Van data naar inzicht: waarom de massa niets waard is
Als het gaat om data-analyses in online marketing, dan bekruipt mij weleens het gevoel dat we een beetje door het lint zijn gegaan. Noem het data-trigger-happy; op de een of andere manier zijn we op het punt gekomen dat we vinden dat we de hele bak met data van campagnes, kanalen en rapporten door moeten werken om een compleet beeld te hebben van ons publiek.
Dat betekent dat we luisteren naar alle discussies rond bepaalde zinnen, monitoren op zoekwoorden of merken over alle mogelijke kanalen en dat we artikelen in de pers, op fora, blogs, social media en andere kanalen uitpluizen. En wat leert die grote massa aan data ons? Natuurlijk wat de algemene trends zijn, maar veel meer ook niet. En van het baseren op algemene trends zijn nog nooit een verrassende of sterke campagnes ontstaan. Je brengt immers slechts een smaakvariatie op de bestaande grote trends. Van ‘data naar inzicht’ zit daarom niet in het analyseren van de grote massa, maar specifieke invloedrijke groepen.
Aandachtspanne van een goudvis
Laten we eerst eens kijken waarom data-analyses überhaupt zo belangrijk zijn geworden in online marketing. Dat komt namelijk vooral door onze (korte) aandachtspanne. We scrollen als een gek door Facebook, Instagram, Twitter, Snapchat of zoekresultaten en er is weinig dat echt beklijft. Met de overdaad aan kanalen en content die op ons afkomt, kun je dat ook wel verwachten.
Het antwoord van deze platformen om hiermee om te gaan kennen we ook: een dikke infofilter. Op basis van eerder ‘gebruikte’ informatie en gedrag van jou en je peers bepalen algoritmes welke content je voorgeschoteld krijgt. Hét grote vraagstuk van de online marketeer van nu is dan ook hoe je je doelgroep nog kunt bereiken en boeien ondanks deze filters. Als oplossing wordt vaak ‘data’ genoemd. Maar als je niet uitkijkt, trekken data je alleen maar verder in het moeras van irrelevantie.
Het zit namelijk zo: de filter in de feed van social media of zoekmachines, die ergens ook wel zijn waarde heeft, zorgt in de praktijk vooral voor een tunnelvisie. De discussie over de rol die algoritmes speelden in de informatievoorziening rondom de verkiezingen in de VS is daar een goed voorbeeld van, net zoals het betoog van Juan Buis (een redacteur van The Next Web) over Spotify.
Aan die volledig geautomatiseerde curatie zit een groot nadeel. Het algoritme baseert zich op de massa en kent die té goed, waardoor je nooit meer echt verrast wordt en verder sukkelt met nummers en albums die allemaal op elkaar lijken. Wie eenmaal tot een bepaalde groep hoort, zal steeds meer op die manier worden getarget en algoritmes zorgen ervoor dat je steeds dieper in die filterbubbel wordt geduwd, totdat er van verrassingen bijna geen sprake meer kan zijn. En dat is de overeenkomst met hoe (veel) op data gebaseerde campagnes tot stand komen: teveel kennis over een te grote groep.
1:9:90 model
Veelvreterij is het, die analyses op te veel data van een gigantische doelgroep. Hoe groter de groep is die je analyseert, des te groter de kans dat je uitkomt bij een voorspelbare en generieke segmentatie. Het gevolg: je mist een belangrijke kans om de doelgroep echt te verrassen.
Het resultaat bestaat vaak uit een tamelijk algemeen inzicht in trends. Iets wat je zelfs al op je onderbuik kunt concluderen. Om met bij de metafoor van Juan Buis te blijven; als je van Beyoncé houdt, dan is de kans aanzienlijk dat de deuntjes van Rihanna je ook kunnen bekoren.
Sterkere en originele inzichten krijg je eerder als je je op een klein, maar invloedrijk, deel van die groep richt. Data gedreven campagnes draaien om het identificeren van het juiste publiek. De eerste vraag die je jezelf als marketeer daarom kunt stellen: wie beïnvloed je als eerste om de beste hefboom te hebben voor de massa?
Het 1:9:90-model is een strategische benadering om een segmentatie aan te brengen in het publiek van een campagne.
1% van het publiek zijn influencers
De ‘top’ 1 procent van je publiek zijn de influencers die zelf content ontwikkelen, de markt vormgeven en ook de motor zijn achter conversaties over een onderwerp. Als zij het ergens over hebben, dan luistert de rest. Historisch gezien bestond deze groep vooral uit traditionele media. Maar zoals ook in de Marketingfacts Special over influencer marketing duidelijk werd, bestaat deze groep inmiddels uit journalisten, bloggers, ondernemers, experts en bijna ieder ander profiel met een groot publiek online.
