De rol van een Data-Analist is tegenwoordig niet meer weg te denken uit het vakgebied digital marketing. Veel campagnes zijn online, en alle informatie die nodig is om tot een campagne te komen wordt ook online (of in ieder geval digitaal) opgeslagen. In de vorige blog ben ik al ingegaan op de theorie achter Marketing Intelligence, vandaar dat ik nu een kijkje in de keuken neem in het werk van een Marketing Data-Analist. In deze blog probeer ik de volgende vragen te beantwoorden: - Wat doet een Data-Analist? - Hoe ziet het Data Analyse proces er in de praktijk uit? - Welke skills zijn belangrijk om te slagen als Marketing Data Analist? Om deze vragen te beantwoorden heb ik een interview gehouden met Josine Vriesen. Josine Vriesen is Data-Analist bij Knab en heeft in het verleden ook als Online Analist gewerkt bij Aegon Nederland. Daarnaast heeft zij in 2015 haar Master’s Degree behaald in Marketing Intelligence aan de Rijksuniversiteit Groningen.

1. 1
MARKETING INTELLIGENCE: DE VRAAG ACHTER DE VRAAG
Auteur: Tarik Azouagh
De rol van een Data-Analist is tegenwoordig niet meer weg te denken uit het vakgebied digital
marketing. Veel campagnes zijn online, en alle informatie die nodig is om tot een campagne te
komen wordt ook online (of in ieder geval digitaal) opgeslagen. In de vorige blog ben ik al ingegaan
op de theorie achter Marketing Intelligence, vandaar dat ik nu een kijkje in de keuken neem in het
werk van een Marketing Data-Analist. In deze blog probeer ik de volgende vragen te beantwoorden:
- Wat doet een Data-Analist?
- Hoe ziet het Data Analyse proces er in de praktijk uit?
- Welke skills zijn belangrijk om te slagen als Marketing Data Analist?
Om deze vragen te beantwoorden heb ik een interview gehouden met Josine Vriesen. Josine Vriesen
is Data-Analist bij Knab en heeft in het verleden ook als Online Analist gewerkt bij Aegon Nederland.
Daarnaast heeft zij in 2015 haar Master’s Degree behaald in Marketing Intelligence aan de
Rijksuniversiteit Groningen.
WAT IS DATA ANALYTICS EN WAT DOET EEN DATA-ANALIST?
Om het proces van een Data Analist te kunnen beschrijven, is het handig om eerst te definiëren wat
Data Analytics is. Josine Vriesen (2020) definieert het als: ‘’het verkrijgen van inzicht door het doen van
analyse met alle mogelijke databronnen die je hebt, om zo iemand te kunnen voorzien van advies. Dit
met als doel voor bedrijven om betere keuzes te kunnen maken. Zo kunnen bedrijven meer data-
gedreven gaan werken’’. Er zijn verschillende manieren om Data Analytics in te zetten binnen een
bedrijf. Dit kan zijn voor acquisitie- of marketingdoeleinden (Marketing Intelligence) maar het kan ook
ingezet worden op operationeel niveau (Business Intelligence). Met Data Analytics op operationeel
niveau wordt het verbeteren van interne processen bedoeld, dit kunnen ook processen zijn waar de
klant direct baat bij heeft. Zo kunnen er zich problemen of onduidelijkheden voordoen voor de klant
waardoor deze vaak contact voor opneemt met het bedrijf. Dan is het aan de Data-Analist om erachter
te komen wat deze knelpunten zijn en hoe deze het best opgelost kunnen worden. Zo verhoog je aan
de ene kant de klanttevredenheid en verlaag je aan de andere kant de kosten en tijd die het bedrijf
maakt als deze knelpunten in stand blijven. Als Online (Marketing) Data Analist is het de taak om te
analyseren wat het gedrag is van de bezoekers op de website. Zo kan er gekeken worden naar de
verschillende kanalen die bezoekers op de website brengen of naar pagina’s die minder goed presteren
dan andere. Deze vorm van analyses kunnen de volgende doeleinde hebben: conversie optimalisatie,
klantacquisitie, het verbeteren van de gebruiksvriendelijkheid etc. Deze hebben allemaal als
uiteindelijke doel om zoveel mogelijk sales te maken.
HOE ZIET HET (MARKETING) DATA-ANALYSE PROCES ERUIT?
Binnen een organisatie heb je te maken met een contant proces van het moeten aanbrengen van
verbeteringen. Dit kan gaan aan de hand van Ad Hoc vraagstukken (problemen die zich spontaan
voordoen) of geplande vraagstukken die hij/zij in overleg met de opdrachtgever of collega bepaald.
Hier is het belangrijk dat beide partijen er voor waken dat het resultaat van de analyse ook
daadwerkelijk bijdraagt aan verbeteringen. Om het werkproces van Data-Analist overzichtelijk in beeld
te brengen, wordt elke stap met een bullet-point uitgelicht en kort behandeld:

