David Stephenson (eBay, Coolblue) schreef een heel praktisch boek over big data op basis van zijn praktijkervaring. Handig je toevallig interesse hebt om een big data-club te implementeren.

Hebben jullie dat wel eens? Dat je aan een businessboek begint en na een paar pagina's spijt hebt dat je eraan begonnen bent. Dat je je door allerlei saaie definities en perspectieven moet worstelen terwijl je niks leest waarmee je morgen of overmorgen aan de slag kan. Daar heeft het boek 'Big data ontrafeld' van David Stephenson helemaal geen last van want dat zit vol cases en praktische tips.

Stephenson is een internationaal spreker op het gebied van 'data science en big data analytics'. Hij geeft al meer dan 20 jaar advies over dit onderwerp en werkte voor eBay, Axel Springer en Coolblue. Hij schreef een geweldig boek waarmee je als marketeer zo aan de slag kan.

Retouren bij Otto
Zo komt hij met allerlei leukste cases in het boek die de meerwaarde van big data onderstrepen, maar laat hij niet na om ook cases aan te halen waarin het misging. Een goed gelukte case is die van de grote Duitse webshop Otto. Daar verloren ze miljoenen euro's als gevolg van de grote hoeveelheid productretouren en er werd een big data team opgetuigd om het probleem te onderzoeken en op te lossen.

Uit de eerste analyses kwam dat klanten vaak twee dagen op een product moeten wachten en dat ze dan in de tussentijd al op een andere plek zijn gaan shoppen. Na die vaststelling gebruikte Otto heel veel data om een systeem op te tuigen waarin het met 90 procent zekerheid 30 dagen verkoop kan voorspellen op basis van heel veel data (waaronder de customer journey en het weer).

Mislukking van 62 miljoen dollar
Een iets minder geslaagde case is een mislukking van 62 miljoen dollar. IBM (de Watson computer) werkte hiervoor vanaf 2011 samen met het MD Anderson Cancer Center van de Universiteit van Texas. Het idee was om de besluitvorming over de behandelmethode van kanker te bespoedigen door de patiënten te koppelen aan alle gedocumenteerde onderzoeken in de wereld. In 2016 bleek echter dat het project een mislukking was; er waren te weinig behandelmethodes in de literatuur voorhanden waar Watson uit kon putten. Bovendien bleek er ene mismatch tussen de mediahype die rondom het project hing en de realiteit.

Anderson verwijst naar onderzoek waarin slechts 27 procent van de big data initiatieven een succes blijken en een enquête onder big data managers waarin driekwart een omzet- of kosten verbetering van minder dan een procent meldt door het big dataproject. In het boek komt Stephenson met een aantal praktische tips om soortgelijke mislukkingen te voorkomen.

Stel je basisaannames ter discussie
Heel belangrijk als je lang bij hetzelfde bedrijf werkt. Stephenson haalt het voorbeeld aan van een theater in Chicago. Daar vroeg een buitenstaander aan het personeel waarom mensen eigenlijk de bioscoop bezochten. Het antwoord was iets als 'de voorstelling', maar uit onderzoek bleek dat de bezoekers vooral gingen om iets te vieren.

Ontwikkel en monitor KPI's
Het is belangrijk om doelstellingen te koppelen aan je big data project. En hou het niet alleen bij de omzetcijfers. Belangrijk is bijvoorbeeld de 'churn rate', dat is het percentage klanten dat afhaakt.

Doe nieuwe ideeën op
Het is belangrijk om te onderzoeken wat andere bedrijven doen met big data. Ga daarom naar congressen om de laatste ontwikkelingen bij te houden.

Haal de juiste mensen binnen
Stephenson weet uit ervaring dat het heel belangrijk is om het juiste team samen te stellen. Het gaat vaak om projecten die nog wel eens problemen aan het licht brengen dus het is belangrijk om de managementlaag ook te betrekken. Een groot gevaar is dat je heel veel externe mensen aanneemt terwijl interne mensen heel belangrijk zijn.

,,Projecten moeten worden uitgevoerd in projectteams die bestaan uit goed gescreende mensen die elkaar aanvullen.'' Hij vindt het bovendien goed dat je in het team mensen combineert die de technische analyse in huis hebben, maar de businessanalyse is minstens zo belangrijk. Het is overigens lastig om teamleiders van seniorniveau te vinden die zowel gevoel voor de techniek als voor de bedrijfsanalyse hebben.

Breek de silo's af
Afdelingen hebben de neiging om hun data voor zichzelf te houden omdat het gevoelige informatie kan bevatten, maar die datasilos's moet je snel doorbreken.

Focus op bedrijfswaarde
In principe gaat het altijd om de bedrijfscase en niet om de technische case. Het is belangrijk om te constateren dat lange levertijden leiden tot veel retouraankopen, maar het gaat erom wat je daaraan doet.

Meet resultaten
Je moet duidelijk je probleemstelling meten. Wil je de conversierates verbeteren, klantwaarde verbeteren of gaat het om marketing ROI?

Blijf flexibel
Verwacht geen volledige oplossing voor je probleemstelling, maar test deeloplossingen. Het is belangrijk om MVP's te testen, minimaal levensvatbare producten die het probleem mogelijk kunnen tackelen.

Conclusie
Voor een ander medium vroeg ik Stephenson waar het vaak misgaat met big data en daar had hij wel een duidelijk antwoord op. Veel bedrijven willen van alles met big data omdat iedereen het doet, maar ze hebben geen idee waar ze moeten beginnen.

Het is belangrijk om te weten waarmee je bezig bent; een goed team samenstellen met een mix van bedrijfsmatige en technische kennis, draagvlak bij de directie zoeken en duidelijke KPI's te formuleren. Stephenson is wat te bescheiden om het zelf te zeggen, maar misschien moeten managers met big data ambities gewoon zijn boek lezen.