Whitepaper Big Data & online marketing 2014 | Indenty BV

z

Tel 053 - 850 75 05

Fax 053 - 850 75 06

[email protected]

www.indenty.nl

Pantheon 18a

7521 PR Enschede

Postbus 3242

7500 DE Enschede

Uw partner in online marketing

Oscar Olthoff & Indenty BVfebruari 2014

BIG DATA &ONLINE MARKETING

2

Samenvatting

Dit onderzoek is uitgevoerd in opdracht van Indenty, een online marketing bureau gevestigd in Enschede. In dit rapport wordt inzichtelijk gemaakt hoe online marketing zich ontwikkeld onder invloed van Big Data en wat Big Data voor online marketing kan betekenen. Dit is van belang voor Indenty en de markt, omdat verwacht wordt dat Big Data van grote waarde kan zijn in verscheidene industrieën en economieën.

De belangrijkste bevindingen zijn dat door het gebruik van Big Data in online marketing leidt tot toenemende personalisatie, completere online marketing en toenemende automatisering. Deze ontwikkelingen hebben als resultaat dat de effi ciëntie en prestaties in/van online marketing verbeteren. Bijkomend neemt de meetbaarheid van online marketing toe door de groeiende hoeveelheid beschikbare data.

Personalisatie neemt toe doordat het complete aankoopproces van de klant kan worden gevolgd en klantprofi elen worden verreikt. Hetgeen leidt tot gepersonaliseerde content, websites en aanbiedingen. Completere online marketing wordt gezien als een voorgeleide van personalisatie en het toenemend combineren van online- en offl ine data om betere inzichten te verkijgen van online marketing inspanningen. Automatisering neemt toe doordat meer Big Data marketing applicaties worden ontwikkeld die (gedeeltelijk) automatisch online marketing uitvoeren en doordat zelf-lerende algoritmes gebruikt worden om online marketing meer te automatiseren.

Deze ontwikkelingen hebben tot gevolg dat de effi cientie en prestaties in/van online marketing verbeteren, doordat betere inzichten worden verkregen en minder tijd wordt gespendeerd aan het verzamelen en analyseren van data. De meetbaarheid van online marketing neemt toe, doordat meer data beschikbaar is van klantgedrag en zoekmachine marketing om online marketing inspanningen te beoordelen.

Doordat meer bekend is over klanten, wordt verwacht dat bedrijven integer moeten handelen aangaande privacy. Daarnaast is het essentieel dat bedrijven een duidelijk doel hebben voordat ze aan de slag gaan met Big Data, omdat bedrijven anders doelloos data verzamelen en gedoemd zijn te mislukken.

3

Inhoudsopgave

Samenvatting 2

1 Introductie 51.1 Big Data 51.2 Indenty 71.3 Onderzoeksopzet 71.4 Selectie cases en experts 81.5 Onderzoeker en begeleiding 9

2 Het combineren van verschillende databronnenleidt tot een toename van personalisatie binnen online marketing 10

2.1 Het combineren van verschillende databronnen om de complete customer journey te volgen en klantprofi elen te verreiken 10

2.2 Het combineren van verschillende databronnen en het verwerken van data met hoge snelheid maakt het mogelijk om content, promoties en/of websites te personaliseren 11

2.3 KISSmetrics; een enkel voorbeeld uit de praktijk 12

2.4 Conclusie; variëteit, volume en snelheidzijn belangrijk om te påersonaliseren in online marketing, maar minder in zoekmachine marketing 12

3 Richting een meer holistische vorm van online marketing 15

3.1 Personalisatie als voorgeleide van holistische (online) marketing 15

3.2 Het combineren van online- en offl ine data 15

3.3 Voorbeelden uit de praktijk bevestigen het opkomende beeld 16

3.4 Conclusie; meer holistische marketingdoor het combineren van verschillende databronnen 17

4 Toenemende automatisering in online marketing 194.1 Meer automatische content, advertenties

en websites door zelf-lerende algoritmes 194.2 Big Data marketing applicaties in opkomst 204.3 Voorbeelden uit de praktijk laten hetzelfde

beeld zien 214.4 Conclusie; volume, variëteit en snelheid

belangrijk voor automatische analyses in online marketing 22

5 Verbeterde effi ciency, resultaten en meetbaarheid van online marketing 24

5.1 Verbeterde effi ciëntie en resultaten vanonline marketing 24

5.2 Toenemende meetbaarheid van online marketing 25

5.3 Voorbeelden van verbeterde effectiviteit, resultaten en meetbaarheid in online marketing 25

5.4 Cases laten toenemende meetbaarheid van online marketing zien 26

5.5 Conclusie 27

4

6 Discussie Big Data 296.1 Big Data een hype? 296.2 Het vinden van de juiste data en deze

data nuttig maken 296.3 Integer handelen met betrekking tot

privacy is belangrijk en technische uitdagingen zijn nodig 32

7 Literatuur 34Bijlage A: Business Model Canvas van

Osterwalder 36Bijlage B: Het web analytics maturity model

van Stephan Hamel 37

5

1 Introductie

1.1 Big DataData omringt ons, alhoewel dit niet altijd gerealiseerd wordt door mensen, omdat zij niet omgaan met zulke grote hoeveelheden data in het dagelijks leven (Kaisler, Armour, Espinosa, Money & Washington, 2013). De hoeveelheid beschikbare data groeit explosief, 90% van de momenteel beschikbare data is gecreëerd in de afgelopen twee jaar. De snel toenemende berg met data is verbonden met de term “Big Data”. Verwacht wordt dat de groei van data zal doorzetten, gedreven door het toenemende gebruik van multimedia in sectoren, de stijging van het gebruik van social media en toenemende toepassing van the Internet of Things (bijv. sensoren en apparaten ingebed in de fysieke wereld en verbonden met netwerken) (Manyika, Chui, Brown, Bughin, Dobbs, Roxburgh & Byers, 2011).

Big Data betekende oorspronkelijk de hoeveelheid gegevens die niet effi cient kan worden verwerkt door huidige instrumenten en de originele defi nitie focuste op gestructureerde data, volgens Kaisler et al. (2013). In het verlengde hiervan wordt gezegd dat de groeiende hoeveelheid data verder gaat dan de technische mogelijkheden om de data effi cient op te slaan, beheren en verwerken (Gobble, 2013; Kaisler et al., 2013). Afgeleid van uitspraken van Jacobs (2009), kan worden gezegd dat Big Data grote hoeveelheden fysieke waarnemingen zijn. In aanvulling hierop refereren andere auteurs ook naar Big Data als de groeiende/exploderende hoeveelheid beschikbare (ongestructureerde) data (Cuzzocrea, Song en Davis, 2011; Diaz, Juan, Lucas & Ryuga, 2012).

De analyse van Big Data levert waarde aan bedrijven door het beter en met grotere precisie begrijpen van de wereld en door data te gebruiken voor bruikbare inzichten (IBM, 2011; Kaisler et al., 2013). Zodoende wordt Big Data in deze studie begrepen als:

“De snel toenemende hoeveelheid beschikbare data, die de potentie heeft om waarde te leveren door het beter begrijpen van de wereld en de grenzen verkent van de technische mogelijkheden om data effi cient op te slaan, te beheren en te verwerken”

Big Data; volume, variëteit en snelheid Big Data zoals eerder gedefi nieerd is hoofdzakelijk gekenmerkt met de aspecten; volume, variëteit en snelheid (McAfee & Brynjolfsson, 2012; Kaisler et al., 2013; Russom, 2011).

Volume wordt logischerwijs geinterpreteerd als de hoeveelheid data die wordt gecreëerd tegenwoordig. Iedere dag wordt 2,5 exabyte data gecreëerd en dit verdubbelt zich iedere 40 maanden (McAfee & Brynjolfsson, 2012). Kaiser et al. (2013) zien het volume van data als de hoeveelheid beschikbare data voor een organisatie, bezeten door de organisatie zelf en/of toegankelijke voor een organisatie; verwijzend naar volumes in het bereik van terabytes (1012) (Russom, 2011) tot exabytes (1018) en verder (Kaisler et al., 2013).

6

Echter, in het algemeen wordt Big Data beschouwd als de hoeveelheid data die verder gaat dan de technologische capiciteit om de data op te slaan, beheren en verwerken. (Gobble, 2013; Jacobs, 2009; Ji et al., 2012; Kaisler, 2013)

Variëteit verwijst naar de variatie in bronnen die data produceren tegenwoordig. Russom (2011) beschrijft variatie als ieder type data; ongestructureerd, semi-gestructureerd en gestructureerd. Gestructureerde data betreft primair data in tabellen en andere structuren van relationale databases (bijv. fi nanaciele transacties). Gestructureerde data is tegenwoordig vergezeld door semi-gestructureerde data (XML, RSS feeds) en ongestructureerde data (bijv. tekst, geluiden, afbeeldingen en menselijke taal).

In andere woorden, gestructureerde data is data die is toegewezen aan special velden en die kunnen daardoor direct worden verwerkt met computerappatuur (Baars & Kemper, 2008). Ongestructureerde data wordt uitgelegd als “informatie die ofwel geen voorgedifi nieerd data-model heeft of niet goed past in relationale tabellen” (Bakshi, 2012).

Snelheid verwijst naar de snelheid waarmee de data wordt gecreëerd of geleverd (Kaisler et al., 2013; Russom, 2011; Gantz & Reinsel, 2011) zoals is laten zien door de 90% van de tegenwoordig beschikbare data die is vrijgekomen in de afgelopen twee jaar en de hoeveelheid dagelijkse geproduceerde data zich verdubbeld iedere 40 maanden (Bughin, Chui & Manyika, 2010, p.7). Jacobs (2009) voegt hieraan toe, door te suggereren dat wat Big Data echt “Big” maakt niet de hoeveelheid observaties zijn, maar de herhaalde waarnemingen in de loop der tijd. Jacobs (2009) geeft een aantal voorbeelden, zoals Weblogs die miljoenen bezoeken aan een handvol webpagina’s opnemen en data van mobiele telefoons waarbij iedere 15 seconden de tijd en locatie van een paar miljoen telefoons wordt geregistreerd. Oftewel, Big Data is de hoeveelheid (terabytes, petabytes en exabytes) data die de grenzen verkent van de technologische mogelijkheden. De variëteit van bronnen is een belangrijke stimulator van Big Data. Snelheid refereert aan de snelheid of data generatie tegenwoordig, welke enorm is door de nieuwe bronnen die data leveren en de repeterende snelheid van waarnemingen.