2. 2
1. Overleg met de opdrachtgever/team: Als Data-Analist binnen een organisatie komen er veel
vragen op je bord. Deze vragen neem je tot je en je analyseert voor jezelf welke vragen (in
jouw ogen) bijdragen aan verbeteringen voor de organisatie, en welke niet. Hier ga je
uiteindelijk over in conclaaf met de ´vragensteller´ om samen tot de conclusie te komen of het
nodig is om het vraagstuk te analyseren of niet. Josine (2020) geeft aan dat het echt heel
belangrijk is om kritisch te kijken naar de vragen die je gesteld worden, dus erachter te komen
wat de vraag is achter de vraag (het doel achter het vraagstuk). Als je dat niet doet, kan het in
de praktijk voorkomen dat je veel tijd kwijt bent aan een vraagstuk die uiteindelijk geen
waarde toevoegt aan het bedrijf.
2. Het analyseren van je data: Hier wordt nog niet het uitvoeren van analyses bedoelt. In deze
fase kom je erachter waar je data vandaan komt, wat voor data je in handen hebt en hoe je
deze het beste kan inzetten om tot de gewenste inzichten te komen. ‘’Het is belangrijk dat je
de betekenis van al je data weet, anders kan je ook geen analyses doen’’ zegt Josine Vriesen
(2020). ‘’Als je langer binnen een organisatie werkt, raak je op een gegeven moment bekend
met de data die je hebt, dus dan gaat dit ook gemakkelijker’’.
3. Hypothesestelling: Hier gaat de Data-Analist in gesprek met een expert binnen het vakgebied
van de vraagstuk. Het doel van dit gesprek is om tot een oplossing te komen voor het
vraagstuk. Van deze oplossing wordt uiteindelijk een hypothese gemaakt die doormiddel van
data-analyse getest zal worden.
4. Het testen van de hypothese: Er wordt getest of het gevoel van de expert bevestigd wordt of
niet. De Data-Analist gaat de genomen hypothese testen aan de hand van de data die het tot
haar beschikking heeft. Deze data kan komen uit verschillende bronnen, zowel intern
(database), online (web analytics) als extern (enquêtes). Deze data worden verzameld en de
relevante tabellen worden op één plek (bijvoorbeeld Excel) geanalyseerd.
5. Aanbevelingen doen: Na het analyseren van de data komt de Data-Analist tot een conclusie en
doe het een aanbeveling bij het bedrijf voor het toepassen van een bepaalde verbetering.
Josine (2020) geeft als tip dat de Data-Analist na het doen van de aanbeveling moet checken
wat de status is van het toepassen van de verbeteringen om er zeker van te zijn dat deze wordt
uitgevoerd.
6. Testen van verbetering: Nu gaat het bedrijf testen of de bevindingen die uit het onderzoek
komen ook werken in de praktijk. Bijvoorbeeld het aanpassen van een productpagina om de
conversie te verhogen.
7. Evalueren: Uiteindelijk wordt er gekeken of de verandering het gewenste resultaat heeft
opgeleverd in de praktijk. Als dit het geval is dan gaat het bedrijf verder met het verbeterde
resultaat. Zo niet, begint de Data-Analist weer vanaf de eerste fase en gaat het op zoek naar
andere manieren om waarde toe te voegen aan het bedrijf.
WELKE SKILLS BEZIT EEN DATA-ANALIST
Hard skills
Gekeken naar de hard-skills is het belangrijk om affiniteit met data en analyses te hebben. Zelf heeft
Josine een achtergrond in Marketing Intelligence maar desondanks is zij van mening dat het zijn van
een Data-Analist ‘on the job’ geleerd kan worden. Wel is het belangrijk om op zijn minst basiskennis te
hebben op het gebied van statistiek en ook gemotiveerd te zijn om met cijfers aan het werk te gaan.
Er zijn verschillende tools die gebruikt worden in het vak om online prestaties te meten. Een bekend

3. 3
voorbeeld is Google Analytics, die gebruikt wordt om de prestaties van een webpagina te meten.
Andere voorbeelden die genoemd zijn in het interview zijn VWO (tool voor A/B testen), Usabilla (tool
voor online enquêtes) en Blueconic (Customer Data Platform). Voor het verzamelen van interne data
is het handig om bekend te zijn met SQL. Dit is een computertaal waarmee de gebruiker gewenste
tabellen uit de database van het bedrijf kan halen om daar vervolgens analyses op los te laten.
Soft skills:
Josine (2020) vertelt in het interview dat de grootste misvatting over het Data-Analisten is, dat ze
constant alleen maar met cijfers bezig zijn. Er word namelijk qua soft-skills veel meer gevraagd van een
Data Analist. Zo is het belangrijk om kritisch te kunnen denken aangezien je aan het begin van het
proces moet kunnen ontdekken wat de vraag achter de vraag is. Gaande weg het proces moet je veel
de dialoog aangaan, en samenwerken met stakeholders, daarom is het belangrijk om communicatief
vaardig, proactief en goed in samenwerken te zijn. En tot slot moet je goed je bevindingen kunnen
presenteren om ook daadwerkelijk veranderingen te weeg te brengen.
CONCLUSIE
Het belangrijkste wat ik uit het interview gehaald heb, is dat het beheersen van de soft-skills misschien
wel belangrijker is dat het beheersen van de hard-skills. Dit komt omdat het leren van de technische
tools die gebruikt worden in het vakgebied makkelijker aan te leren is dan het behandelen van een
vraagstuk in een team met meerdere belangen. Tijdens de eerste blog heb ik onderzoek gedaan- en
ben ik veel ingegaan op de theorie achter Marketing Intelligence. Toen was er heel veel technische
informatie te vinden over Marketing Intelligence zowel in de literatuur als in blogs. Er wordt echter
weinig aandacht besteed aan het menselijke aspect achter het ‘nieuwe’ data-gedreven werken. Zo
komt een Data-Analist op veel momenten in contact met verschillende partijen, waar het stellen van
de juiste vragen en het komen tot de juiste conclusies doorslaggevend is, voor het geven van een juiste
aanbevelingen.