Data Driven – Harnessing data and AI to reinvest customer engagement er skrevet af Chavez, O’Hara & Vadidya og handler grundlæggende om de udfordringer, som marketing anno 2019 står over for. I deres udlægning er en Data Management Platform svaret. Lad os se på det.
En af mine kolleger er data scientist og var i slutningen af 2018 til en konference i USA. Her fik han bogen Data Driven, og da den handler om data og marketing, gav han den videre til mig, for han ved, at det er et af de områder, jeg interesserer mig meget for.
Human becoming
Da jeg begyndte at læse bogen, blev jeg faktisk ret spændt. I slutningen af 2017 skrev jeg et langt, akademisk blogindlæg om “Kunder, kunderejser og kontaktpunkter”, der gav en del debat på LinkedIn. Jeg argumenterede for, at de eksisterende udlægninger af kunderejsen – såvel den lineære som den cirkulære – reelt set ikke matcher den kunderejse, som kunden faktisk er på.
Min pointe var, at kunderejsen er uforudsigelig, og i Data Driven lægger Chavez, O’Hara & Vaidya ud i samme spor. De skriver, at hverken den klassiske segmentering, fx i form af personas, eller den klassiske “tragtmodel”, fx AIDA-modellen, passer længere:
“In the data-rich environment we live in today […] neither the segment nor the funnel adequately corresponds to the actual behavior of customers as they zig and zag their way toward an outcome. […] The funnel is dead. […] [And in] a context in which people are connected and constantly on the move, the basic concepts of a segment or a persona start to lose their relevance. […]. People are not static beings marching predictably from awareness to interest to desire to action. The successful modern marketer begins with the recognition of the consumer as zigging and zagging, dynamic, and always in flux: less of a human being, more of a human becoming.”
Med tanken om “human becoming” henviser Chavez, O’Hara & Vaidya ikke blot til det faktum, at vi som mennesker hele tiden forandrer os sammen med en verden, der hele tiden forandrer sig, men også til det faktum, at vi ikke er én (a human being)… vi er mangfoldige: jeg er fx far, blogger, lønarbejder, Nørrebro’er, single, Bachtin-ekspert, badmintonspiller og cyklist. Derfor tilhører jeg ikke ét segment (/en persona). Før jeg blev “far”, tilhørte jeg et andet segment end efter jeg blev “far”. Og som “single” tilhører jeg et tredje segment – forskelligt fra det, som jeg tilhørte, da jeg var gift. Og som “badmintonspiller” et fjerde, som “cyklist” et femte osv.
Denne foranderlighed og mangfoldighed gør det umuligt at klassificere et menneske og forudsige dets behov og hvornår disse behov opstår, og når behovet så opstår, zig-zag’er vi rundt mellem søgninger på nettet, hjemmesider, butiksbesøg og 17 andre ting, som gør vores adfærd uforudsigelig og som gør, at vi ikke bare går gennem en kunderejse fra opmærksomhed til køb.
Chavez, O’Hara & Vaidya drager bl.a. den konsekvens, at det betyder, at der ikke findes en sandhed, men kun teorier, der passer mere eller mindre godt. Selvom jeg ikke mener, at logikken holder – der er ingen sammenhæng mellem det forhold, at mennesket er foranderligt og mangfoldigt, og at der ikke findes en sandhed – så er jeg grundlæggende ikke uenig.
Data Management Platform
Det afgørende spørgsmål er, hvad gør man markedsføringsmæssigt, når kunderne er uforudsigelige, mangfoldige og foranderlige? Chavez, O’Hara & Vaidya er ikke i tvivl. Man anvender en Data Management Platform – en DMP.
I en helt kort udgave kan man sige, at en DMP er en platform, som gør det muligt at samle, organisere og anvende data til avancerede analyser af dine målgrupper (kunder, potentielle kunder mv.), således at du kan identificere enkelte målgrupper – og at anvende denne viden til at målrette indhold, kampagner mv. til de enkelte målgrupper. Typisk bringes en DMP i anvendelse i samspil med en (eller flere) DSP – Demand Site Platform – hvor DMP’en leverer målgruppen til DSP’en, som på sin side i real-time bidding automatisk køber annoncer på det site, som er det mest relevante at eksponere en given annonce på i forhold til en given målgruppe – og DSP’en kan kalkulere dette på tværs af hele internettet.
Ifølge Chavez, O’Hara & Vaidya kan DMP’en fyldes med tre typer af data: 1., 2. og 3. parts data.
Første parts data består af den data, som virksomheden selv indsamler om de personer, som er i direkte kontakt med virksomheden – uanset om de kontakter virksomheden eller virksomheden kontakter dem. Der kan være et utal af kilder til denne data. Det kan fx være adfærdshistorik på virksomhedens website, e-mailhistorik, opkaldhistorik (både inbound og outbound), konverteringshistorik (bl.a. køb eller udfyldning af en formular), SoMe-data, data fra kampagner (fx adwords, display og annoncer i trykte medier), fysisk post og en hel del mere.
Anden parts data er en anden virksomheds 1. parts data, som du har tilladelse til at få gratis (fx fra visse offentlige kilder) eller kan købe. Det kan fx være data fra CPR-, CVR- eller BBR-registret, men det kan også være data, du køber hos andre virksomheder, fx oplysninger om dine kunders telefonnumre.
