Categorie: Big Data

Zonder budget een helder beeld van de markt? Het kan!

Jammergenoeg heeft niet iedereen een onderzoeksbudget dat tot in de hemel rijkt. Toch wil je een goede strategische keuze maken voor de focussegmenten of -kanalen voor volgend jaar of overtuigende feiten op tafel leggen in een handelspresentatie. Hoe ga je aan de slag zonder budget? De techniek die je hiervoor toepast heet “officieel” secundair marktonderzoek (ook wel: desk research): marktonderzoek op basis van informatie die al (ergens) beschikbaar is.

Desk research is de basis van alle categorieplannen die ik samen met klanten maak. Laatst heb ik bijvoorbeeld het eetgedrag van de Nederlandse consument op hoofdlijnen in kaart gebracht. Dit was voor 90% gebaseerd op desk research.

Heb je een beperkt budget, en wil je een goed beeld van de samenstelling van de avondmaaltijd van de Nederlander krijgen? Wat ligt wanneer op het bord? Bestel dan het Rapport Avondmaaltijden.

Hoe pak je  secundair onderzoek goed aan?

  • Bepaal eerst je hoofdvragen: wat wil je weten en waarom. Dit voorkomt dat je blijft doorzoeken en steeds meer informatie vindt, die je van je doel afleidt. Als je net zo nieuwsgiering bent als ik, moet je grenzen stellen.
  • Wat voor soort informatie heb je nodig om je hoofdvragen te beantwoorden? Heb je omzetten nodig, trends, gegevens over consumentengedrag? Dit geeft je richting over waar je deze informatie kunt halen en vooral: welke zoektermen je moet gebruiken.
  • Waar kun je dat vinden? Begin in elk geval gewoon (gericht) te googlen, hier in elk geval wat voorbeelden van mogelijke bronnen:
    • CBS
    • CPB
    • Branche-organisaties
    • Vakbladen (ook digitaal)
    • Trendrapporten
    • Algemene marktrapporten van onderzoeksbureaus
    • Kranten
    • Wetenschappelijk onderzoek
    • Scripties van studenten
    • Voedsel Consumptie Peiling
    • Google dataset search
    • Oud onderzoek (van je eigen bedrijf)
    • Winkels bezoeken (on/offline)
    • etc

Het is niet vooraf te zeggen waar je de juiste informatie kunt vinden. Zo vond ik laatst prachtige consumenteninzichten over kleding wassen in een vreselijk technisch rapport dat gemaakt was om de milieu-impact van verschillende wasmachines uit te rekenen.

Tips:

  • Google gericht, sla URLs op, leg wat informatie vast en kom daar weer op terug
  • Gebruik geloofwaardige bronnen: bijvoorbeeld sommige data is onderzocht tbv PR, maar overheid
  • Combineer verschillende bronnen met elkaar om meer inzicht te krijgen
  • Ken je grenzen: ga gecontroleerd te werk: houd rekening met je onderzoeksvragen en zorg ook dat je weet hoe de data te gebruiken
  • Niet alles kun je vinden, maar aan de hand van wat je vindt, kun je andere zaken misschien wel redelijkerwijs schatten

En heb je nou zelf geen tijd, maar wel een (klein) budget? Laat mij dan je desk research doen. Ik was ooit “kampioen Google” en ben ook heel handig in het combineren van verschillende databronnen tot nóg meer inzichten.Neem gerust contact op voor meer informatie of plan zelf een kennismakingsgesprek.

Photo by Firmbee.com on Unsplash

Hoeveel sinaasappelen passen er in een vliegtuig? Waarom deze vraag jou als marketeer helpt

Hoeveel sinaasappelen passen er in een vliegtuig? Hoeveel kappers zijn er in New York? Hoeveel kauwgom wordt er per jaar verkocht in Japan? Dit zijn gevreesde vragen voor sollicitanten bij Google of top-consultancybedrijven. Ik ben er dol op! Daarnaast ben ik er ook van overtuigd dat het je gaat helpen met dit soort vragen te oefenen. Slimme strategieën hiervoor helpen je namelijk ook werkgerelateerde vragen beter te beantwoorden, zoals:

  • Hoeveel kunnen we besparen op onze instore marketingkosten?
  • Hoeveel omzet gaat dit nieuwe product opleveren?
  • Hoeveel promoties moeten we per jaar doen?
  • Waarom blijft ons marktaandeel bij klant X achter?
  • etc

Kortgezegd kan de vaardigheid goed te schatten je veel opleveren. Schatten is zeker niet hetzelfde als gokken of je buikgevoel laten spreken. Schatten is het zoeken naar een benadering, die bruikbaar is voor een specifiek doel. Ook als de input data incompleet, onzeker of onstabiel is, is de waarde toch bruikbaar. De schatting is afgeleid van de best beschikbare informatie.