Figuur 1 (Bloem et al., 2012) De drie V’s van Big Data

3 Vs ofBig Data

• Terabytes• Records• Transactions• Tables, fi les

• Batch• Near time• Real time• Streams

• Structured• Unstructured• Semistructured• All the above

Velocity Variety

Volume

7

1.2 Over IndentyIndenty BV is onderdeel van de Innovadis Groep en zorgt ervoor dat kansen op het internet worden omgezet in online succes. Indenty helpt bedrijven om online marketing dienstverlening succesvol aan het eigen portfolio toe te voegen. Wij helpen onder meer (online) marketing bureaus, uitgeverijen, reclamebureaus, software- en e-businessbedrijven om deze discipline kwalitatief en succesvol aan te bieden aan hun klantenkring. Dit doen wij door het leveren van kennis, informatie, innovatieve tools en diensten.

1.3 OnderzoeksopzetHet doel van dit onderzoek is om een diep en breed inzicht te verkrijgen over de ontwikkelingen en mogelijkheden aangaande Big Data in online marketing. Om informatie te verkrijgen over Big Data en de impact van Big Data op online marketing, is een breed literair onderzoek uitgevoerd. In eerste instantie zijn meerdere wetenschappelijke databases geraadpleegd voor de wetenschappelijke onderbouwing; de bibliotheek van de Universiteit Twente en Scopus. Daarnaast is Google Scholar enkele malen geraadpleegd.

Figuur 2 (Bloem et al., 2012) Big Data bronnen

Big Data = Transactions + Interactions + Observations

Petabytes

Terabytes

Gigabytes

Megabytes

BIG DATASensors/RFID/Devices

Mobile Web

User Click Stream

Sentiment

Userm generated Content

Social interactions & Feeds

Spatial & GPS Coordinates

External Demographics

Business Data Feeds

HD Video, Audio, Images

Speech to Text

Product/Service Logs

SMS/MMS

WEBWeb logs

Offer history

A/B testing

Dynamic Pricing

Affi liate Networks

Search Marketing

Behavioral Targeting

Dynamic Funnels

CRMSegmentation

Offer Details

Customer Touches

Support Contacts

ERPPurchase detail

Purchase record

Payment record

Increasing Data Variety and Complexity

8

Daarnaast is de digitale bibliotheek IEEE Xplore gebruikt voor conferentierapporten en –artikelen. Ten tijde van de start van het onderzoek was een geringe hoeveelheid wetenschappelijke literatuur beschikbaar aangaande Big Data en Big Data in combinatie met online marketing. Zodoende is de wetenschappelijke informatie, waar nodig, aangevuld met de informatie vergaard uit whitepapers, blogs en onderzoeksrapporten.

In deze studie is gekozen voor kwalitatief onderzoek. Op deze manier is het onderwerp van deze studie diep en breed onderzocht. Door middel van een meervoudige casestudie aan de hand van het Business Model Canvas van Osterwalder (2010) (Bijlage A) is gekeken hoe bedrijven in online marketing gebruik maken van Big Data. Hier zijn interviews gecombineerd met het bestuderen van websites van de betreffende bedrijven.

De case studies zijn aangevuld met expert interviews om te controleren in hoeverre de bevindingen uit de case studies stroken met het beeld van de experts en om de bevindingen uit het literair vooronderzoek te toetsen. Deze whitepaper is samengesteld aan de hand van de uitkomsten van de case studies en de expert interviews. De belangrijkste inzichten uit de case studies en expert interviews zijn aan elkaar gekoppeld en gepresenteerd in deze whitepaper.

1.4 Selectie cases en expertsGekozen is om bedrijven te interviewen die op het gebied van online marketing al met Big Data werken. Daarnaast zijn experts geselecteerd die zich actief begeven in het werkveld van online marketing en daarin te maken hebben met Big Data. De interviews met de medewerkers van de bedrijven waren gericht op de activiteiten van het bedrijf. De interviews met de experts zijn vanuit een breder perspectief gehouden.

Case studies

Naam Bedrijf Functie

Brad Friedman MozSenior Code Ninja – Engineering Team & technisch hoofd voor Mozscape API

Alexandra Tachalova SEMrush Marketing Manager

Frank Bruijninckx HowAboutYou Mede-eigenaar

Phil Harvey DataShaka CTO

Joelle Kaufman BloomReach Hoofd marketing & partnerships

Sam Silverwood-Cope Intelligent Positioning CMO en directeur

Neil Patel KISSmetrics CEO

9

1.5 Onderzoeker en begeleidingDeze whitepaper is geschreven door Oscar Olthoff, masterstudent Business Administration (specialisatie Innovatie & Management) aan de Universiteit Twente. Deze whitepaper is een afgeleide van het afstudeeronderzoek, waarin onderzoek is gedaan naar de ontwikkeling van Big Data in online marketing en hoe Big Data waarde kan bieden voor online marketing. Het onderzoek is vanuit Indenty begeleid door Ewoud Smedinga en Tom Visser, wie hebben geholpen bij het selecteren van bedrijven en experts voor deze studie en deze whitepaper hebben gepubliceerd en gedistribueerd.

Expert interviews

Naam Bedrijf Functie

Arend Zwaneveld Online Dialogue Analytics expert

Mieke de Ketelaere SASRegional Customer Intelligence Lead (Zuid-West Europa)

Mark van Rijmenam BigData-Startups.com Eigenaar

Maurits Kaptein PersuasionApi & Universiteit TilburgEigenaar PersuasionApi & assistent professor statistiek

10

Angel (2012) legt personalisatie uit als het volgen van de complete route van klanten op het internet. Angel (2012), Jaarsma (2012) en Mehra (2013) voegen hieraan toe dat zij verwachten dat content, promoties/aanbiedingen en websites onder invloed van Big Data worden gepersonaliseerd. Uit het onderzoek blijkt dat beide manieren van personalisatie een opkomend fenomeen door het combineren van verschillende data bronnen.

2.1 Het combineren van verschillende databronnen om de complete customer journey te volgen en klantprofi elen te verreikenMet de entree van Big Data anlyse tools is het mogelijk om klantgedrag te onthullen over verschillende kanalen. Eerder werd “slechts” 10% van het koopprocess opgeslagen; tegenwoordig kan en moet ook met ongestructureerde data rekening gehouden worden. Om meer relevant te worden voor klanten, moet meer informatie over klanten worden gebruikt. Tot vandaag werd dit gedaan door het combineren van demografi sche gegevens (leeftijd, gezinssamenstelling, adres, etc.) met gegevens over klantaankopen en analytische inzichten (klantsegment en percentage dat klant wordt, behoud, cross-sell en up-sell opportunities). Door de entree van Big Data is het mogelijk deze informatie over klanten te worden uitgebreid door de “customer-journey” te volgen (ook wel “closing the loop” en “end-to-end analyse” genoemd). De “customer-journey” betekent de complete weg die een klant afl egd voordat een aankoop wordt gedaan, bestaande uit de volledige click-stream data en social media analyse die beschikbaar is binnen de website, advertenties en/of social media content van een bedrijf.

Het combineren van data van verschillende bronnen zal een 360 view van het klant-beeld en –gedrag verbeteren; het combineren van call-center data, online profi el data (social media), CRM-data en offl ine- en online aankoopgegevens. Een uitspraak van Mark van Rijmenam die hierop aansluit:

“Hoe beter je in staat bent om in real-time verschillende databronnen te analyseren, des te beter kan je profi elen samenstellen”

Dit om uiteindelijk in staat te zijn te weten welke acties klanten ondernemen in de offl ine wereld (kranten) of online wereld (AdWords) tot het moment van aankoop (of andere daaruit voortvloeiende acties). Echter het merendeel van de respondenten geeft aan dat bedrijven momenteel nog in de beginfase zitten met deze procedures/ontwikkelingen.

Waarschijnlijk zal “Google Universal Analytics” hierin een grote invloed worden, deze dienst maakt het mogelijk om web analyse te koppelen aan klantbestanden en verkoopinformatie (bijv. CRM data). Vanuit dit perspectief is web-analyse of online-analyse de basis en wordt alle overige informatie hieraan gekoppeld. Verwacht wordt dat dit de makkelijkste manier voor een breed publiek om met Big Data aan het werk te gaan. Andere opties die bekend zijn om klantgedrag op het internet te volgen zijn coockies en opt-ins op social media, welke het mogelijk maken om klantprofi elen te verrijken wanneer klanten toestemming geven om hun persoonlijke informatie door te spelen.

2 Het combineren van verschillende databronnen leidt tot een toename van personalisatie binnen online marketing

11

Nog een stap verder is de veronderstelling dat psychologie belangrijker zal worden in de nabije toekomst wanneer bedrijven proberen om psychologische profi elen van hun klanten te vormen van beschikbare klantdata. Facebook is een voorbeeld dat genoemd wordt door de respondenten, die persoonlijkheidsvragenlijsten gebruikt om bepaalde persoonlijkheidsprofi elen te linken aan taal die gebruikt wordt op Facebook. In andere woorden, het type persoon wordt bepaald op basis van de manier waarop mensen spreken en posten op Facebook.

Als resultaat is het (bijvoorbeeld) mogelijk, door verschillende databronnen te combineren, te herkennen dat personen vaak ‘s nachts surfen op een Ipad 4 en interesse hebben in specifi eke producten. Bovendien zullen bedrijven beter inzicht krijgen in welke marketinginspanningen waardevol zijn en welke niet. Bedrijven kunnen bijvoorbeeld achterhalen dat klanten die in contact komen met het bedrijf via een advertentie of telefoon waardevoller zijn dan mensen die klant zijn geworden gebaseerd op aanbiedingen. Om dit te bewerkstelligen, moet alles worden opgezet als een experiment volgens Arend Zwaneveld:

“Bij voorkeur stel je alles wat je doet als experiment op. Op deze manier kan je zien of actie a of b de betere is”

Gebaseerd op deze experimenten kan bepaal worden welke acties het meest effectief zijn en door al deze (historische) data te gebruiken kan de “customer life time value” bepaald worden voor specifi eke klantprofi elen.

2.2 Het combineren van verschillende databronnen en het verwerken van data met hoge snelheid maakt het mogelijk om content, promoties en/of websites te personaliseren Gebaseerd op de identifi catie van het volledige gedrag van klanten en klantprofi elen, kunnen en waarschijnlijk moeten bedrijven meer relevant worden in hun communicatie richting klanten. De klantinformatie moet gebruikt worden om granulair te werken op segmentatieniveau, om klantinteractie en aanbiedingen te verbeteren wanneer een website wordt bezocht. Daarnaast kan reclame-inhoud worden gepersonaliseerd op basis van deze profi elen. Een voorbeeld is de uitbreiding van demografi sche informatie met social media profi elen, waardoor bedrijven in staat zijn om meer gerichte marketing uit te voeren en sub-segmenten te creëren. Een ander voorbeeld is Amazon.com die hun website aanpast op basis van klantprofi el-informatie (dynamische websites). Het is mogelijk sub-segmenten te creëeren uit deze massa van informatie, door de toegenomen snelheid en kracht van computers. In andere woorden, in staat zijn om te segmenteren op vrouwen met maat x, die kleur z en een specifi ek merk leuk vinden. Dit zorgt ervoor dat bedrijven in staat zijn relevanter te worden in hun marketing inspanningen. Daarnaast wordt verwacht dat psychologische profi elen of personalisatie meer en meer zal worden gebruikt om klantprofi elen te vormen en de manier waarop klanten benaderd willen worden. Een tweede optie is om te personaliseren op basis van huidig gedrag van klanten op de website; refererend aan PersuasionApi als een goed voorbeeld van personalisatie gebaseerd op segmentatie door psychologie. PersuasionApi gebruikt meerdere verkoop strategieën (bijv. een populair product of een product in de aanbieding) welke worden gebruikt in de content of aanbiedingen om klanten te verleiden tot aankoop.

