en offline detaillisten en platforms en voedselverwerkers en -producenten. Kom 26 maart aanstaande naar Pakhuis de Zwijger, Amsterdam, voor de visie van bijvoorbeeld Tony’s Chocolonely, Bidfood, Albert Heijn en Uber Eats op Digital Food. Kijk voor meer informatie op digitalfoodconference.nl

‘Open de black box voor meer AI-transparantie’

Nu artificial intelligence steeds vaker wordt toegepast, groeit de behoefte aan transparantie. Alles wat eerst verborgen was, komt nu steeds meer out in the open. Consumentenrechtadvocaten verleggen hun focus van datacollectie naar hoe AI al die data gebruikt. Hoe bepaalt AI welke gegevens wel of niet worden gebruikt? Hoe beïnvloedt AI de gebruikerservaring? Welke vooroordelen zijn er?

Bedrijven kunnen nu nog kiezen tussen niet-transparante en transparante AI-modellen, maar de komende jaren zal er steeds meer druk komen te liggen op transparantie.

De deur van zelfregulering gaat dicht

Wat betreft gegevensbescherming is in de VS het uur van de waarheid inmiddels wel aangebroken. Het zoveelste dataprivacyschandaal heeft de overheid gedwongen tot nieuwe landelijke GDPR-achtige wetten – iets wat in staten als Californië al aan de orde is en wat de interactie tussen bedrijven en consumenten ingrijpend heeft veranderd. 2018 zou zo maar eens het laatste jaar geweest kunnen zijn waarin bedrijven zelf nog zeggenschap hadden over de privacy van klantgegevens nu wet- en regelgeving gaat veranderen. PSD2 is nu ook in Nederland beschikbaar, maar hoe gaan de banken met de data om?

Wearables als goudmijn en bliksemafleider

Bedrijven beheersen nu het kunstje wel als het gaat om klantmonitoring en productinteracties via social media, internet en mobiele telefoons. De volgende uitdaging wordt het fysiek monitoren via wearables zoals de Apple Watch of Fitbit. Een of meerdere van de technische koplopers zullen in 2019 de code kraken. Dit soort nieuwe technologische ontwikkelingen maken het mogelijk om diepgaande persoonlijke gegevens te verzamelen, te vergelijken en te analyseren door bedrijven, zodat zij nog meer weten over hun klanten. Tegelijkertijd opent deze focus een nieuwe doos van Pandora met vragen over de manier waarop deze data gedeeld en gebruikt worden zonder inbreuk te doen op de privacy van de klant.

Empathie maakt het menselijk

Traditionele vormen van klantenservice gaan uit van vraag en antwoord: de klant roept de hulp in van een bedrijf en het bedrijf lost het probleem zo goedkoop mogelijke op met zo min mogelijk hulpmiddelen. Nieuwe proactieve strategieën zijn totaal anders. Het wordt voor bedrijven mogelijk om met behulp van gebeurtenisdetectie te luisteren naar datapatronen en daar AI op toe te passen. Zij kunnen zo de behoeftes van een klant herkennen op het moment dat ze zich voordoen – en soms zelfs al daarvoor – om de klant vervolgens digitaal via sms, IOS-notificatie, e-mail en andere betaalbare technieken proactief te helpen bij het oplossen van zijn probleem. Sneller resultaat voor de klant en minder kosten voor het bedrijf.

Virtual en augmented reality klaar voor het grote publiek

De ontwikkelingen op het gebied van AR en VR-technologie bleven lange tijd achter. Uitgezonderd van enkele pioniers zoals IKEA die de VR-technologie met succes wist te implementeren, met zijn app om woonruimtes in te richten op basis van VR.  Dit jaar zullen er meer AR/VR-ontwikkelingen op de markt komen, terwijl bedrijven de toepassingen verder verfijnen zodat ze hun klanten een meer intense ervaring kunnen bieden en zich kunnen onderscheiden van hun concurrenten.

Spraak vindt de nieuwe killer app

De virtuele assistent wordt op dit moment vooral ingezet voor de weersverwachting, het beluisteren van een liedje, als alarm of als lichtschakelaar. In 2019 wordt de industrie opnieuw wakker geschud met een nieuwe manier van klantenbinding in de vorm van thuisassistenten die zorgen voor een nieuwe golf van toepassingen voor spraakherkenning. Er komen meer instructies en diensten beschikbaar voor bedrijven die deze nieuwe mogelijkheden voor virtuele ondersteuning onderkennen.

IoT en 5G doen data en AI exploderen

Creditcardtransacties, locatiegegevens, netwerk feeds, algoritmische handel, signalen van mobiele apparaten, het weer en nieuwsupdates…signalen als deze zijn de spil van alle moderne vormen van handel drijven, communicatie, computergebruik en netwerken. Ongekend populair bij marketeers onder de noemer: ‘event streams’.  AI is een dataverslinder en heeft bergen data nodig om slimmer te worden en event streams leveren een enorme bron aan (veelal onbenutte) informatie over klanten en bedrijven. In combinatie met de nieuwste technieken voor AI, machine learning, decisioning, stemoptimalisatie en realtime interactie, staan we aan de vooravond van een totaal nieuw engagement tijdperk met relevante en gebeurtenis gerelateerde interacties aangestuurd vanuit klantgedrag.

Page generated in 3.472 seconds. Stats plugin by www.blog.ca