5 manieren om data science in marketing te gebruiken

Een introductie tot data science in marketing

Heb je ooit iets gekocht op een online platform, om daarna overspoeld te worden met advertenties voor vergelijkbare producten telkens als je op het web surft? Dat is een toepassing van data science in marketing.

Het merendeel van de data wereldwijd is alleen al in de afgelopen twee jaar gegenereerd, en bedrijven kunnen klantgegevens nu op grotere schaal verzamelen en opslaan dan ooit tevoren. Elke keer dat gebruikers interacteren met de website, socialmediapagina of POS-systeem van een organisatie, ontstaan er nieuwe datapunten.

Die data worden vervolgens gebruikt om inzichten in gebruikersgedrag op te bouwen en hen gerichte advertenties, persoonlijke productaanbevelingen en speciale promoties te sturen.

De meesten van ons komen dagelijks in aanraking met toepassingen van marketing-data science en nemen onbewust beslissingen op basis daarvan. 

In dit artikel bespreken we 5 manieren om data science in marketing te gebruiken. Daarna verkennen we voor elk gebruiksscenario een persoonlijk project dat je aan je data-scienceportfolio kunt toevoegen. Tot slot gaan we in op waarom je marketingdatascientist zou moeten worden en hoe je zo’n baan vindt.

5 use-cases van data science in marketing

1. Aanbevelingssystemen

Bedrijven als Netflix, Spotify en Amazon gebruiken aanbevelingssystemen om gebruikers persoonlijke suggesties te geven op basis van hun interacties met het platform.

Als je bijvoorbeeld een film op Netflix kijkt en die positief beoordeelt, krijg je de volgende keer dat je de app opent films aanbevolen met hetzelfde genre, vergelijkbare inhoud en overlappende castleden. 

Dit is een eenvoudig voorbeeld van hoe we in het dagelijks leven met aanbevelingsengines interacteren.

Aanbevelingssystemen worden krachtiger naarmate gebruikers er langer mee interacteren. 

Als je bijvoorbeeld nieuw bent op Spotify, zijn je eerste muzieksuggesties generiek. De app raadt een breed scala aan genres aan die de mainstream aanspreken, omdat het algoritme nog niet genoeg data heeft om jouw voorkeuren te kennen.

Naarmate je meer tijd op het platform doorbrengt, leert de aanbevelingsengine meer over je likes en dislikes, en worden je muzieksuggesties helemaal op jouw smaak afgestemd. Het algoritme kan zelfs voorspellen naar welk type muziek je mogelijk luistert in verschillende seizoenen of op verschillende tijdstippen van de dag.

Soorten aanbevelingssystemen

Aanbevelingssystemen zijn grofweg in twee typen in te delen: contentgebaseerde aanbevelingssystemen en aanbevelingssystemen op basis van collaborative filtering.

1. Contentgebaseerde aanbevelingssystemen:

Afbeelding door de auteur

Contentgebaseerde aanbevelingssystemen doen suggesties uitsluitend op basis van de inhoud van het product. 

Als je bijvoorbeeld graag romans uit de Percy Jackson-serie leest, krijg je mogelijk Heroes of Olympus aanbevolen, van dezelfde auteur en in een vergelijkbaar genre.

Een nadeel van zo’n algoritme is echter dat je geen boeken aanbevolen krijgt die afwijken van wat je al hebt gelezen. Als je Percy Jackson leuk vindt, krijg je alleen avonturen- en fantasieboeken aangeraden, zelfs als je misschien ook een non-fictie- of spanningsroman zou waarderen.

Je kunt dit nadeel van contentgebaseerde aanbevelingssystemen ondervangen met een aanbevelingssysteem op basis van collaborative filtering, dat we later in dit artikel uitleggen.

