Succes boeken met je bedrijf? Combineer creativiteit met data

Creativiteit is nodig om de kansen van data te zien. Ja, je hoort het goed: creativiteit en data. Op het eerste gezicht twee tegenovergestelde begrippen. Data worden gezien als feitelijk, rationeel en objectief, terwijl creativiteit meer geassocieerd wordt met gevoel, innovatief, associatief en flexibel. Het zijn eigenlijk de twee hersenhelften in ons brein.

In de praktijk zie ik dat als je met een ‘creatieve bril’ met data aan de slag gaat, je de beste en mooie inzichten krijgt. Dat klinkt op het eerste gezicht misschien vaag en een beetje zweverig, maar ik neem je graag in deze blog mee in dat proces, want een creatieve mindset is een ‘must’ om data te verwaarden in je bedrijf.

'Om resultaten naar acties te vertalen, moet je creatief kunnen denken'

Door meerdere databronnen te combineren of verder te denken dan sec de resultaten van een analyse, kom je namelijk tot verrassende ontdekkingen. Om resultaten naar acties te vertalen, moet je creatief kunnen denken. In de ideale wereld zitten dan ook data-analisten en creatieven en marketeers bij elkaar, denken ze samen na over de uitkomsten van een analyse en komen ze samen tot een plan in plaats van gescheiden van elkaar, wat doorgaans de norm is. Kortom, een grondige data-analyse en een brainstorm over de resultaten zijn nodig om met data successen te boeken. En dan moeten de analisten, creatieven, marketeers en sales dit wel samen doen.

Ik zei al, ik ben ervan overtuigd dat data en creativiteit tot de beste inzichten en data-acties leiden. Ik pas het zelf geregeld met mijn teams toe. Ik neem je graag mee in een voorbeeld waarin data en creativiteit elkaar vinden, zodat jij ook overtuigd raakt.

Voorbeeld: koffiegenieter = chocolade = hoger rendement

Een groot koffiemerk wilde een nieuwe premium productlijn in de markt brengen met een premium prijs. Dus aan de bovenkant van de markt. Niet gericht op de ‘standaard koffiedrinker’, je weet wel degene die ‘s ochtends snel een mok koffie achterover klapt om de dag scherp te beginnen, maar de koffiedrinker die van het koffiemoment een genietmoment maakt. Ze wilden specifiek deze koffiegenieter bereiken om het nieuwe product onder de aandacht te brengen. De vraag was hoe vind je de ‘koffiegenieter’ die bereid is om meer te betalen voor koffie?

De data-wetenschappers bouwden een clustermodel op basis van transactiedata uit de supermarkten en gingen op zoek naar patronen. Dit is een model om te kijken of er patronen te zien zijn in aankoopgedrag. Specifiek deden we dit onder degenen die koffie kopen in de supermarkt. Deze datastrategie was voortgekomen uit een brainstorm tussen data-analisten en een aantal marketeers.

We maakten vervolgens een splitsing van clusters tussen kopers die goedkopere, standaard koffie kochten en de kopers die reeds koffie kochten aan de bovenkant van de markt. Uit deze analyse zagen we iets heel interessants: kopers die premium koffie kochten, deden dit significant vaker dan budgetkoffiekopers in combinatie met chocolade. Keer op keer kwam deze insight terug uit de analyses. Blijkbaar is de ‘koffiegenieter’ voorspelbaar met een model. Onze aanname was daarom dat chocolade een zogenaamde ‘proxy’ (voorspeller) is om de ‘koffiegenieter’ te kunnen traceren. Koffiegenieter = chocolade = hoger rendement. We moeten dus de chocolade-kopers vinden!

Om dit te toetsen deden we een campagne die we in 2 groepen verdeelden: gangbare selectie van koffiedrinkers en een selectie van consumenten die chocolade kopen. Wat bleek, de targeting op de chocoladekoper leidde tot een 2 keer zo hoge effectiviteit. Twee keer vaker ging deze groep over tot aankoop dan de standaard targeting op koffiekopers.

Waar zit hier het stukje creativiteit en data? We vonden middels een brainstorm over de resultaten nieuwe inzichten uit de data en experimenteerden of deze inzichten ook daadwerkelijk tot resultaat leidde. We keken als het ware verder dan sec de uitkomsten.

Door in een brainstorm de data te analyseren met een brede groep, kwamen we tot een ontdekking, namelijk dat chocoladekopers zeer waarschijnlijk koffiegenieters zijn en dat het richten op die doelgroep veel slimmer is dan de gangbare targeting. We dachten dus verder na dan de data-analyses ons lieten zien. We experimenteerden met data, testten het uit en gingen op zoek naar nieuwe inzichten.

Wat kun jij leren uit dit voorbeeld?

1. Data-analyse is meer dan het uitvoeren van een datamodel. Betrek een brede groep en ga samen kijken naar de resultaten

2. Resultaten uit een model zijn interessant, nog interessanter is de ‘human touch’ daarna: wat zeggen de uitkomsten nou precies? En wat zegt het over onze business?

3. Waarde halen uit data betekent dat je disciplines bij elkaar moet brengen. Juist de combinatie van data-specialisten en -creatieven leidt tot waarde. Twee op het oog sterk verschillende profielen, maar juist deze verschillen zorgen voor krachtige uitkomsten.

Het delen van voorbeelden is daarom misschien wel veel krachtiger dan het delen van theorie. We moeten veel vaker ervaringen met data delen. Ik draag daar graag aan bij.