9% valt te definiëren als actief publiek
Deze groep acteert als curator, voorziet veel content van een context en spit zich een weg door de berichten van influencers. Over het algemeen delen ze daarbij hun eigen mening. Deze groep doet aanbevelingen, deelt (in hun ogen) relevante content, schrijft zich in op nieuwsbrieven, podcasts en andere series, plaatst comments en laat hun peers weten wat ze kennen, weten en vinden.
De resterende 90% is de rest van de markt of het grote publiek
Deze massa leest, luistert en kijkt tot ze een ons wegen. Ze zijn eigenlijk ook best tevreden met deze redelijke ‘passieve’ houding en pikken uit de massa de content die hen aanspreekt. Je kunt stellen dat deze groep beslist hoe overtuigend de 1 procent en 9 procent feitelijk zijn voor het vertellen van het verhaal van een merk.
De eerste stap om vanuit data tot inzichten te komen, lijkt dus te beginnen met het identificeren en targeten van de 1 en 9 procent om vervolgens de overige 90 procent te beïnvloeden.
Het voordeel hiervan is dat je vervolgens met data van een kleinere groep aan de slag kunt. Je voorkomt hierdoor dat je heel veel data, van een gigantische massa, moet doorspitten. En zodoende kun je kritischer en sneller tot beslissingen komen op keuzes rondom messaging, kanalen, et cetera.
Een voorbeeld uit de muziek, ook al weet ik dat echte creatieve muzikanten zich niet in hokjes en modellen laten duwen. Stel je wilt de hitlijsten de komende periode bestormen. Dan kun je gaan kijken naar wat nu populair is in de top 40, een vergelijkbaar nummer maken en hopen dat je nummer een hit wordt. Ik denk dat we allemaal weten dat dit alleen kan door een heel groot marketingbudget waarmee je succes en aandacht kan ‘kopen’. Klinkt bekend toch als je het mechanisme van social advertising in gedachten neemt?
Een alternatief op deze aanpak is het 1:9:90-model. Wie zijn de groepen die de hitlijsten beïnvloeden? DJ’s, festivalprogrammeurs en redacteuren van diensten als Spotify hebben natuurlijk aardig wat in de melk te brokkelen, maar ook zij laten zich beïnvloeden door experts en actieve communities en juist daar kun je de bruikbare data vandaan halen. In een recent gesprek geeft 3FM-producer Vera Siemons het zelf aan op de vraag hoe zij nieuwe muziek ontdekt:
Ik ben nog steeds fervent muziekblogbezoeker. De interface van Indieshuffle bijvoorbeeld vind ik heel prettig werken, daardoor blijf ik die site wekelijks bezoeken. Daarnaast download ik van andere muziekblogs een lijst met nieuwe tracks. last.fm en haar statistieken vind ik ook nog steeds heel leuk om bij te houden.
Hoe dan?
Data worden nuttige inzichten wanneer je segmenteert om je keuzes nog gerichter af te stemmen. Als je muziekkenners, DJ’s of het publiek wilt verrassen, zoek je naar manieren waarop jouw nummers opvallen bij die 1 en 9 procent. En die kennis lijkt zich te bevinden op de door Siemons aangehaalde voorbeelden.
Voor marketing- en communicatiecampagnes betekent dit dat je bijvoorbeeld kunt focussen op analisten, cio’s en cmo’s van Fortune 1000-bedrijven of consumenten die in bepaalde technische gadgets zijn geïnteresseerd. Of je richt je op HR-professionals die inzicht willen krijgen in nieuwe IT-tools op het gebied van werk of diversiteit.
Door vast te houden aan de invloedrijke 1 of 9 procent binnen de grote doelgroep, kom je tot de inzichten die ertoe doen. Welke gadgets worden langzaamaan opgepikt? Zien we een verandering in profielen die cio’s volgen op LinkedIn? Welke podcasts worden door HR-professionals ingesproken, beluisterd en gedeeld? Met die kennis bouw je jouw verhaallijn op, maak je keuzes over de kanalen waar je je doelgroep wilt bereiken en heb je de kennis om de balans te vinden tussen paid, earned en owned inzet.
Het is een manier om niet in algemeenheden, voorspelbare keuzes of dertien in een dozijn hitjes te verzanden.