12

Het programma volgt of klanten besluiten een aankoop te doen op basis van specifi eke verkoop strategieën of argumenten. Aan de hand van deze (historische) “interacties” wordt een specifi eke verkoopstrategie gekozen voor elke individuele klant in real-time. Het doel is om betere verkoopstrategieën/ adviezen toe te passen wanneer klanten websites bezoeken.

Maurits Kaptein (eigenaar PersuasionApi) verwacht dat deze manier van personalisatie, waarin de marketeer verschillende vormen van een website of marketing campagnes ontwerpt en klantgedrag bepaalt welke vorm wordt laten zien, steeds vaker zal voorkomen in de toekomst. Hij stelt:

“elk datapunt bepaalt de keuze en de effecten daarvan worden overwogen, die op hun beurt de volgende keuze bepalen. Het is een zelf-lerend systeem”

Een belangrijke toevoeging is dat personalisatie een analyse binnen milliseconden vereist. Dit is logisch tot op zekere hoogte, omdat personalisatie direct moet werken wanneer websites worden geladen. Daarnaast worden algoritmes geinstalleerd die aangesloten zijn aan de klantendatabase in CMS systemen van websites, waardoor het mogelijk is om aanbiedingen te personaliseren en gebruik te maken van klantinformatie.

2.3 KISSmetrics; een enkel voorbeeld uit de praktijkKISSmetrics is een bedrijf uit de VS die persoonsgerichte data volgt en de “customer journey” op websites openbaart door het integreren van verschillende databronnen en doordat ze in staat zijn om iedere databron te koppelen aan het online gedrag van klanten.

Dit doet het bedrijf met als doel om gebruikerspatronen te begrijpen, om marketingcampagne-effectiviteit te beoordelen en het segmenteren van klanten, wat leidt tot verbeterde klantbeleving en hogere omzet. Dus deze case uit de studie laat zien dat het combineren van verschillende data bronnen nodig is om het klantgedrag te kunnen volgen en voornamelijk om een compleet beeld van de klant te krijgen.

2.4 ConclusieVariëteit, volume en snelheid zijn belangrijk om te personaliseren in online marketing, maar minder in zoekmachinemarketing

De verwachtingen zijn dat personalisatie binnen online marketing zich aan het ontwikkelen is en verder zal opkomen in de nabije toekomst. De customer journey kan worden gevolgd en klantprofi elen worden verrijkt door het combineren van gestructureerde en ongestructureerde data-bronnen, wat onvermijdelijk de hoeveelheid data die verwerkt moet worden zal verhogen.

Waar eerder de focus meer lag op gestructureerde databronnen (bijv. CRM- en verkoop data), worden deze tegenwoordig gecombineerd met ongestructureerde databronnen (click-stream- en social mediadata). Op deze manier wordt beter inzicht verkregen in klantgedrag/profi elen, psychologie en marketinginspanningen. Dit moet bedrijven in staat stellen om meer granulaire segmentatie en gerichte marketing uit te voeren door middel van personalisatie van content, promoties en websites.

13

Het toenemende gebruik van verschillende bronnen vergroot logischerwijs de hoeveelheid data die wordt gebruikt/verwerkt. Bovendien, hoe groter de hoeveelheid verkeer waarvoor gepersonaliseerd wordt, hoe groter de hoeveelheid data die wordt gebruikt/verwerkt. Daarbij komt, personalisatie in real-time vereist een hoge snelheid van dataverwerking. Concluderend zal alle genoemde aspecten van Big Data (volume, variëteit en snelheid) belangrijk zijn met betrekking tot personalisatie in online marketing.

Bedrijven die zich in online marketing begeven, moeten er dus van bewust zijn dat personalisatie steeds beter mogelijk wordt door het combineren van verschillende databronnen. Om in staat te zijn om te personaliseren en gerichte marketing uit te voeren, moeten bedrijven bewust zijn van welke data ze verzamelen en proberen deze data te combineren zodat personalisatie en gerichte marketing mogelijk wordt. Daarbij komt dat de organisatie in staat moet zijn grotere hoeveelheden data te kunnen verwerken.

Figuur 3 – Volume, variety en velocity in personalisatie

3 Vs ofBig Data




Velocity Variety

Volume

Track customer behaviour and enrich customer profi les

Personalize content in online marketing, less in Search Engine marketing

14

Echter, KISSmetrics is de enige case in deze studie waarbij personalisatie is gevonden zoals beschreven. Dit wordt mogelijk verklaard door de selectie van de cases; de bedrijven die zijn geselecteerd zijn voornamelijk actief in zoekmachinemarketing. De geïnterviewde experts in dit onderzoek zijn vanuit een breder perspectief dan alleen zoekmachinemarketing geïnterviewd. Hierdoor is het mogelijk te verklaren is dat personalisatie in zoekmachinemarketing minder aan de orde is, terwijl het in online marketing zeker belangrijk is. Een andere verklaring kan zijn dat de experts al verder zijn en een betere kijk hebben op de ontwikkelingen dan dat er voorbeelden te vinden zijn.

Samenvattend valt te zeggen dat meer en meer bekend is van klanten en completere klantprofi elen worden geschetst van klanten. Voor mensen op het internet betekent dit dat het internet meer gepersonaliseerd is en gericht is op het individu. Bedrijven hebben de mogelijkheid en misschien wel de verplichting om meer gerichte marketing uit te voeren en beter op de hoogte te zijn van hun klanten.

15

Verschillende auters verwachten dat online marketing inspanningen meer en meer worden geïntegreerd om een breder en meer holistisch beeld te vormen van deze inspanningen.

Het combineren van informatie van zoekmachine optimalisatie, zoekmachine advertenties en social media inspanningen kan een compleet beeld van de online marketinginspanningen van een bedrijf opleveren. Deze inzichten maken het uiteindelijk mogelijk om marketingcampagnes en de effectiviteit hiervan te verbeteren (Safran, 2012; Haley, 2013). Bell (2013) ziet deze trend als een manier om de productiviteit van elk kanaal en de interactie tussen elk kanaal beter te begrijpen. Op deze manier kunnen beter gerichte keuzes worden gemaakt. Dit wordt ook erkend door De Ratta (2013), die voorspelt dat bedrijven zich moeten richten op klantgedrag en klanten moeten analyseren over verschillende apparaten en interacties. Hiermee wordt bedoeld dat afgestapt moet worden van de gesegmenteerde analyse van web-, mobiele- en social-analytics, maar dat alle digitale bronnen gezamenlijk moeten worden geanalyseerd. Consistent daaraan voorspellen De Ratta (2013) en Kaushik (2012) ook dat bedrijven moeten afstappen van het zogehete “last-click attribution” en klanten over alle marketing kanalen moeten worden gevolgd.

3.1 Personalisatie als voorgeleide van holistische (online) marketingZoals in het vorige hoofdstuk is beschreven wordt verwacht dat personalistie steeds belangrijker wordt in online marketing.

In deze paragraaf een korte herhaling, omdat personalisatie in online marketing kan worden geassocieerd met holistische marketing en het integreren van meerdere kanalen om dit gepersonaliseerde beeld te krijgen van klanten.

Om een 360 graden beeld te krijgen van je klanten om sub-segmenten te maken en om content te personaliseren, moet social media data en click-stream data worden toegevoegd aan alle andere data die beschikbaar is van klanten. Bovendien is door het volgen van mensen over verschillende apparaten wordt het volgen van de customer journey verlengd en wordt een meer holistisch beeld gevormd van de klant. Bovendien is het noodzakelijk om de gehele customer journey te volgen om een 360 graden beeld te krijgen van klanten. Voor online marketing wordt verwacht dat Google (zoals eerder vermeld) of web-analyse de basis zal zijn, waar vervolgens verscheidene andere bronnen aan worden gehangen om een compleet beeld te vormen.

Dus het verlangen om content te personaliseren en het complete pad van klanten te volgen, heeft het effect dat verschillende data bronnen geïntegreerd moeten worden om het 360 graden beeld van de klant te realiseren. Vanuit dit perspectief wordt personalisatie beschouwd als voorgeleide van holische marketing zoals beschreven in het begin van dit hoofdstuk.

3.2 Het combineren van online- en offl ine dataKaushik (2012) verwacht dat de combinatie van offl ine- en online data extreme moeilijk zal zijn and zo goed als onmogelijk. Jaarsma (2012) daarentegen verwacht dat CRM informatie verrijkt kan worden met online gedrag en klantprofi el informatie.

3 Richting een meer holistische vorm van online marketing

16

Deze studie geeft redenen om aan te nemen dat het combineren van online- en offl ine data of dat online data gebruikt kan worden voor offl ine marketing al mogelijk is of op zijn minst in de nabije toekomst mogelijk wordt.

Om dit mogelijk te maken is het noodzakelijk een unieke sleutel of een unique kolom te hebben die vertelt dat de persoon in de offl ine data dezelfde is als de persoon in de online data. Dit is bijvoorbeeld mogelijk via social media campagnes waarbij wordt gezegd; “vind ons leuk op Facebook en er wordt een coupon van vijf euro naar je verzonden”. Wanneer dit zich voordoet kan een unique sleutel of connectie gemaakt worden tussen het Facebook profi el (of andere sociale media) en het e-mail adres waar de coupon naartoe is gestuurd. Dit e-mail adres is opgeslagen in je offl ine database en zodoende kan een link worden gemaakt tussen online data en offl ine data. Echter is dit alleen mogelijk wanneer een campagne wordt opgezet.

