Welke data kunnen worden ingezet voor digital marketing analyse? Wat zijn de trends in datamanagement? En waar let je op bij de ontwikkeling van een digital marketing database infrastructuur? Deze vragen worden beantwoord in dit artikel. Dit is het derde artikel in een reeks over digital marketing analyse. In het eerste artikel besprak ik de drie data analist rollen: data engineer, business analist en ontwikkelaar. In het tweede artikel beschreef ik een aantal analyses die een business analist kan doen.

Waar we vandaan komen

Het is nog niet zo lang geleden dat marketing analisten een computer hadden met Excel, Powerpoint, misschien een MS Access database en SPSS voor statistische toetsen. Data werden aangevraagd bij IT en verwerkt in rapportages en analyses. Dankzij database koppelingen zoals ODBC wordt het de data analist nu veel eenvoudiger gemaakt om zelf queries te maken op databases en de resultaten in office applicaties in te zetten. Denk aan draaitabellen in Excel of in een relationeel model in MS Access. Een stap vooruit maar deze werkwijze heeft grote nadelen: het is niet schaalbaar, een desktop computer is niet veilig en niet geschikt voor grote bestanden, het proces is niet goed te automatiseren en daardoor foutgevoelig. Ook zijn we in de afgelopen jaren steeds meer met (near) realtime data gaan werken en ontwikkelen we modellen die in de productiesystemen moeten worden verwerkt. 

Datamanagement is binnen digital marketing analyse een specialisme geworden door al deze specifieke toepassingen en de wens om beter en sneller inzicht te krijgen in data.

Databronnen

Waar in het verleden data meestal uit een CRM en/of ERP oplossing werd gehaald op basis van de driehoek: klant, contact- en transactie (eventueel aangevuld met extern aangekochte segmentatie informatie) zijn er nu veel meer bronnen waaruit we klantinformatie kunnen halen. Denk aan clickstream data, social media sentiment, online reviews, zoekgedrag en e-mailmarketing opens en clicks. Onderstaande plaatje laat goed zien op welke niveaus er informatie verzameld kan worden.

Deze informatie levert op geaggregeerd niveau vele inzichten op, maar nog interessanter is het wanneer deze gegevens (waar mogelijk) op individueel niveau kunnen worden vastgelegd en daarna de analyseresultaten op individueel niveau kunnen worden toegepast. Denk aan een recommendation model of een gepersonaliseerd aanbod op basis van verzameld klantgedrag. 

Hiervoor moeten grote hoeveelheden data worden verwerkt waarbij het specialisme van de data engineer goed van pas komt. Vaak wordt dan een customer data platform (CDP) ingezet. Het CDP laat verschillende datastromen samenkomen en het levert een database om op profielniveau omnichannel data-driven marketing campagnes op te zetten.

Verwerken van grote hoeveelheden en near realtime data

In de afgelopen jaren is er veel gebeurd op het vlak van big data management. Waar de aandacht in eerste instantie lag op big data NoSQL database oplossingen (Hadoop, Spark, Cassandra, MongoDB) is er nu ook veel aandacht voor hoe de data te verwerken. Daarbij worden de Lambda en Kappa architectuur vaak genoemd waarbij gebruik wordt gemaakt van streaming om data (near-) realtime te verwerken voor data analyse en dashboards. Streaming wordt nu door alle grote partijen aangeboden (Google, Amazon, Microsoft en Apache).

Tools en benodigde kennis

Digital marketing analyse heeft in de meeste organisaties in de afgelopen jaren een grotere rol gekregen. De wijze waarop data beschikbaar wordt gesteld aan analisten is daarbij veel professioneler opgezet bijvoorbeeld op servers of in de cloud met gestandaardiseerde en geautomatiseerde laadprocessen. Veel organisaties zijn momenteel hun architectuur aan het vernieuwen om beter te kunnen inspelen op grotere hoeveelheden data en de wens sneller beslissingen te nemen. Welke tools daarbij worden ingezet hangt helemaal af van welke en hoeveel data er verwerkt wordt, uit welke bronnen de data komt, wat de analysevragen en toepassingen zijn en of de organisatie openstaat voor open source oplossingen. Data analyse verhuist steeds meer naar de cloud (AWS, Google, Azure, etc.). Dus is het logisch te kiezen voor die cloud leverancier die het dichtst op de brondata zit.

Voor de benodigde kennis van de data engineer geldt, net als hierboven, dat dit helemaal afhankelijk is van de digital marketing analyse die de organisatie wil uitvoeren. Er is momenteel enorm veel aandacht voor data streaming, maar dit is niet voor elke analysevraag noodzakelijk. Er zijn steeds meer tools voorhanden die ETL taken via SAAS aanbieden zoals Matillion en Alooma. Ook zijn er open source platforms die zelf gehost kunnen worden; Talend is hier een goed voorbeeld van. Organisaties kunnen ook gebruik maken van de diensten van Customer Data Platform leveranciers zoals Prdct, Nominow en Invenna. Deze bieden gestandaardiseerde oplossingen aan voor het bijeenbrengen van databronnen, maar ook voor de analyse en presentatie van de gegevens en de verwerking van de resultaten in campagnes. Tenslotte kunnen handige data engineers data bewerkingen zelf programmeren met Python en Apache Beam.

Digital marketing analyse kan niet zonder een analyse database met complete, accurate en tijdige gegevens. Zonder data geen analyse. Daarom is de rol van de data engineer in het analyseteam essentieel. 

Analyse levert inzichten die direct gebruikt kunnen worden. In het volgende artikel ga ik daar verder op in. Daarin zal ik laten zien hoe organisaties digital marketing analyse resultaten in de dagelijkse operatie kunnen verwerken.