Goed schatten levert in elk geval het volgende op:

  • tijdbesparing
    • het legt bijvoorbeeld bloot welke getallen in je berekening het meest van invloed zijn op de uitkomst, zodat je slechts een deel van de waarden daadwerkelijk verder hoeft uit te zoeken
  • besparing van geld
    • om dezelfde reden als hierboven, kun je onderzoekskosten besparen
    • daarnaast kun je in elk geval projecten die “doomed to fail” of juist “no brainers” zijn snel respectievelijk stoppen of versnellen. Je kunt sneller oordelen.
  • onzekere toekomst zekerder maken
    • een goede schatting geeft een benchmark/leidraad waarmee je makkelijker in- en externe stakeholders kunt overtuigen en verwachtingen tijdig kunt bijstellen
    • je creeërt eigenlijk een eerste ruw inzicht, dat je later nog (met meer informatie) kunt verfijnen. Figuurlijk gezegd ga je van een schets naar een echte tekening.
  • het ontwikkelt je creativiteit
    • en dat is uiteraard niet alleen handig in financiële situaties maar juist ook op andere vlakken van het Shoppermarketingvakgebied.

Hoe maak je nou een goede schatting?

  1. stel de juiste vraag

Dit lijkt een open deur, maar bij veel businessvragen is dit nog niet zo makkelijk. Aan de ene kant komt dit, omdat de doelstellingen veelal niet helder of eenduidig geformuleerd zijn, aan de andere kant, omdat heel veel (externe) factoren van invloed kunnen zijn.

  1. brainstorm voor oplossingen

Laat alles wat je wel of niet weet/kunt weten, los en bedenk verschillende benaderingen om je antwoord te kunnen vinden. Bijvoorbeeld bij het aantal kappers in New York wil je weten hoeveel inwoners er zijn, hoe vaak zij geknipt worden etc. Of je bedenkt juist: in mijn stad zie ik ongeveer 1 kapper per snackbar. Hoeveel snackbars zijn er in New York?

  1. schrijf je complete redenatie uit

Bij het vorige punt heb je een richting gevonden, die waarschijnlijk gaat werken. Ik denk bijvoorbeeld dat het aantal inwoners in New York wel op wikipedia te vinden is. Maar welke data heb ik verder nog nodig?

  • aantal inwoners in New York
  • hoe vaak gaan zij gemiddeld naar de kapper?
  • geeft aantal knipbeurten per jaar in New York
  • tijd per knipbeurt
  • geeft totaal aantal “knipuren” in New York
  • gemiddeld aantal stoelen per kapsalon
  • gemiddelde openingstijd van een kapsalon in New York
  • geeft aantal “knipuren” per kapsalon
  • totaal aantal knipuren in New York/knipuren per kapsalon geeft aantal kapsalons
  1. Vul de getallen die je zeker weet in en maak een goede inschatting voor de overige getallen

Het aantal inwoners van New York is 8,6 miljoen (bron Wikipedia). De overige getallen moet je inschatten. En het is lastig: ik heb geen idee of mensen 5 of 6 keer per jaar naar de kapper gaan. Duurt een gemiddelde knipbeurt een half uur of een uur? Heeft een kapsalon 5 of 10 stoelen? Hier worden mensen vaak gek van onzekerheid. “Ik weet het niet zeker, dus mijn uitkomst klopt niet”. Vergeet niet dat je bezig bent met het maken van een schatting. Je uitkomst is dus niet helemaal correct, maar hij komt wel zoveel mogelijk in de richting. Het is beter dan niets.

Wat is dan een goede schatting? Nou, je weet in elk geval behoorlijk zeker dat het gemiddelde niet 52 keer per jaar naar de kapper gaan is, een knipbeurt duurt niet de hele dag, en de gemiddelde kapsalon heeft geen 100 stoelen. Het lijkt alsof je nog steeds niks weet, maar dit geeft je toch extra informatie. Je kunt nu bijvoorbeeld je schatting voor het aantal kapsalons in Amerika maken door een boven- en ondergrens voor de verschillende waarden in te vullen en twee schattingen te berekenen. Het aantal kapsalons ligt daar hoogstwaarschijnlijk tussen. Je hebt dus een goed idee van de orde van grootte. (wat bijvoorbeeld al heel handig is als je te maken hebt met MOQs of minimale runs).

  1. Verfijn de getallen die je uitkomst het meest beïnvloeden

Als je een paar schattingen hebt gemaakt op basis van de denkwijze bovenin, krijg je ook een idee welke getallen de uitkomst het meest beïnvloeden en eventueel het meest onzeker zijn. Investeer om juist díe getallen te achterhalen (en vergeet niet:Google is your best friend, er is meer te vinden dan je denkt!).