Både 1. og 2. parts data er typisk meget specifikke og personhenførbare, og dette adskiller dem fra 3. parts data, som normalt er aggregeret data, dvs.store datamængder bliver indsamlet – det kunne fx være millioner af menneskers webadfærd på tværs af websites, handlinger på disse sites, køb osv. – og disse data bliver bearbejdet, analyseret og sammenfattet i mikrosegmenter. Nogle af de store udbydere af 3. parts data – Chavez, O’Hara & Vaidya nævner bl.a. Experian, Oracle Datalogix og Acxiom – har typisk flere hundredtusind mikrosegmenter baseret på en viden om hver enkelt menneskers alder, race, køn, vægt, lokation, civilstand, uddannelse, politiske holdning, indkøbsvaner, feriedrømme mv.
Pointen med at fylde DMP’en med alle disse data er som nævnt, at de kan anvendes til målrettet markedsføring.
Målrettet markedsføring
Chavez, O’Hara & Vaidya kommer med en lang række eksempler på, hvor man kan bringer en DMP i anvendelse i forhold til målrettet markedsføring.
I en lidt generaliseret og forsimplet udgave kan man sige, at de kommer med tre overordnede eksempler.
Lad os antage, at du ejer en online shop, som sælger kaffeprodukter. Ved hjælp af en DMP kan du analysere dine kunder – hvem drikker hvilken kaffe og hvornår er de i markedet for at skulle købe igen. Du vil gerne markedsføre dig overfor dem, så de ikke skifter til en anden shop – og fordi du ikke blot kender deres præferencer og behov, men også vha. DMP’en kender til deres typiske webadfærd, har du mulighed for at målrette dine annoncer til de websites, de besøger, på det tidspunkt, de normalt har brug for at købe deres kaffe, og du kan vise dem annoncer for netop deres foretrukne flavour. Hermed kan du lykkes med det mantra, som har præget marketingstankegangen i årevis og som Chavez, O’Hara & Vaidya også abonnerer på: det rette budskab til de rette kunder på det rette tidspunkt i de rette kanaler.
Men DMP’en kan mere. For du kan ikke blot bruge din viden om dine kunders præferencer og adfærd til at målrette annoncer til dem. Du kan også – typisk via indkøbt 3. parts data – finde segmenter, der ligner dine eksisterende kunder. Så frem for at du kun målretter din annonce til en mand, der bor på Nørrebro, er single, cyklist mv., så kan du målrette dine annoncer til hele dette mikrosegment – og dermed høste nye kunder.
Endelig kan en DMP også – så at sige – virke den modsatte vej. Lad os sige, at jeg går på Google for at søge efter online shops, der sælger kaffeprodukter. På Google såvel som ethvert andet sted, jeg besøger, får jeg tildelt et ID, og dette ID kan samles op af DMP’en, som kan matche det og in real time sende data til DSP’en, som målretter annoncer til mig – så jeg bliver eksponeret for de mest relevante kaffeprodukter (baseret på det mikrosegment, jeg tilhører), som kan købes i netop din online shop.
Der er flere muligheder i en DMP, men dette er – som jeg forstår det – hovedkategorierne, og der er ingen tvivl om, at det markedsføringsmæssigt er ret interessant. For dels understøtter DMP’en, at jeg zig-zagger rundt mellem søgning, video, SoMe osv. – jeg vil alle steder (i det ideelle set-up) blive mødt af relevant annoncering, og jeg vil altid blive mødt med relevant annoncering trods mit foranderlige og mangfoldige jeg, min ‘human becoming’, fordi søger jeg på kaffeprodukter, hives jeg ind i den DMP, som online shoppen for kaffeprodukter bruger, mens hvis jeg søger på cykler, hives jeg ind i cykelhandlerens DMP.
Er en Data Management Platform svaret?
Da min kollega fik Data Driven af Chavez, O’Hara & Vaidya var det et reklamefremstød for Salesforce. Chavez, O’Hara & Vaidya har i virksomheden Krux udviklet en DMP og siden har Salesforce opkøbt dem, så deres DMP kan være en del af den palette, Salesforce tilbyder.
Det gør ikke værdien af bogen ringere, men det gjorde den til gengæld ret forudsigelig. Jeg var i hvert fald ikke overrasket over, at bogens budskab er, at en DMP er svaret på enhver marketingsudfordring. Og det væsentligste problem i den sammenhæng er, efter min opfattelse, at perspektivet bliver for snævert, fordi over alle mulige andre tilgange, fx de kundeindsigter som Artificial Intelligence og Machine Learning kan give.
Samtidig er jeg ikke 100% begejstret for bogens formidlingsniveau – det svinger mellem gode eksempler på udnyttelsen af en DMP, men uden at gå rigtig ind i de komplikationer, der er ved at få en DMP til at virke og kunne udnytte den, og mere tekniske beskrivelser, som aldrig kommer i dybden, og som derfor bliver vanskelige at forstå.
Så efter 200+ sider er jeg faktisk ikke helt sikker på, hvad potentialet i en DMP er. Er det “bare” at kunne levere de relevante annoncer på de relevante medier til de relevante personer – eller rummer en DMP mulighed for også at kunne levere grundlaget for at skabe de rigtige leadnurturingflows, content marketing, brandpositioneringer, kanalstrategier osv., som også er typiske udfordringer marketing står over for anno 2019.
Jeg ved det ikke, og jeg er i hvert fald ikke overbevist om, at en DMP er svaret på alt. Men det lykkes Chavez, O’Hara & Vaidya at levere et godt argument for, at en DMP er et effektivt redskab, når det gælder målrettet annoncering – og i det perspektiv er det en interessant bog at læse.
Tom Chavez, Chris O’Hara & Vivek Vaidya: Data Driven. Harnessing data and AI to reinvent costumer engagement. McGraw-Hill Education 2019.
jan lundquist 