Optimale leads met machine learning en Big Data: zo zet je de juiste stappen
Data ligt aan de basis van bijna iedere marketingtrend. Personalisatie, marketing automation, contentmarketing: allemaal staan of vallen ze met de kwaliteit van je data.
De hoeveelheid data die – vaak gratis – beschikbaar is, neemt dagelijks toe en computerkracht was nog nooit zo goedkoop als nu. De tijd dat het inzetten van machine learning en artificial intelligence alleen voor techbedrijven was ligt achter ons. Toch is het vooral voor MKB-bedrijven niet makkelijk om een goede start te maken met Big Data. Het vinden van de juiste mensen en het opzetten van een goed werkend dataproces blijken uitdagingen.
Bekijk het interview met Pascal van Hattum en Rutger Vinke tijdens de MIE 2020.
(Tekst gaat verder onder de video)
Dat was de reden dat we bij MarketResponse zijn begonnen aan de bouw van de B2B Lead Optimizer, een product dat MKB-ondernemingen de kracht van Big Data geeft zonder dat ze zelf een complete data science-afdeling hoeven op te tuigen. Het hart van deze tool is een lerend algoritme, dat gevoed wordt door allerlei databronnen. Door die slim met elkaar te combineren kan het uit lijsten met leads de meest kansrijke selecteren. Dit bespaart verkoopafdelingen veel tijd, omdat ze alleen nog maar de beste leads benaderen.
Sloop de silo’s!
Gelukkig hoeven de meeste bedrijven niet meer bij nul te beginnen. Ook als MKB-bedrijf heb je namelijk meer data dan je denkt. De belangrijkste bron is natuurlijk de klant- en orderinformatie die in je ordersysteem leeft. Maar er zijn waarschijnlijk ook maildatabases, websitestatistieken en lijsten met leads.
Daar ligt dan al meteen de eerste uitdaging. Om maximale waarde uit je data te halen, moet je ze op een centrale plek verzamelen: het datalake. Maar meestal zitten data binnen bedrijven verspreid door allerlei systemen, databases, spreadsheets en online analytics-toepassingen. De eerste stap naar het optimaliseren van je leads met Big Data is het doorbreken van deze silo’s en het zo bewerken van je data dat lerende algoritmes er iets mee kunnen.
Die ‘interne’ data vul je aan met externe data, openbaar beschikbaar of ingekocht. Ook dat kan een uitdaging zijn. Website-data moeten bijvoorbeeld ‘gescraped’ worden en externe databases moeten worden vertaald naar een formaat dat bij je interne data past. Dit vereist kennis en vaardigheden die in de huidige arbeidsmarkt behoorlijk schaars zijn en dus voor een MKB-bedrijf niet zomaar toegankelijk. Aan de zoektocht naar de juiste data gaat dus meestal een zoektocht naar data scientists vooraf.
Bijna gratis: eindeloze kennis over bijna alles
Het combineren van interne en externe data is de sleutel tot je succes. Het internet is een bijna eindeloze bron van kennis over bijna alles. En het meeste ervan staat ook gewoon openbaar online, gratis toegankelijk. Zo gebruikten we Untappd.com, een sociaal netwerk voor bierliefhebbers, om data over horecagelegenheden te verzamelen, scannen we continu bedrijfswebsites om te kijken welke taal bedrijven gebruiken, weten we via PartyFlock.nl altijd waar de populaire feesten zijn en gebruiken we de database van UKTradeInfo.com om import- en exportactiviteiten van bedrijven in beeld te krijgen. Voor iedere onderneming, in iedere branche, zijn online (bijna) gratis nuttige data te vinden.
De juiste vis uit je datalake vissen. En een goed gesprek hebben met je verkopers…
Heb je de beschikbare data verzameld in een datalake? Dan heb je een eerste, zeer belangrijke horde genomen. Maar je bent er nog niet. Want nu begint het belangrijkste onderdeel, het ‘vissen’ in je datapoel. Het belangrijkste hierbij is dat je één variabele hebt waarop je alle leads kunt koppelen. Het KvK-nummer is hierbij vaak de meest logische keuze. Op deze manier kan een machine learning-algoritme leads met elkaar vergelijken op eindeloos veel meer aspecten dan een verkoper, hoe ervaren ook, ooit zal kunnen.
Jarenlange ervaring van bedrijven ook kan leiden tot tunnelvisie, waarbij de harde feiten over de markt ondergesneeuwd raken.
De combinatie van grote hoeveelheden data en lerende algoritmes is een belangrijke aanvulling op de ‘onderbuik’ van je verkopers. Het betekent wel dat hun manier van werken moet veranderen. De komst van AI en Big Data is niet alleen een technische verandering. Het is belangrijk om ook het menselijke aspect hierin mee te nemen. Neem dus de tijd om Sales uit te leggen dat lead optimization de verkopers niet, of in ieder geval niet geheel, gaat vervangen.
Oeps… Jarenlang 30% van de markt over het hoofd gezien
Aan de andere kant kan de onpartijdige blik van een computer ook interessante observaties opleveren. Een klant van ons verkoopt bedrijfskoelkasten en dacht een vrij aardig beeld van de eigen markt te hebben. Totdat de Lead Optimizer twee volledig nieuwe markten ophoestte: sportkantines en cruiseschepen. Die bleken ongeveer 30% van de markt uit te maken, maar waren door Sales nog nooit als potentiële klanten gezien.
Dit voorbeeld leert ons dat de jarenlange ervaring van bedrijven ook kan leiden tot tunnelvisie, waarbij de harde feiten over de markt ondergesneeuwd raken.
Leren door feedback
Machine learning werkt alleen als het systeem feedback krijgt op de geleverde resultaten Dat betekent in de praktijk dat Sales er een taak bij krijgt, namelijk het rapporteren over de kwaliteit van de leads. Want ook slechte leads leveren data op, en je machine learning-algoritme heeft die data nodig om de kwaliteit van de leads te verbeteren.
Sla je deze stap over, dan zul je nooit het maximale rendement uit tools als de Lead Optimizer houden. Ook hier geldt dus weer dat technische veranderingen samen moeten gaan met organisatorische. Big Data levert alleen ROI op als je hem combineert met een data mindset in je hele organisatie.