Help! Ik Heb Geen Data Scientist – Deel 1

Voordat Big Data op de Hypecycle van Gartner verscheen, was er al statistiek. En vóór statistiek, was er Aristoteles.

5 juli 2022, 14:30 3027 x gelezen

Dat je iets met klantdata moet, staat buiten kijf. Maar in de vakmedia lees je iedere week weer over een ander tekort: data scientists, data engineer, ML engineers, analytics translators. Heb je ambitie om je klant écht beter te begrijpen maar niet de resources die daarbij horen, dan sta je blijkbaar voor een uitdaging. Wat dan?

In deze reeks vertellen we over mindsets, tools, best practices en technieken die je ook zonder een heel datateam kunt toepassen. In de volgende editie gaan we dieper in op simpele technieken, maar we starten met een stukje filosofie over het trekken van conclusies.

Niemand neemt data scientists aan omdat ze het leuk vinden om over Python en Pandas te horen bij de koffieautomaat. Je zoekt uiteindelijk inzichten om actie uit te ondernemen. In de praktijk betekent dat data verzamelen, prepareren en analyseren tot je met bepaalde zekerheid ‘iets’ kunt zeggen. Maar voordat Big Data op de Hypecycle van Gartner verscheen, was er al statistiek, en vóór statistiek, was er Aristoteles.

Een uitstap naar Athene

Veel van ons denken over kennis en logica komt van de Oude Grieken. Nu is het logisch dat je niet bij iedere A/B-test denkt aan Plato, maar een klein uitstapje is wel de moeite waard. Aristoteles was een van de grondleggers van wetenschappelijk denken, met name van het begrip ‘inductie’.

Naast een type kookplaat, is dat ook een manier van redeneren waarop je van specifieke bevindingen, algemene conclusies bouwt. Een bekend voorbeeld is “Ik zie alleen maar zwarte raven, dus raven zijn zwart”. Maar ook in je marketing gebruik je dit: “We krijgen meer clicks op nieuwsbrieven met korte titels, dus onze klanten houden meer van korte titels”. Vrij praktische filosoof, die Aristoteles.

Wees wat cynischer…

In de 20e eeuw kwam daar echter een flinke voetnoot bij vanuit andere filosofen, waarvan Karl Popper waarschijnlijk de bekendste is. Kortweg kwam veel van de kritiek erop neer dat de zwarte-raven-manier van redeneren, iets te positief is. Als mens zoeken we graag naar bevindingen die onze hypotheses staven. De emailmarketeer uit het eerdere voorbeeld heeft tenslotte die titels niet ingekort om zijn lezers te pesten. Maar dat heeft een valkuil: valse zekerheid.

Google versus een goede analist

Popper zegt dat wetenschap – en laten we de science van data scientists daar ook maar onder gooien – helemaal niet kan verifiëren, maar alleen kan falsifiëren. Dat betekent dat we niet alle raven ooit en in de toekomst op kleur kunnen gaan turven om écht te bewijzen dat raven zwart zijn, maar we kunnen wel met het vinden van één witte raaf die hele stelling van tafel vegen. En hoewel dat maar een klein semantisch verschil lijkt, maakt dit begrip juist het verschil tussen een goede analist en iemand die goed kan googelen.

”Mag ik dat zeggen?”

De kernvraag die hieruit volgt, is die van een bekend sportcommentator: “mag ik dat zeggen?”. Een goed analist is ook fulltime criticus. “Ja, ik had wel meer clicks op de korte titels, maar: ik had ook een kortingscode in de mail gezet. Mag ik dit dan zeggen?”

De basis van goede A/B-tests, de basis van goede conclusies in het algemeen gaat er niet om dat je constant je eigen gelijk bewijst, maar juist altijd probeert je eigen gelijk onderuit te halen. En lukt dat niet: dan hanteren we voor nu je stelling. Werkt de volgende nieuwsbrief zónder kortingscode ook beter? Op zoek naar het volgende gat in je redenering.

…maar wordt niet vleugellam

Hier zit natuurlijk een keerzijde aan: een goede criticus verdient geen geld. Door de criticus goed in balans te houden met de ondernemer in je, zet je de juiste tests in om relevant te zijn voor je klant. Dat betekent dat je niet te overhaast halve waarheden over je klant gaat aannemen, maar constant zoekt naar manieren om extra waarde voor ze toe te voegen. En dat kan zijn met een heel complex model, maar ook gewoon door even goed na te denken voordat je vraagt ‘heb je liever product A of product B’?

Als je vaak genoeg ‘mag ik dat zeggen’ gebruikt, wordt het een competentie die op ieder vlak toepasbaar is. Of je nu advertenties opstelt, datasets prepareert of segmentatiecriteria opstelt: de juiste dosis Popper helpt om focus te houden op échte resultaten en niet te verzuipen in allerlei onsamenhangende testresultaten.

In de deel 2 ga ik dieper in op verschillende technieken. Nu al meer weten over hoe jouw bedrijf datagedreven kan worden? Neem vrijblijvend met me op. Ik drink graag een (digitale) kop koffie met je.

Kevin van Kalkeren
Manager Product Management & Data Science | Oprichter | Docent Marketing Analytics bij OnMarc | Connaisseur | Hogeschool Utrecht

Categorie

Marketingfacts. Elke dag vers. Mis niks!