Uit de expert interviews blijkt dat het combineren van online data (web-analyse) met offl ine databronnen de toekomst is voor online marketing. Een deel van de experts verwacht (zoals eerder vermeld) dat “Google Universal Analytics” belangrijk zal worden voor het combineren van verschillende databronnen. Anders zullen bedrijven zelf offl ine data combineren met online data en web analyse. Uit de interviews blijkt dat de meeste respondenten al wel denken dat het mogelijk is offl ine- en online marketing en data te combineren, echter zijn er nog maar weinig goede praktijkvoorbeelden te noemen. Toch zijn enkele voorbeelden genoemd tijdens de interviews. Het eerst voorbeeld is een telecom aanbieder identifi ceerde en belde personen die bleven hangen bij “Terms & Conditions” zonder aankoop te doen, deed een aanbod op maat en verlaagde hiermee de afwijzingen met 25%.

Een ander voorbeeld is genoemd waarbij de customer journey is verlengd door offl ine data te integreren in Google Analytics. Uiteindelijk maakte dit mogelijk om ook te zien of een aanvraag voor een lening was goedgekeurd in plaats van enkel te kunnen zien of de aanvraag voor een lening was verstuurd.

Dus gebaseerd op de voorbeelden die worden gegeven door de experts en hun verwachtingen, lijkt het dat het combineren van online- en offl ine data belangrijker wordt in de toekomst en dat bedrijven hier al mee bezig zijn. In het verlengde hiervan moet bedrijven op de hoogte zijn van de mogelijkheden en zullen bedrijven bewust bezig moeten zijn met welke data wordt verzameld en opgeslagen om betere inzichten te verkrijgen. Daarnaast moeten bedrijven actief in online marketing zich voorbereiden op deze ontwikkelingen door in staat te zijn/worden om online- en offl ine databronnen te combineren.

3.3 Voorbeelden uit de praktijk bevestigen het opkomende beeldDe bedrijven die zijn geselecteerd voor dit onderzoek schetsen een duidelijk beeld dat een meer holistische vorm van online marketing is uitgevoerd door het combineren van verschillende databronnen. Bovendien laten de cases zien dat de intergratie van offl ine- en online data opkomend is. KISSmetrics en DataShaka bieden tools aan om een meer holistische vorm van marketing te bedrijven, waarin ook de integratie van offl ine databronnen een optie is. KISSmetrics claimt dat ze in staat zijn data te integreren vanuit het hele web, inclusief data uit de infrastructuur van bedrijven zelf (back-end, web en offl ine data), CRM data, email service providers, helpdesk software en betaalsystemen.

17

DataShaka gaat een stap verder door volledig diagnostisch te zijn. Dit bedrijf is in staat om zeer veel verschillende datavormen bij elkaar te brengen (online- en offl ine data). Afhankelijk van de wensen van de klant, starten zij het proces om databronnen te combineren en om inzichten te verkijgen voor de klant door gebruik van hun platform “SmartView”. Echter, DataShaka heeft geen specifi eke focus op online marketing, maar is compleet diagnostisch en handelt op basis van de wensen van de klant.

Moz combineert verschillende online databronnen om een complete beeld te bieden van klanten hun online marketing inspanningen, dit wordt gedaan door middel van het platform Moz analytics. Dit platform combineert informatie van Google Analytics, hun eigen API (Mozscape) en sociale media. Moz haar platform geeft informatie over zoekmachine inspanningen, sociale media, link building en zogeheette “mentions”. Daarbij op wordt over bepaalde aspecten ook competatieve informatie gegeven. BloomReach combineert meerdere databronnen ten gunste van organische zoekresultaten in zoekmachines. Deze applicatie gebruikt data van het web, data van de websites van concurrenten en van klanten en data van klantgedrag van de websites van klanten. Dit gezamenlijk wordt gebruikt om de website van de klant te beoordelen en aanbevelingen te doen aan de website ten gunste van organische zoekresultaten.

3.4 Conclusie; meer holistische marketing door het combineren van verschillende databronnenDe verwachtingen is dat meer holistische marketing zal worden bedreven door het combineren van verschillende databronnen (voornamelijk online- en offl ine bronnen).

Dit beeld wordt onderstreept door de voorbeelden uit het veld, welke een duidelijk beeld laten zien dat diverse online databronnen en diverse online- en offl ine data bronnen worden gecombineerd. Dit leidt onvermijdelijk tot het gebruiken en verwerken van grotere hoeveelheden data. Voor bedrijven in online marketing en bedrijven in het algemeen ontstaan mogelijkheden om diverse databronnen te combineren. Dit betekent dat bedrijven waarschijnlijk meer en betere inzichten kunnen creëren uit hun data. Daarnaast moeten bedrijven bewust zijn van deze ontwikkeling en zich op zo’n manier organiseren dat offl ine- en online data voldoende wordt opgeslagen en met de juiste doeleinden. Bovendien moeten service gerichte bedrijven in online marketing in staat zijn diverse databronnen te linken en dus in staat zijn grotere hoeveelheden data te verwerken.

18

Figuur 4 – Volume, variety en velocity in holistische marketing

3 Vs ofBig Data




Velocity Variety

Volume

Personalization and combining on- and offl ine data sources lead to holistic marketing

19

De verwachtingen zijn dat online marketing meer geautomatiseerd zal worden door verschillende ontwikkelingen. Ten eerste noemen Manyika et al. (2011) dat de menselijke beslissing zal worden vervangen/ondersteund door geautomatiseerde algoritmes. Daarnaast verwacht Balla (2013) dat bedrijven door de stroomlijning en automatisering van online data (in real-time) in staat zijn om de aanbevelingen van “advanced predictive analytics” en “business rules” samen toe te passen om online marketing inspanningen te optimaliseren.

Ten tweede, Big Data applicaties zullen belangrijk worden in online marketing. Deze applicaties worden uitgelegd als web-based applicaties die enorme hoeveelheden data interpreteren en gebruiken om intelligente resultaten te leveren voor bedrijven. Één van deze velden is programmatisch kopen van online advertenties door algoritmes en “real-time bidding” (Simoudis, 2013). Daarnaast wordt verwacht dat applicaties ontwikkeld zullen worden om website conversie te verbeteren (Freeman, 2012).

Angel (2012) noemt vijf (voor dit rapport interessante) domeinen waarin applicaties kunnen onstaan. 1. Advanced web analytics door het verplaatsen

van data in zogeheette “data marts” levert nieuwe analytische kansen. Verloop en behoud van klanten kan onderzocht worden, individuele rekeningen en klanten kunnen worden gevolgd in gebruik en operationele prestaties, datagestuurde marktsegmentatie en het zien van de toegevoegde waarde van elk traceerbaar contactmoment.

2. Klantpersonalisatie is een van de belangrijkste punten in digitale marketing, waaronder het volgen van de complete route van een klant. Daarvoor moeten meerdere datastromen worden geïntegreerd.

3. Advertising analytics en attribution modelling; digitale advertentie kanalen zijn verwoven en het meten van de “last-click-attribution” overschat de effectiviteit van bepaalde kanalen en onderschat de effectiviteit van andere kanalan. Daarom ontwerpen bedrijven nu verfi jndere modellen van campagne-attributie.

4. Website personalisatie is één van de unieke kansen van online marketing. Personalisatie gebeurt door het integreren van real-time analyse (huidig gedrag) met bestaande klantgegevens, plus geavanceerde modellering. Tot op heden zijn de meeste bestaande SaaS hier inadequaat in.

5. Social media analyse; de analyse van ongestructureerde en onbewerkte op tekst gebaseerde data.

4.1 Meer automatische content, advertenties en websites door zelf-lerende algoritmesDe automatisering van content, advertenties en websites is een resultaat van algoritmes die worden ontwikkeld. Zelf-lerende- en zelf-opererende algoritmes worden slimmer en beter in het analyseren van online klanten/bezoekers. Het resultaat is dat bedrijven beter in staat zijn automatisch content, advertenties en websites te personaliseren. Echter, het ontwikkelen van de content blijft menselijk werk, omdat algortmes hier niet toe in staat zijn. Deze zelf-lerende algoritmes verbeteren zich naarmate meer klanten/bezoekers zijn geanalyseerd en laten automatisch de beste content zien voor iedere bezoeker op basis van klantprofi elen.

4 Toenemende automatisering in online marketing

20

Om content aan te passen in real-time voor bezoekers van websites moeten de analyse via deze algoritmes met zeer hoge snelheid gebeuren.

In het verlengde hiervan wordt verwacht dat het verzamelen en analyseren van data door mensen minder gedaan zal worden door mensen. Mensen zullen meerder opties voor online marketing campagnes, advertenties en andere marketing uitingen ontwerpen en dat de data zal bepalen welke uiting de juiste is. Als voorbeeld wordt genoemd dat binnen een “bibliotheek” van een website alle type en vormen van advertenties worden bewaard. Intelligente advertentie services identifi ceren de personen die binnen komen op een website of mobiele applicatie en gebaseerd op de kennis van deze persoon zal de beste advertentie worden laten zien.

Dus vanuit dit perspectief kan worden gezegd dat marketingkeuzes meer automatisch worden, gebaseerd op data van klant gedragingen. Hierbij zullen snelheid van belang zijn om zo snel mogelijk te online marketinguitingen te personaliseren en is datavolume van belang omdat algoritmes beter worden naarmate meer data is verzameld.

4.2 Big Data marketingapplicaties in opkomstDe tweede ontwikkeling die genoemd is, is dat verwacht wordt dat meer Big Data marketingapplicaties zullen worden ontwikkeld. Deze applicaties prepareren en/of analyseren “automatisch” Big Data voor de gebruikers, waardoor gebruikers zelf niet in de data hoeven te duiken. Echter, de vraag is of meer en meer van deze applicaties zullen worden ontwikkeld, of dat deze door bedrijven in-house worden ontwikkeld of dat deze worden geïntegreerd in een groter geheel.

Een oorzaak die genoemd wordt voor de opkomst van deze applicaties is dat veel kennis van de “Linux Unix command line” (vergelijkbaar met de oude prompt line van DOS) nodig is om met Big Data te werken. Zonder deze kennis is het zeer moeilijk om een “Big Data product” maken.

Het gevolg hiervan is dat bedrijven voor leken “black box” Big Data oplossingen zullen ontwikkelen, waardoor leken enkel hun accounts hoeven te linken aan deze applicaties. Bovendien is er veel te veel data beschikbaar en hebben de meeste bedrijven niet de bekwaamheid om een infrastructuur te bouwen om met Big Data om te gaan. Zodoende wordt verwacht dat veel van deze Big Data marketing applicaties zullen ontstaan om specifi eke bedrijfsproblemen op te lossen.

Bedrijven als Adobe, Tableau en Google maken het met hun services al mogelijk om van Big Data gebruik te maken zonder er zelf iets mee te hoeven doen. Sentiment analyse tools zijn ook voorbeelden van deze “black box” Big Data oplossingen/applicaties (bijvoorbeeld Bluefi n Labs). Bij deze applicaties/bedrijven hoeven klanten enkel hun accounts te linken aan deze applicaties.