Mocht je nou willen oefenen, er komt vast regelmatig een dergelijke vraag in jouw bedrijf voorbij, en zo niet (of als je het ècht leuk begint te vinden), dan zijn er diverse boeken vol met dit soort vragen te vinden! Veel schatplezier!

Je kunt meer met data dan je denkt!

Mailboxen van (shopper) marketeers en sales managers zitten vol met rapportages: de weekomzet, de marktaandelen, een analyse van een onderzoeksbureau, een trendrapport, etc. Vaak heb ik de indruk, dat er te weinig uit de beschikbare data wordt gehaald. Zó jammer! Maar ook weer heel begrijpelijk. In deze blog eerst drie belangrijke oorzaken voor het beperkte gebruik van data en dan een aantal adviezen tot verbetering.

Beperkt gebruikmaken van beschikbare data zou je kunnen wijten aan “tijd”, maar dat vind ik wat beperkt. De oorzaak zit iets dieper dan dat.

1.       Signaleren ipv analyseren of concluderen wordt steeds belangrijker in tijden van crisis.

Vanwege de slechtere resultaten van veel bedrijven (en de druk om “naar boven toe” te laten horen dat het goed gaat, wordt scherp op de resultaten gestuurd. Zo scherp, dat wekelijks, soms zelfs dagelijks in detail de resultaten worden bekeken en bediscussieerd. Dit lijkt niet veel tijd te kosten (een kwartiertje per dag oplopend tot een half uur als er echt brand is), maar dat is opgeteld toch gauw een uur of twee die je ook bezig kan zijn met doorbraakdenken, en echt veranderingen teweeg brengen. Als je alleen achterom kijkt, bots je zo tegen de muur.

2.       Input en output niet gerelateerd

In veel bedrijven wordt per jaar wel een omzet- en winstdoelstelling vastgesteld (die vaak ambitieus is), maar er wordt nog te weinig nagedacht over de precieze blokken die deze target gaan opleveren. Hoeveel % groei wordt veroorzaakt door marketing, wat gaat die Facebookcampagne opleveren, en hoeveel gaan we precies groeien in winst door promoties? Als we dan achterblijven, is het ook zoeken naar de verklaring. Het kan overal nog in zitten. Wanneer je de effectiviteit van je verschillende activiteiten vooraf goed ingeschat hebt, weet je vooraf goed hoe reeel je target is, en kun je achteraf ook veel makkelijker verklaren waarom het wel of niet goed gaat.

3.       Systemen werken niet mee

Als je dan eens een dag de tijd hebt of neemt om de diepte in te duiken, en echt de oorzaak achter de dalende omzetten (of kansen voor groei) bloot te leggen, dan ben je eerst uren bezig de juiste data te verzamelen. Marktaandelen uit Nielsen of IRI, ex –factorycijfers uit SAP, je GRPs van het mediabureau, GfK-gegevens etc.  De ene is op weekbasis, de ander heeft het over kwartalen. Alles is in een andere format en indelingen zijn ook niet altijd hetzelfde (is dit nou met of zonder geschenkverpakkingen?).

De adviezen tot verbetering zitten wat mij betreft ook precies in bovenstaande drie punten:

–          Kijk niet teveel achterom. Uiteraard, weekomzetten blijven belangrijk, maar wat kun je nog beinvloeden als je per dag naar de resultaten kijkt? Dat is slechts in bepaalde markten en omstandigheden (bijvoorbeeld de opbouw van het ijsseizoen of zonnebrandseizoen) van belang. En dan ook nog alleen op bepaalde KPIs (bijvoorbeeld distributie).

–          Bouw in je business plannen heldere blokken op, die de omzet en winst gaan brengen. Investeer daartoe wellicht één keer in het goed bepalen van de effectiviteit van bepaalde activiteiten.

–          Probeer je systemen voor je, en niet tegen je te laten werken. Maak daarin ook onderscheid tussen rapportage (wat willen we wekelijks monitoren, wat is cruciaal van belang), analyse (wat zijn de logische relaties tussen onze activiteiten en de opbrengsten daarvan in onze markt) en insightsgeneratie (hoe kom ik los van de dagelijkse druk om echt vernieuwende activiteiten voor de toekomst te ontwikkelen)?

Behoefte om hier eens over te sparren? Neem gerust contact op, vind ik leuk om te doen.

Wat moeten Marketeers met Big Data? Zes slimme tips!

Big data is hot! Door de razendsnelle ontwikkelingen van internet, maar ook van digitale onderzoeksmethoden, komen er steeds meer datapunten beschikbaar. Meer data, meer inzichten, meer goede concepten, zou je denken. Maar dat is helaas niet het geval. Meer data leidt vaak tot verwarring bij marketeers. Waar moeten we beginnen? Zien we niks over het hoofd? Ook lijkt de ene databron de andere regelmatig tegen te spreken. Wat is nu de waarheid? Hoe kun je nou aan deze “verlamming” ontsnappen? En waar moet je op letten als je aan de slag gaat met Big Data?

