Marketing en data science worden steeds vaker in één adem genoemd. Daarom lijkt het mij goed om het onderwerp data science - bekeken vanuit de marketing-discipline - eens wat nader te beschrijven in deze no-nonsense blogreeks over Marketing Intelligence. Ik begin daarom maar met een introductie van het begrip zelf.

1. Marketing Intelligence
voor Managers –
Data Science - Intro

2. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 2
Deze blog is onderdeel van de themareeks ‘Management & BI’. De themareeks is bedoeld voor
managers die wat meer willen weten over Business Intelligence, maar dan alleen de essentie, in
begrijpelijke taal en zonder alle technische termen en hypes.
Marketing en data science worden steeds vaker in één adem genoemd. Daarom lijkt het mij goed
om het onderwerp data science - bekeken vanuit de marketing-discipline - eens wat nader te
beschrijven in deze no-nonsense blogreeks over Marketing Intelligence. Ik begin daarom maar met
een introductie van het begrip zelf.
Introductie
De hype rondom data science concentreert zich veelal om twee aspecten: de data en de tools.
Discussies rond nog grotere volumes, nog snellere of nog meer gevarieerde data – onder de
kapstok-term Big Data – laaien op, als indicatie voor het belang van Data Science. En dan meestal
hand in hand met het tweede brede discussieonderwerp “tools”, met termen als Hadoop, NoSQL,
MapReduce en Data Lakes en heftige debatten over R versus Python.

3. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 3
Toch draait Data Science meer om de ‘science’ dan om de data of de tools. Voor bedrijven zou data
science geen hobby moeten zijn. Het nut van data science ligt in het beantwoorden van
bedrijfsvragen. De science ligt in het doen van gedegen, navolgbaar en herhaalbaar onderzoek naar
de antwoorden. Welke data en tools daarbij nodig zijn, is instrumenteel. Zo kan het zijn dat je uit
een data lake van 3 TeraByte, slechts 10kb aan data nodig hebt om die specifieke vraag te
beantwoorden en kun je met behulp van MS/Excel die 10 kb makkelijk analyseren voor correlatie of
regressie.
Maar een discipline data science die zichzelf beschrijft als “wij gebruiken data om onze
bedrijfsvragen te beantwoorden” klinkt veel minder spannend, dan “wij hebben met onze 3 TB de
meeste data vergeleken met onze concurrenten binnen de branche” en “wij werken al met een data
lake gebaseerd op Hadoop, gecombineerd met R en Tableau”.
Science, en niet Data of Tools
Als je begint met de vraag die je wilt beantwoorden als belangrijkste motivatie, kom je er vaak
achter dat je nieuwe data nodig hebt of dat dat je een nieuw experiment nodig hebt om tot het
juiste antwoord te komen. Je moet je ook realiseren dat het eenvoudig is om structuur of

4. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 4
verbanden in een data lake te vinden. Er is immers - op basis van allerlei redenen - vaak correlatie
te vinden, als je maar genoeg data hebt. Het begrijpen of deze correlaties er toe doen voor
bepaalde interessante vragen, is veel lastiger. Vaak wordt de structuur die je vindt in een eerste
analysefase veroorzaakt door fouten in de metingen of de dataverwerking of door het hanteren van
artefacten die geen rol spelen bij voor marketing nuttige vragen.
Het zal niet lang meer duren of de hypes rond veel data en geavanceerde tools verdwijnen naar
achtergrond. Het werkelijke effect van data science zal worden gemeten aan de hand van het
vermogen om vragen met een duidelijk omlijnde bedrijfswaarde, middels een gedegen
wetenschappelijk onderzoek op basis van data, te kunnen beantwoorden.
Marketing en data science
Marketing heeft als discipline van nature allerlei vragen. Welke klanten passen bij mijn nieuwe
producten? Hoe kan ik het risico van churn inzichtelijk maken? Hoe meet ik het netto effect van
mijn campagnes?
Moderne marketing vereist een goed passende en snelle reactie op het vaak ‘onduidelijke’ gedrag
van je klanten en bezoekers. Dat genereert weer nieuwe, vaak complexere vragen, bijvoorbeeld:

5. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 5
Hoe kan ik voorspellen in welke van mijn producten deze bezoeker geïnteresseerd zal zijn, gezien
zijn gedrag tot nu toe?
Vooral moderne marketing, waarbij je de buyer journey zo goed mogelijk wilt faciliteren, heeft
behoefte aan allerlei voorspelmodellen die we pas na goed onderzoek kunnen opstellen. Dat
onderzoek is afhankelijk van data. Denk aan gegevens over klanten, productgebruik,
bezoekersgedrag, concurrenten, merkbeleving, naamsbekendheid, sentimenten op sociale media,
enzovoorts. Vaak wordt het pas gedurende het onderzoek duidelijk welke data precies de hoogste
voorspellingswaarde geeft en welke data dus nodig is in het model. Ook voor marketing geldt dus
dat data science gedreven wordt vanuit de vraagstelling en niet vanuit een vooraf verzamelde set
van gegevens of vanuit de beschikbare functionaliteit die moderne tools je kunnen bieden.
De data science reeks
Na deze introductie, zal ik in de komende blogs het onderwerp data science voor marketing wat
verder gaan toelichten. Denk bijvoorbeeld aan het data science proces, de rol van de data scientist
en mogelijke databronnen.

6. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 6
Ben je nieuwsgierig naar de komende blogs over Marketing Intelligence? Abonneer je via
onderstaande knop dan op het thema ‘Management & BI’. Zodra er een nieuwe blog in de reeks
verschijnt, krijg je automatisch een seintje (per e-mail) met een link.
Laat hier een opmerking achter als je een bepaald onderwerp rond Marketing Intelligence wilt
aandragen. Dan kan het zomaar voorkomen dat jouw situatie of vraag in een dedicated blog binnen
de reeks wordt besproken.

7. Marketing Intelligence voor Managers – Data Science - Intro
Pg, 7