Verwacht wordt dat meer van deze tools worden ontwikkeld, omdat bedrijven zullen proberen een bepaalde niche te bedienen en zullen proberen dit absoluut perfect te laten werken.

De vraag is of deze applicaties worden ontwikkeld en aangeboden door externe partijen of dat bedrijven hun eigen systemen/applicaties zullen ontwikkelen (zoals Amazon.com).

21

Normaal gesproken is de trend dat tools worden ontwikkeld, deze worden doorontwikkeld tot een applicatie en eindigen als een service. Een voorbeeld is het bedrijf Mckinsey die applicaties koop en deze gebruikt om hun services aan te bieden. Mogelijk wordt dit ook de trend voor Big Data marketingapplicaties. Ten tweede wordt binnen online marketing de hoeveelheid bedrijven en merken steeds minder door fusies en overnames.

Dus aan de ene kant wordt verwacht dat meer Big Data marketingapplicaties zullen ontstaan, maar aan de andere kant dat Big Data marketingapplicaties zullen samensmelten of overgenomen worden door grotere partijen. Daarbij komt dat een deel van de experts verwachten dat de genoemde tools/applicaties zich blijven ontwikkelen en uiteindelijk producten worden aangeboden die alle online marketinginspanningen (SEO, social, traffi c, Google analytics, etc.) via één platform gaan. Dus zal de hoeveelheid Big Data marketing applicaties daardoor afnemen.

Dus, Big Data marketingapplicaties zullen meer en meer opkomen, omdat bedrijven niet de kennis of infrastructuur in huis hebben om met de volume, variëteit en snelheid van Big Data om te gaan. De applicaties die zullen onstaan focussen op specifi eke niches en maken dus op verschillende manieren gebruik van Big Data om deze niches te bedienen. De vraag is echter of deze ontwikkeling zich doorzet of dat door fusies en overnames de hoeveelheid applicaties uiteindelijk weer zal afnemen.

4.3 Voorbeelden uit de praktijk laten hetzelfde beeld zienDe interviews met de bedrijven laten zien dat zeker sprake is van automatisering binnen online marketing door middel van Big Data marketingapplicaties onder invloed van Big Data.

SEMrush en Intelligent Positioning halen automatisch grote volumes data binnen en deze worden door hun applicaties automatisch verwerkt en geprepareerd voor analyse. SEMrush verzamelt grote hoeveelheden data van zoekmachineresultaatpagina’s en domeindata, zodat klanten onderzoek kunnen doen ten gunste van organische zoekmachinemarketing, AdWords en hun concurrenten.

Intelligent Positioning verzameld data van meer dat 20.000 trefwoorden, URL’s van klanten en concurrenten in real-time en over een langere periode van meerdere zoekmachines uit verschillende landen. Inspanningen en concurrenten binnen zoekmachinemarketing worden ook onderzocht en er worden op kleine schaal automatische aanbevelingen gedaan.

Moz, BloomReach en KISSmetrics gebruiken grote hoeveelheden data ten gunste van zoekmachinemarketing en geven dit aan hun klanten via hun applicatie. Echter focussen deze bedrijven zich op meerdere databronnen.

Moz haar analyse tool biedt analyse van websiteverkeer en website-autoriteit (waarvoor grote hoeveelheden data van het web worden verzameld), informatie over zoekmachine marketing en link informatie (links naar en van websites). Klanten kunnen gedeeltelijk zelf handmatig aangeven wat gevolgd en geanalyseerd moet worden.

22

BloomReach biedt automatische aanbevelingen aan om websites van klanten aan te passen op basis van grote hoeveelheden data van verschillende bronnen: data van de website van de klant, klant intentie en informatie over de opbouw en indeling van grote aantallen goed scorende websites.

KISSmetrics haar applicatie maakt het mogelijk voor bedrijven om allerlei verschillende databronnen te combineren en zelf op te zetten wat ze willen volgen en analyseren van hun bezoekers. Wanneer dit is ingesteld wordt het verzamelen, analyseren en het geven van inzichten van deze data automatisch gedaan. Echter het interpreteren van de resultaten zal door mensen moeten worden gedaan.

HowAboutYou is de laatste genoemde case die gebruik maakt van een applicatie die automatisch data van social media gebruikt voor hun klanten. Dit bedrijf maakt gebruik van een applicatie die sentimentanalyse toepast op sociale media (om en nabij 400.000 bronnen). Automatisch geeft deze applicatie door wat wordt gezegd over de klanten van HowAboutYou.

Naast het feit dat al deze bedrijven grote hoeveelheden data gebruiken en verwerken in hun applicaties, is ook snelheid van verwerking belangrijk. Zo is Moz bezig met het versnellen van hun data-updates, van 7 tot 10 dagen naar dagelijkse updates. Intelligent Positioning voert al dagelijkse updates van hun data uit. SEMrush is momenteel bezig de mogelijkheden te onderzoeken om op zijn minst hun Amerikaanse database dagelijks te updaten. De snelheid is van belang, zo geven deze bedrijven aan, zodat hun klanten sneller de resultaten (oftewel het succes of falen) van hun online marketinginspanningen kunnen zien.

Brad Friedman van Moz geeft hier ook aan dat snelheid een belangrijk onderdeel is van hun applicatie/service en dat hun grootste concurrent (MajesticSEO) hun data sneller update, maar kwantitatief en kwalitatief inferieure data heeft. Zodoende spreekt hij uit:

“Als we hen kunnen achterhalen op basis van versheid van de data, dan hebben we een slam dunk”

Hieruit valt af te leiden dat snelheid van het verzamelen en verwerken van data ook zeker belangrijk is wat betreft automatisering en Big Data marketingapplicaties.

4.4 Conclusie; volume, variëteit en snelheid belangrijk voor automatische analyses in online marketingTen eerste, zelf-lerende algoritmes zullen menselijke beslissingen over content, promoties en websites vervangen. Dit wordt gedaan door grote hoeveelheden klantdata te volgen met grote snelheid.

Ten tweede zijn de verwachtingen dat Big Data applicaties meer zullen opkomen en meer van belang zullen worden. Deze applicaties combineren en verwerken automatisch grote hoeveelheden en diverse types data met grote snelheid. De verwerking en/of analyse van deze data wordt geleverd aan klanten door middel van applicaties, waarbij de klant enkel zich hoeft aan te melden en accounts moet koppelen. Echter, het interpreteren van de anlyse en het actie ondernemen blijft een taak voor de marketeers. Vervolgens lijkt het redelijk om te zeggen dat, op zijn minst, kleine bedrijven niet de mogelijkheden hebben om deze applicaties zelf te ontwikkelen door de impact van het volume, variëteit en snelheid van de data tegenwoordig.

23

Dus bedrijven binnen online marketing kunnen andere bedrijven bedienen/van dienst zijn door het ontwikkelen van Big Data marketingapplicaties: Het verwerken van grote volumes data van verschillende bronnen en wanneer mogelijk met hoge snelheid ten gunste van het analyseren van online marketinginspanningen.

In het verlengde hiervan moeten bedrijven binnen online marketing zich gaan voorbereiden hoe om te gaan met Big Data.

In tegenstelling tot wat in de introductie van dit hoofdstuk is beweerd, is weinig bewijs gevonden gedurende de interviews met bedrijven en experts voor het automatisch aanpassen van content, het automatisch doen van marketing beslissingen en aanbevelingen. Dit betekent waarschijnlijk dat het automatiseren van content, keuzes en aanbevelingen door gebruik van Big Data momenteel nog moeilijk te realiseren is binnen online marketing en voornamelijk binnen zoekmachinemarketing.

Figuur 5 – Volume, variety and velocity in favor of automated marketing

3 Vs ofBig Data




Velocity Variety

Volume

Automated marketing through Big Data Marketing applications

Automation of content, choices and recommendations inonline marketing

24

Verbeterde effectiviteit/prestatie wordt gerealiseerd door het verfi jnen van bedrijven en het verbeteren van effi ciëntie, winstgevendheid en de concurrentiepositie volgens Gopalkrishnan et al. (2012). De Big Data Insight Group (2011) legt uit dat dit bereikt kan worden door het verbeteren van interne processen, het voorspellen van trends, het verkrijgen van betere inzichten in bestaand en potentiële klanten, het creëeren van beter zicht op de markt en het realiseren van nieuwe inkomstenstromen.

Meer specifi ek voor online marketing, Jaarsma (2012) beweert dat tegenwoordig marketingprestaties zeer gedetailleerd meetbaar zijn; klant sentiment en klanten kunnen op microniveau worden benaderd door inzichten in zoek- en koopgedrag. Jaarsma (2012) noemt verschillende toepassingen:• Het optimaliseren van online bezoek naar websites

en het inzetten van de beste kanalen per campagne/klantsegment en tijdstip

• Het analyseren van klantgedrag op webplatformen om conversie te verhogen

• Het matchen van content op bepaalde klantprofi elen• Het analyseren van klantsentiment op social media

voor het verbeteren van leads, klantenservice, PR en reputatiemanagement

• Het verrijken van CRM informatie met online gedag en informatie van klantprofi elen

Dit leidt tot betere marketingprestaties, verbeterde allocatie van middelen en hogere rendementen op investeringen (De Ratta, 2013).

5.1 Verbeterde effi ciëntie en resultaten van online marketingTen eerste, bedrijven kunnen hun balans tussen interne verkoopdoelstellingen en behoefte van de klant beter afstemmen door Big Data. Organisaties worden relevanter in hun communicatie naar klanten toe door personalisatie en interne verkoopdoelstellingen kunnen beter afgestemd worden op klantbehoefte en klantbeeld. Dit is duidelijk intern gedreven. Echter, doordat de klantbehoefte bekend is en een goed beeld van de klant bestaat (door het combineren van alle beschikbare data), kunnen interne verkoopdoelstellingen beter worden afgestemd op de klantbehoefte. Dit heeft de potentie om effi ciëntie, interne processen en winstgevendheid te verbeteren.

Ten tweede hebben de drie eerder beschreven ontwikkelingen (personalisatie, holistische marketing en automatisering) allemaal het vermogen om de prestaties en effectiviteit in online marketing te verbeteren.

Personalisatie heeft het vermogen om een beter beeld te schetsen van klantgedrag en daardoor is gerichtere online marketing mogelijk. Het is aannemelijk dat klanten hierdoor meer aangetrokken voelen tot online marketing uitingen en daardoor de prestaties en effectiviteit van de marketing inspanningen omhoog gaan. Holistische marketing en het combineren van online- en offl ine data biedt de mogelijkheid om betere inzichten te verkrijgen van klanten en bedrijfsoperaties.

Automatisering lijkt in de eerste plaats online marketing meer berschikbaar te maken voor het grote publiek, denk hierbij aan de Big Data marketing applicaties.