Ik heb het al eerder gezegd, maar herhaling is goed als je iets aan moet leren: begin met de doelstellingen van het bedrijf. Vooral onderzoekers beginnen meteen in de data te wroeten. Ze zijn zó nieuwsgierig naar wat er allemaal inzit. Drie adviezen om het beter te doen:
1. Begin met de doelstellingen of de issues van het bedrijf.
Zo ga je zoeken naar informatie en inzichten die het bedrijf ècht verder kunnen helpen. Bovendien creëer je ook betrokkenheid bij de personen die met de uitkomsten aan de slag moeten. Je geeft ze immers hulp hun doelstellingen te realiseren. Of hun problemen oplossen.
2. Werk vanuit hypothesen
Er is veel impliciete kennis in het bedrijf aanwezig, zeker bij mensen die er al een tijd werken. Of bij mensen die dicht op de klant staan, zoals de buitendienst. Soms is die impliciete kennis eerder een mening dan een objectief gevalideerd feit. Het kan goed zijn data te gebruiken om deze kennis te valideren. Zo kun je ook aantonen dat consumenten toch ècht anders doen dan de buitendienstmedewerker denkt.
3. Gebruik slimme tools
Het is erg verleidelijk op zoek te gaan naar een applicatie die alle data aan elkaar kan koppelen. Het lijkt dan alsof je meer en betere inzichten kunt krijgen. Dat kan zinvol zijn, maar pak dat pragmatisch aan. Begin met het koppelen van de meest gebruikte data en houd hier rekening met punt 1. Bovendien ontslaat het automatisch koppelen van data je er niet van zelf na te blijven denken over de verbanden tussen verschillende bronnen en de implicaties daarvan.

Waar moet je nou op letten bij het onderzoeken van Big Data? Hiervoor heb ik eveneens drie tips:
1. Denk niet alleen vanuit n=veel, maar ook vanuit n=1
Veel databronnen zijn gebaseerd op grote groepen. De data worden dan vaak gepresenteerd in percentages. Ook wordt vaak gerapporteerd in jaaromzetten en –bestedingen. Deze getallen staan relatief ver van je af. Ik probeer data ook altijd te vertalen in het beeld van een gemiddelde consument. Hoeveel geeft één persoon (per week) uit aan de categorie? Hoe ziet één mandje er ongeveer uit? Dit helpt voor je eigen begrip en voor het uitleggen aan stakeholders.
2. Draai het om
Veel data kun je omdraaien: 80% van de shoppers loopt langs ons schap. Omgekeerd: 20% dus niet! Deze zin roept meteen andere vragen op dan de eerste: waarom lopen ze niet langs ons schap, hoe zouden we ervoor kunnen zorgen dat ze dat wel doen, wat voor mensen zijn dat? Omdraaien van een statement kan je helpen aan nieuwe inzichten te komen.
3. Let op bij het aan elkaar koppelen van data
Allereerst is het niet altijd nodig alles aan elkaar te plakken (het moet wel echt wat opleveren) en is het ook lastig alles goed aan elkaar te plakken. Veel databases hebben nl. geen goede sleutel om te koppelen, en bijvoorbeeld productomschrijvingen zijn nooit precies hetzelfde (denk bijvoorbeeld aan LAY’s of LAYS chips). Ten tweede wordt een database vaak trager wanneer het één grote gekoppelde brij is. Ten derde heeft niet elk bedrijf dat data koppelt, verstand van jouw business. Je moet ze dus helpen de data uit te leggen. Bijvoorbeeld dat je distributies niet zomaar bij elkaar op kunt tellen of middelen. Laat je dus goed adviseren voor je hiermee aan de slag gaat.

Één extra tip: kijk niet alleen naar gemiddelden. Denk maar aan het voorbeeld: mijn gemiddelde temperatuur is 37 graden. Ik lig met mijn voeten in de vriezer en mijn hoofd in de oven. Met andere woorden: kijk ook naar de spreiding van de data. Hoeveel mensen kopen jouw product één, twee, drie of zelfs vier keer per week? Zijn dit andere personen?

Er zijn dus veel zaken waar je op moet letten, maar Big Data is als een grote berg: je kunt er niet omheen!

Mocht je hierover meer willen weten: Ik heb veel ervaring met het verwerken en interpreteren van grote hoeveelheden data. Daarnaast kan ik snel en slim marktonderzoek voor je uitvoeren via mijn andere bedrijf Spinos | Research & Analytics. Neem gerust contact op voor meer informatie (bel 06-233 977 27 of stuur een e-mail)!