5 Verbeterde effi ciency, resultaten en meetbaarheid van online marketing

25

Daarnaast, zijn marketingbeslissingen meer gebaseerd op data in plaats van gevoel. Het is aannemelijk dat hierdoor betere beslissingen worden genomen. In het verlengde hiervan laten de applicaties uit de cases zien, dat klanten door het automatisch verzamelen en verwerken van grote hoeveelheden data sneller en dieper hun online marketinginspanningen kunnen analyseren/interpreteren. Hierdoor kunnen klanten van deze bedrijven effi ciënter te werk gaan en de prestaties van online marketing verhogen.

Als laatste is in eerdere hoofdstukken al vermeld dat uit de cases blijkt dat een breder beeld wordt geschetst van online marketinginspanningen, waardoor bedrijven beter inzicht krijgen in hun online marketingresultaten, concurrenten en hen uiteindelijk in staat stellen om betere beslissingen te maken. Het is aannemelijk dat deze voordelen leiden tot betere prestaties en effi ciënter gebruik van online marketing.

5.2 Toenemende meetbaarheid van online marketingUitspraken van de experts, eerder beschreven ontwikkelingen en de cases uit deze studie laten zien dat online marketing steeds beter meetbaar is en mogelijk zal het beroep van de online marketeer hierdoor veranderen. Deze verwachting dat online marketing beter meetbaar zal worden is ook uitgesproken door Jaarsma (2012).

5.3 Voorbeelden van verbeterde effectiviteit, resultaten en meetbaarheid in online marketing Het beeld dat hierboven is beschreven (verbeterde prestaties en meetbaarheid) gebaseerd op de expert interviews, is ook te herleiden uit de case studies.

Big Data wordt gebruikt voor de verbetering van effectiviteit en resultatenHieronder een overzicht van een aantal steekwoorden uit de “value propositions” van de bedrijven die bestudeerd zijn. Hieruit kan geconcludeerd worden dat deze bedrijven services aanbieden, gebaseerd op Big Data, die voornamelijk bedoeld zijn om de online marketingresultaten van klanten te verbeteren. Dit door meer verkeer naar de websites van hun klanten te trekken en de omzet van hun klanten te verhogen; oftewel het verbeteren van resultaten.

Daarnaast laat een deel van deze bedrijven (HowAboutYou en DataShaka) ook zien dat ze zich richten op het verbeteren van de effectiviteit van hun klanten door het besparen van tijd en door werknemers meer waardevol te maken.

Bedrijven binnen online marketing moeten dus Big Data inzetten om hun prestaties en hun processen te verbeteren. In het algemeen kunnen bedrijven verwachten dat minder wordt uitgegeven aan online marketing of dat de budgetten effi ciënter worden ingezet.

26

Bedrijf Onderdelen uit de value proposition

SEMrush“verbeter je online marketinginspanningen”; “het bedrijf laten groeien”; “het verdienen van- en besparen van geld”

BloomReach “het verhogen van bezoekers naar de websites en het verhogen van omzet voor hun klanten”

DataShaka

“als resultaat worden bedrijven instaat gesteld om meer waarde uit hun mensen te halen, doordat minder tijd wordt besteed aan het analyseren en beoordelen van verschillende datastromen”; “bedrijven hebben een volledig beeld van hun bedrijf en hebben de mogelijkheid om echt te begrijpen wat er gebeurt”

Intelligent Positioning

“om marketeers in staat te stellen om betere zakelijke beslissingen te maken door het gebruik van verschillende elementen van data, gebaseerd op klantgedrag. Hierdoor kunnen marketeers reageren op klantgedrag. Uiteindelijk om meer verkeer, bezoekers en omzet te genereren”

HowAboutYou“de waarde is dat ze compacter werkende klanten realiseren, welke meer effi ciënt zijn en dichterbij hun klanten staan”

Moz“om het succes en falen van SEO experimenten die klanten uitvoeren te kwantifi ceren en om bedrijfsresultaten, verkeer en marketing te verbeteren”

KISSmetrics“de waarde is klanten te helpen hun data te begrijpen en om hun bruikbare statistieken en inzichten te geven om meer geld te verdienen”

5.4 Cases laten toenemende meetbaarheid van online marketing zienDe toegenomen meetbaarheid van online marketinginspanningen is ook te herleiden aan de hand van de bestudeerde bedrijven. Grote volumes data en/of diverse databronnen worden voornamelijk gebruikt om inspanningen/resultaten op het gebied van zoekmachine marketing te beoordelen. Een goed voorbeeld hier is de applicatie van Intelligent Positioning. De applicatie meet en beoordeeld posities in zoekmachines en vergelijkt deze met concurrenten of gehele industrieën. Oftewel, Intelligent Positioning meet en volgt het succes en falen van bedrijven en zoektermen.

Ook Moz en BloomReach verzamelen grote hoeveelheden data van het web en combineren diverse datavormen in hun applicaties om het succes en falen van SEO inspanningen te meten en beoordelen. Alhoewel beiden dit op een verschillende manier doen en verschillende data gebruiken. KISSmetrics combineert databronnen om inzichten te verschaffen in klantgedrag en meet op deze manier online marketinginspanningen.

Hieruit valt te herleiden dat ook in de cases Big Data wordt ingezet om online marketing beter meetbaar te maken.

27

5.5 ConclusieDrie overwegingen zijn belangrijk als gevolg van verbetering van effi ciency/prestaties en meetbaarheid.

Toegenomen effi ciency en resultaten als gevolg van personalisatie, holistische marketing en automatiseringDe verschillende ontwikkelingen binnen online marketing on invloed van Big Data leiden allen to verbeterde effi ciëntie en prestaties. Personalisatie leidt tot een verbeterd beeld van klantgedrag en maakt gerichtere marketing mogelijk. Holistische marketing leidt tot betere inzichten over klanten en bedrijfsprocessen. Automatisering maakt online marketing beter beschikbaar voor het grote publiek, maakt online marketing minder een gevoelsspel en stelt bedrijven in staat om een breder en beter beeld van hun online marketinginspanningen te geven.

Dus bedrijven binnen online marketing moeten nastreven om met Big Data om te kunnen gaan en op zo’n manier gebruik te maken dat de hierboven beschreven voordelen worden behaald. Dit kan door bedrijven zelf gedaan worden of mogelijk kunnen externe partijen ingeschakeld worden om dit te bereiken.

Toegenomen meetbaarheid van online marketinginspanningenMarketinginspanningen zijn beter meetbaar geworden door de ontwikkeling van het internet en online marketing. Dit blijkt doordat grote volumes- en variëteit aan data wordt gebruikt voor het volgen van klantgedrag, zelf-lerende algoritmes, combineren van online- en offl ine marketing en Big Data marketing applicaties om online marketing te verbeteren. Het gevolg is dat het werkveld van de online marketeer minder zal gaan over gevoel en meer zal gaan over data en analyses.

Dit zal waarschijnlijk leiden tot beter ontworpen en afgestemde marketingcampagnes. Dit zal ook het doel moeten zijn van bedrijven actief in (online) marketing. Klanten en internetgebruikers moeten zich bewust zijn van het feit dat hun gedrag steeds beter te volgen is op internet en dat ze hun anonimiteit verliezen op het internet.

Het werkveld van de online marketeer zal veranderenVerwachtingen zijn dat een nieuwe manier van werken zal opkomen of al opkomt in online marketing. Tegenwoordig en/of vroeger werd data verzameld en geanalyseerd door mensen. Gebaseerd op deze analyse werden beslissingen gemaakt.

In de nabije toekomst wordt verwacht dat ditz al veranderen in een model waarin de marketeer verschillende uitingen of campagnes ontwikkelt en de klant met zijn gedrag bepaalt welke campagne of uiting het best is en wordt laten zien. Dus, data van klantgedragingen wordt gemeten en is beslissend. Uiteindelijk zal online marketing steeds minder over gevoel gaan en steeds meer over data en de meetbaarheid van verschillende aspecten. Dit kan een tweedeling in de online marketing veroorzaken; enerzijds marketeers die zich voornamelijk met data bezig houden en anderzijds marketeers die nog steeds focussen op het ontwikkelen van aantrekkelijke content en zich bezig houden met hetgeen dat gemeten moet worden van de klant.

Bovendien zal online marketing meer gaan over het gebruiken van inzichten van tools en data analyse om de juiste strategie toe te passen. In andere woorden, online marketing wordt meer geautomatiseerd en uitgevoerd door computers. Daardoor zullen online marketeers waarschijnlijk op een hoger strategisch niveau moeten acteren bij hun klanten.

28

Online marketing bedrijven en andere bedrijven moeten er rekening mee houden dat het mogelijk is om hun marketing inspanningen beter te meten en te beoordelen.

Schematisch overzicht In de voorgaande hoofdstukken is beschreven welke ontwikkelingen worden verwacht of al gaande zijn in online marketing onder invloed van Big Data (personalization, holistic marketing en increased automated marketing).

Dit resulteert in verbeterde effectiviteit en resultaten in online marketing. Daarnaast neemt de meetbaarheid van online marketing toe, waar (deels) de beschreven ontwikkelingen als voorbeeld van worden gezien. Hieronder een schematische weergave.

Figuur 6 – Overzicht van ontwikkelingen

3 Vs ofBig Data




Velocity Variety

Volume

Holistic marketing

Personalization AutomatedMarketing

Improved effectiveness/performance of online marketing as a result of developments

Increasing measurability of online marketing

29

6 Discussie Big Data

Boyd en Crawford (2012) hebben uitgesproken dat meer data niet altijd beter is. Hieruit valt te herleiden dat voorzichtheid in acht moet worden genomen aangaande Big Data. Ook in deze studie zijn geluiden gehoord dat voorzichtigheid geboden moet worden.

6.1 Big Data een hype? Op de eerste plaats kan Big Data tot op zekere hoogte worden gezien als modewoord. Het is namelijk niet geheel duidelijk wat Big Data is en de hoeveelheid data die wordt aangeduid als Big Data. Kijkend naar de defi nities van Big Data (betreffende het opzoeken van technologische grenzen); welke hoeveelheid data is onmogelijk teveel voor computergeheugen en dus de vraag hoeveel data mag worden gezien als Big Data. In het verlengde hiervan, wat voor het ene bedrijf Big Data is, kan voor het andere bedrijf weinig data zijn en vice versa. Bovendien vragen Boyd en Crawford (2012) zich af of meer data beter is, omdat veel vragen beantwoord kunnen worden met “kleine data”.

Ten tweede wordt gezegd dat er al langere tijd veel data beschikbaar is. Echter, doordat computers sterker en sneller worden kan deze data gebruikt worden binnen twee minuten in plaats van twee dagen. Zodoende wordt dezelfde hoeveelheid data beschouwd als Big Data, doordat deze data meer bruikbaar is tegenwoordig. De vragen die worden beantwoord en de manier van werken zijn niet substantieel veranderd. Dus de vragen en problemen die een aantal jaren geleden onoplosbaar waren zijn tegenwoordig op te lossen door de groei in computerkracht, niet door Big Data.

Dit beeld wordt ondersteund doordat in de interviews is vermeld dat sommige oude technieken (voor offl ine data) herbruikt worden voor Big Data. Een voorbeeld hiervan is de zogeheette “market basket analyse” die tegenwoordig al in eerder fases wordt ingezet in het aankoopproces. Ook dit is een voorbeeld waarbij oude technieken kunnen worden toegepast door de toenemende kracht van computers.

Big Data kan dus worden gezien als onduidelijk begrip in de huidige defi nitie en de interesse in Big Data kan ook worden opgehangen aan de toegenomen kracht van computers. In dit opzicht is Big Data een modewoord.

6.2 Het vinden van de juiste data en deze data nuttig maken Het hebben van grote hoeveelheden data is geen doel opzich, maar het weten welke data nuttig moet het doel zijn. Een gegevel voorbeeld; het hebben van grote hoeveelheden blogdata over klanten is nutteloos wanneer niet bekend is wat op de specifi eke blogpagina’s heeft gestaan.

De juiste vragen moeten worden gesteld om zeker te zijn dat de verzamelde data nuttig is; wat wil ik weten over de klant en hoe wil ik dit gebruiken? Het is onmogelijk om antwoorden te krijgen van data die niet is opgeslagen en nutteloze data zal worden opgeslagen wanneer de verkeerde vragen worden gesteld. Een uitspraak van Maurits Kaptein hierover:

“Garbage in, garbage out; als je iets wilt leren op basis van data, maar je data is puin, dan zal je niks zinnigs leren”

Het beeld dat veel bedrijven grote hoeveelheden data bezitten zonder hiermee een duidelijk doel te hebben, wordt gedragen bij meerdere experts.

30

Zo een dergelijke situatie maakt het moeilijk en soms onmogelijk om aan de slag te gaan met de data. Volgens Mieke de Ketelaere is de volgende vraag essentieel:

“Waar ligt het bedrijfsprobleem?”

Een voorbeeld genoemd door haar is een Spaans postbedrijf die Big Data inzette om klantuitgaven in Madrid in kaart te brengen en te analyseren. In tegenstelling tot de verwachtingen was slechts één grote klant verantwoordelijk voor het hoge gemiddeld gespendeerde bedrag van 5000 euro. Het orginele idee om op grote klanten te focussen bleek niet de oplossing voor de slechte positie waarin het bedrijf zich bevond. Dit laat zien dat het van belang is om het probleem te kennen en de juiste vragen te stellen om Big Data goed in te zetten.

Een ander voorbeeld waarin terugkomt dat het belangrijker is hoe data wordt gebruikt dan het hebben van Big Data zijn de algoritmes. Het is volgens een respondent moeilijker een succesvol algoritme te bouwen die van zichzelf slimmer wordt gebaseerd op data, dan het verzamelen van data. Dus wordt Big Data beschouwd als een heel belangrijk ingrediënt, echter wat hiermee gedaan wordt is belangrijker.

Dus het verzamelen van data van een variatie aan bronnen kan niet een doel op zichzelf zijn. Bedrijven moeten bewust zijn welke problemen beantwoord moeten worden en moeten in essentie de juiste vragen stellen voordat men met Big Data aan de slag gaat.

Data kwaliteitOm zeker te zijn van kwalitatieve hoogwaardige data, moeten organisaties nadenken hoe dit te waarborgen voor de analysefase. Zoals eerder vermeld kan het waardevol zijn om alle activiteiten op te zetten als een experiment, met als doel bepaalde acties tegen elkaar af te zetten en te beoordelen welke acties het meest succesvol zijn.

Daarnaast blijkt dat een aantal van de bestudeerde bedrijven bepaalde methodes hebben gerealiseerd om de kwaliteit van de data te waarborgen. DataShaka heeft een volledig kwaliteits systeem aan het werk die is gebaseerd op vier stappen; kwaliteit van de data, veerkracht en robuustheid van het systeem, snelheid van terugkeer en de hoeveelheid data. Met deze vier stappen zijn ze in staat uit te voeren wat bekent is als D-A-T (Data Acceptance Testing). D-A-T is het proces waarbij gevraagd wordt op welk punt de data gevalideerd wordt; op de weg inkomend of op de weg naar buiten? Dit houdt in dat sommige bedrijven meer geïnteresseerd zijn hoe de data eruit ziet aan het eind en anderen meer belang hebben dat de inkomende data gevalideerd wordt. Dit proces wordt ondersteund door hun systeem waarbij alles bekend is van ieder stuk data (waar komt het vandaan, wat is ermee gebeurd en wie is er mee in contact geweest?).

Andere cases laten ook zien dat de kwaliteit van data belangrijk is. SEMrush en Moz focussen op de correlatie tussen de data en de zoekmachine resultaatpagina’s. Moz heeft een systeem waarbij de correlatie tussen hun data en de data van Google correleert. Moz controleert dit doordat klantspecifi eke resultaten van woorden in Google overeenkomen met de resultaten van SEMrush.

Zowel Moz als SEMrush worden gebruikt om SEO te verbeteren en dus is de kwaliteit van de data essentieel.

31

In sommige gevallen is datakwaliteit minder belangrijk. Dit is het geval bij social media, waar klanten willen weten “hoe de data eruit ziet” en de kwaliteit minder belangrijk vinden. De inzichten die uit social media worden gehaald zijn belangrijker en minder aandacht wordt besteed aan de kwaliteit. Dit komt doordat momenteel data van social media niet 100% betrouwbaar is volgens de respondenten.

Dus tot op zekere hoogte lijkt het van belang om zeker te zijn van kwalitatief hoogwaardige data. Echter, in sommige gevallen is het niet mogelijk dit te waarborgen en moeten bedrijven de kwaliteit niet heilig verklaren.

Een verschuiving in organisatorisch bewustzijnEen bijkomende uitdaging voor organisaties, die beknopt is genoemd door Manyika et al. (2011) en McAfee en Brynjolfsson (2012), is om door de hele organisatie data gedreven te worden. Dit is essentieel om de juiste data te verzamelen en data nuttig te maken.

Om data gedreven te worden door de hele organisatie moet vanaf de werkvloer tot aan de top van een organisatie alles worden geregistreerd. Tot op heden wordt dit door de respondenten als belangrijk probleem gezien en worden enkel grote bedrijven genoemd die dit onder de knie hebben (Google, Procter & Gamble, BSG en McKinsey & company). Volgens de respondenten zijn het merendeel van de bedrijven nog in de experimentatiefase en zijn slechts 10%-12% echt bezig met Big Data. Arend Zwaneveld beweert over dit gebrek aan meten en registeren:

“Als het niet in de cultuur zit en er wordt wel aan Big Data gedaan, dan bestaat de kans dat het een wassen neus is”.

Het web analytics model van Stephan Hamel (bijlage B) wordt hiermee geassocieerd. Het model legt uit dat organisaties in stappen meer data-gedreven moeten worden en door verschillende fases van volwassenheid gaan om dit te bereiken. Het model bestaat uit zes dimensies, allemaal met hun eigen volwassenheidsfases. Wanneer de groei over deze dimensies uit balans is, dan zal de organisatie falen om data-gedreven te worden. Een bedrijf met goede tools en een directeur die erg betrokken is, maar zonder kennis binnen de organisatie om iets met deze tools te doen, zal falen.

Big Data, werkt volgens dit model en een deel van de respondenten enkel wanneer organisaties volledige data-gedreven zijn. Het is belangrijk dat bedrijven data-gedreven werken, een goed doordacht plan hebben over het verzamelen en genereren van data en zich zodoende van kwalitatieve data voorzien.

Onduidelijkheid over Big Data voor organisatiesHet kleine aantal organisaties dat daadwerkelijk data-gedreven is, kan als oorzaak de onbekendheid van organisaties met Big Data. Bedrijven zijn onzeker over het inkomsten aspect aan de ene kant en aande andere kant het kosten aspect. Beide zijn onduidelijk en zodoende hebben bedrijven geen helder beeld wat Big Data kan opleveren. Bedrijven weten bijvoorbeeld niet of een Hadoop cluster moet worden gebouwd, of Big Data wetenschappers ingehuurd moeten worden en of een algoritme moet worden ontwikkeld. Door deze onzekerheid is het goed mogelijk dat bedrijven weg blijven van het actief bezig gaan met Big Data.

32

6.3 Integer handelen met betrekking tot privacy is belangrijk en technische uitdagingen zijn nodigVolgens Boyd en Crawford (2012) en Gopalkrishnan et al. (2012) zal de toenemende personalisatie en het richten op het individu onder invloed van Big Data leiden tot privacy kwesties. In dit onderzoek wordt een gemengd beeld geschetst; sommigen verwachten dat enkel de voordelen van belang zijn en anderen denken dat consumenten nadelig worden beïnvloed door de ontwikkelingen.

PrivacyIn het eerste opzicht wordt de privacy van mensen al in vele opzichten aangetast, maar het lijkt mensen niet te storen. Bijvoorbeeld op Facebook, waar mensen uitspraken doen en materiaal plaatsen die niet op prijs worden gesteld door hun omgeving. Echter, dit lijkt de meeste mensen niet uit te maken. In het verlengde van noemt een deel van de respondenten dat Big Data en Big Data applicaties worden gebruikt om het internet en aanbiedingen beter te maken. Hierbij is het niet het doel om de mensen achter de aanbiedingen te kennen en daardoor zullen mensen zich niet storen aan de ontwikkelingen.

Een ander deel van de geïnterviewden is het hier niet mee eens. Wanneer genoeg informatie beschikbaar is over een persoon om een specifi ek aanbod te doen, dan is de stap heel klein om erachter te komen wie deze persoon is. Wanneer alle aanbiedingen/uitingen ook worden aangepast gebaseerd op personen, dan wordt in zekere zin deze persoon beperkt in de uitingen die hij mogelijk te zien krijgt. Daarnaast, wanneer persoonlijke informatie wordt doorverkocht en alle partijen op internet reageren op dezelfde manier op een persoon, dan wordt deze persoon in zekere zin gekend (het personaliseren van content). Ondanks dat aan de persoon nog geen naam is gelinked, is alle informatie achter deze persoon wel bekend.

Ook wordt verwacht dat altijd een deel van de bedrijven de klantspecifi eke informatie zullen misbruiken en doorverkopen.

Toch mag verwacht worden dat privacy zelf-regulerend is. Wannneer bedrijven misbruik maken van informatie, mag verwacht worden dat deze bedrijven worden gestrafd doordat klanten weglopen bij zo’n bedrijf. Ook wanneer voordelen en acties door overheden en organisaties als “big brother” gaan aanvoelen, zullen mensen zichzelf beschermen tegen deze organisaties. Dus wordt verwacht dat organisaties integer zullen moeten handelen. Desondanks blijft het afwachten hoe klanten zullen reageren op de toenemende personalisatie en data die verzameld wordt, omdat het nog steeds in ontwikkeling is.

Gebaseerd op gezond verstand zullen bedrijven de privacy van klanten moeten verzekeren of op zijn minst de informatie die zij bezitten niet mogen misbruiken.

Technische uitdagingen worden overwonnenDe heersende opvatting over technische uitdagingen aangaande Big Data is dat uitdagingen bestaan, echter dat deze overwonnen worden en nodig zijn om technische progressive te boeken.

Doordat op dit gebied veel onderzoek wordt gedaan, is het onwaarschijnlijk dat er in de toekomst veel technische uitdagingen zullen zijn. De uitleg hiervoor is alsvolgend: technieken om met Big Data om te gaan, ontwikkelen zich, doordat er uitdagingen zijn. Het verlangen en de uitdaging om in staat te zijn om meer te berekenen, drijft de ontwikkeling naar sterkere en krachtigere computers.

33

Een groot aantal uitdagingen aangaande data bestaan al, maar deze zullen zich ontwikkelen in de toekomst onder invloed van het menselijk verstand. Dit kan worden teruggevoerd op de uitdagingen aangaande het stellen van de juiste vragen over de data, het verzamelen van de juiste data en het bruikbaar maken van data. Deze aspecten zijn voornamelijk menselijke aangelegenheden in plaats van technische uitdagingen.

Uit het onderzoek blijft dat analytische technieken en algoritmes in staat zijn om met Big Data om te gaan, het probleem zit hem echter in de hardware die moeite heeft met de sterk toenemende hoeveelheid data.

Het probleem dat zich regelmatig voordoet is dat het onmogelijk is data te verzamelen, doordat de hardware niet over genoeg capaciteit beschikt. Echter, wederom wordt verwacht dat deze uitdagingen nodig zijn om te verbeteren. Een andere uitdaging die genoemd wordt is de “online streaming” methode. Het probleem dat hier ontstaat is het vinden van de juiste balans tussen algoritmes die al werken en geld opleveren en het niet uitsluiten van de mogelijkheid dat er betere algoritmes mogelijk zijn.

Samenvattend valt dus te zeggen dat uitdagingen nodig zijn om verder te komen en dat door de grote hoeveelheid onderzoek dat gedaan wordt in deze richting, er weinig technische uitdagingen zullen blijven staan. De grootste uitdaging zal voornamelijk zitten in de vraag of mensen in staat zijn op een goede manier om te gaan met de hoeveelheid data.

Figuur 7 – Waarschuwingen Big Data

3 Vs ofBig Data




Velocity Variety

Volume

Hype?

Finding right data and make this data useful

Unfamiliarity of Big Data for organizations

Shift in organizational awareness

34

7 Literatuur

Angel, G. (2012). Choosing a big data technology stack for digital marketing. Opgehaald op 15 april, 2013, van http://public.dhe.ibm.com/common/ssi/ecm/en/imw14642usen/IMW14642USEN.PDF

Baars, H., & Kemper, H-G. (2008). Management Support with Structured and Unstructured Data – An Integrated Business Intelligence Framework. Information Systems Management, 25, 132-148.

Bakshi, K. (2012). Considerations for big data: Architecture and approach. Paper gepresenteerd op het IEEE Aerospace Conference Proceedings.

Balla, J. (2013). 3 Keys to unlock value into your online marketing data. Opgehaald 16 april, 2013, van http://blogs.sas.com/content/customeranalytics/2013/04/05/3-keys-to-unlock-value-in-your-online-marketing-data/

Bell, E. (2013). Search Marketing 2013 Trends and B2B Takeaways. Opgehaald 12 juni, 2013, vanhttp://www.business.com/b2bmarketing/search-marketing-2013-trends-and-b2b-takeaways/

Bloem, J., van Doorn, M., Duivestein, S., van Manen, T., & van Ommeren, E. (2012). VINT research report (no. 1): Creating clarity with Big Data. Retrieved February 13, 2013, from http://blog.vint.sogeti.com/?page_id=5544

Boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information Communication and Society, 15(5), 662-679.

Bughin, J., Chui, M., Manyika, J. (2010). Clouds, big data, and smart assets: Ten tech-enabled business trends to watch. McKinsey Quarterly.

Cuzzocrea, A., Song, I. -., & Davis, K. C. (2011). Analytics over large-scale multidimensional data: The big data revolution! International Conference on Information and Knowledge Management, Proceedings, 101-103.

De Ratta, R. (2013). 6 Predictions for 2013: Search Marketing & Big Data Analytics. Opgehaald 13 april, 2013, van http://searchenginewatch.com/article/2236472/6-Predictions-for-2013-Search-Marketing-Big-Data-Analytics

Díaz, M., Juan, G., Lucas, O., & Ryuga, A. (2012). Big data on the internet of things: An example for the E-health. 6th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, IMIS 2012, 898-900.

Gantz, J., & Reinsel, D. (2011). Extracting Value from Chaos. IDC IVIEW. Opgehaald 28 februari, 2013, van http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf

Gobble, M. M. (2013). Big data: The next big thing in innovation. Research Technology Management, 56(1), 64-66.

Gopalkrishnan, V., Steier, D., Lewis, H., & Guszcza, J. (2012). Big data, big business: Bridging the gap. Paper presented at the Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 7-11.

35

Haley, E. (2013). Through The Marketer’s Microscope: Big Data In 2013. Opgehaald 4 april, 2013, van http://www.searchmarketingstandard.com/through-the-marketers-microscope-big-data-in-2013

Hamel, S. (2009). The Web Analytics Maturity Model: a strategic approach based on business maturity and critical success factors. Opgehaald 20 augustus, 2013, van http://www.cardinalpath.com/cpwp/wp-content/uploads/WAMM_ShortPaper_091017.pdf

IBM Corporation. (2011). Big Data Succes Stories. Opgehaald 14 februari, 2013, van http://www-03.ibm.com/press/us/en/index.wss

Jaarsma, R. (2012). Dichter op je klant dankzij big data. Opgehaald 16 april, 2013, van http://www.mt.nl/404/71233/online-strategie/dichter-op-je-klant-dankzij-big-data.html

Jacobs, A. (2009). The Pathologies of Big Data. Communications of the ACM, 52(8), 36-44.

Ji, C., Li, Y., Qiu, W., Awada, U., & Li, K. (2012). Big data processing in cloud computing environments. Paper presented at the Proceedings of the 2012 International Symposium on Pervasive Systems, Algorithms, and Networks, I-SPAN 2012, 17-23

Kaisler, S., Armour, F., Espinosa, J.A., Money, W., & Washington, G. (2013). Big Data: Issues and Challenges Moving Forward. 46th Hawaii International Conference on System Science, 995-1004.

Kaushik, A. (2012). Multi-Channel Attribution: Defi nitions, Models and Reality Check. Opgehaald 15 april,, 2013, van http://www.kaushik.net/avinash/multi-channel-attribution-defi nitions-models/

The Big Data Insight Group. (2013). IDC predicts big data will be worth $23,8bn by 2016. Opgehaald 24 maart, 2013, van http://www.thebigdatainsightgroup.com/site/article/idc-predicts-big-data-will-be-worth-238bn-2016

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Buyers, A.H. (2011). Big Data: The next frontier for innovation, competition and productivity. Opgehaald 13 februari, 2013, van http://www.mckinsey.com/insights/mgi/research/technology_and_innovation/big_data_the_next_frontier_for_innovation

McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard Business Review, 1-9. Mehra, G. (2013). 6 Uses of Big Data for Online Retailers. Opgehaald 13 april, 2013, van http://www.practicalecommerce.com/articles/3960-6-Uses-of-Big-Data-for-Online-Retailers

Russom, P. (2011). TDWI Best Practices Report: Big Data Analytics. TWDI Research, 1-37.

Safran, N. (2012). How The Era Of ‘Big-Data’ Is Changing The Practice Of Online Marketing. Opgehaal 13 april, 2013, from http://searchengineland.com/how-the-era-of-%E2%80%98big-data%E2%80%99-is-changing-the-practice-of-online-marketing-112283

36

Onderdeel Bouwsteen Beschrijving

Offer Value propositionDe waarde die wordt geleverd door een bundel producten of services aan een specifi ek klantsegment.

Customers

Customer segmentsAan wie de waarde wordt geleverd en welke klanten bediend kunnen worden.

Customer relationships De manier waarop de organisatie een relatie opzet met klanten.

Distribution channelDe manier waarop de value proposition wordt gedistribueerd door middel van communicatie, distributie- en verkoopkanalen.

Infrastructure

Key resourcesDe belangrijkste middelen om waarde te creëren voor- en leveren aan klanten. Dit zijn menselijke, fi nanciële, fysieke en intellectuele middelen.

Key activities De acties die nodig zijn om het business model te laten werken.

Key partnerships

Beschrijft welke partnerschappen nodig zijn om het business model succesvol te maken. Deze worden geselecteerd voor hun middelen, het verminderen van risico’s en om het business model te optimaliseren.

Financial viability

Revenue streamsWat klanten bereid zijn om te betalen en welke prijsstelling-technieken worden gebruikt.

Cost structureKosten gerelateerd aan het creëren van waarde, leveren van waarde en het genereren van omzet. Alle kosten gerelateerd aan de hierboven beschreven bouwstenen.

Bijlage A: Business Model Canvas van Osterwalder

37

Bijlage B: Het web analytics maturity model van Stephan Hamel

Management Governance Adoption5. Competing on analytics4. Culture3. Senior management2. Director1. A project0. No champion

Objectives5. Competing on analytics4. Business Optimization3. eBusiness Optimization2. eMarketing Optimization1. Request list0. Undefi ned

Scope5. Competing on analytics4. Online ecosystem3. Single website2. Specifi c online

tactivity/sector1. HiPPO0. Improvisation

Team & Expertise5. Experienced & empowered4. Multidisciplinary3. Distributed team2. Single analyst1. Project approach0. No dedicated resources

Continous ImprovementProces & Methodology5. Agile approach4. Agile methodology (online)3. Continuous improvement

process2. Department/team metho1. Analyst’s own0. No methodology

Tools, technology & data intergration5. Strategic4. CRM3. eMarketing2. Behaviour Optimization1. Web metrics0. No web analytics

5

4

3

2

1

Whitepaper Big Data & online marketing 2014 | Indenty BV

Business

Transcript of Whitepaper Big Data & online marketing 2014 | Indenty BV