Projectidee voor contentgebaseerd aanbevelingssysteem

Als je beginner bent met weinig tot geen ervaring in het bouwen van aanbevelingssystemen, is de Kaggle Movie Dataset een mooi startpunt. Deze dataset bevat metadata voor 45.000 films, inclusief posters, releasedata, genres en opbrengsten.

Je kunt meekoden met de tutorial Recommender Systems in Python op Datacamp om een contentgebaseerd aanbevelingssysteem te bouwen met behulp van filmdetails uit de dataset.

Wil je meer houvast bij het bouwen van een film- aanbevelingssysteem, schrijf je dan in voor een live code-along-trainingssessie op Datacamp. Dit is een begeleide workshop door een expert die je in 1,5 uur leert hoe je aanbevelingssystemen in R maakt; je kunt vragen stellen als je onderweg ergens tegenaan loopt.

2. Aanbevelingssystemen op basis van collaborative filtering

Modellen op basis van collaborative filtering genereren suggesties op basis van eerder gebruikersgedrag. Ze zijn verder onder te verdelen in user-based en item-based collaborative filtering.

Zoals de naam al aangeeft, groepeert user-based collaborative filtering klanten met vergelijkbaar gedrag. 

Dit algoritme doet vervolgens productaanbevelingen op basis van gedeelde voorkeuren binnen deze klantsegmenten, zoals in het onderstaande diagram:

Afbeelding door de auteur

Item-based collaborative filtering daarentegen groepeert vergelijkbare items op basis van gebruikersvoorkeuren, zoals te zien is in deze afbeelding:

Afbeelding door de auteur

Wil je meer leren over de verschillende soorten aanbevelingssystemen en hoe je ze implementeert, volg dan de cursus Build Recommendation Engines in Python van Datacamp.

Projectidee voor collaborative filtering

Je kunt een aanbevelingssysteem op basis van collaborative filtering bouwen met de Book Recommender System Dataset op Kaggle. Deze dataset bevat slechts drie variabelen: een user-ID, de ISBN-code van het boek en een gebruikersbeoordeling per boek.

Deze tutorial over aanbevelingssystemen kan je op weg helpen als je nog niet bekend bent met hoe collaborative filtering werkt.

2. Sentimentanalyse

Afbeelding van KDNuggets

Sentimentanalyse, ook wel opinion mining, is het proces waarbij je de onderliggende emotie achter een tekst bepaalt, en is een andere populaire toepassing van data science in marketing. 

Hier is een voorbeeld van hoe sentimentanalyse zakelijke waarde toevoegt voor organisaties:

Een bank in Zuid-Afrika zag hogere dan gebruikelijke klantverloopcijfers. Veel gebruikers liepen over naar concurrenten en wilden geen zaken meer met hen doen. De bank probeerde met behulp van sentimentanalyse het probleem te achterhalen.

Ze verzamelden meer dan 2 miljoen datapunten op social media om te analyseren wat klanten over hen zeiden en trainden hierop een sentimentanalysemodel.

Op basis van deze analyse realiseerde de instelling zich dat de meeste negatieve opmerkingen kwamen van gebruikers die ontevreden waren over het onvoldoende aantal baliemedewerkers tijdens de lunchpauze, wat leidde tot lange wachttijden.

De bank loste dit vervolgens op door meer medewerkers in te zetten tijdens piekuren, wat leidde tot een daling van het klantverloop.

Het bovenstaande voorbeeld laat zien hoe nuttig sentimentanalyse kan zijn om bedrijven te helpen hun productaanbod te verbeteren en de concurrentie te overstijgen. Andere toepassingen van sentimentanalyse zijn productanalyse, marktonderzoek en het minen van gebruikersreviews.

Wil je meer leren over sentimentanalysemodellen en hoe je ze vanaf nul bouwt, volg dan de cursus Sentiment Analysis in Python op Datacamp.

Projectidee voor sentimentanalyse

Je kunt beginnen met het maken van een model voor sentimentanalyse van filmrecensies met behulp van een dataset in de NLTK-bibliotheek. NLTK is een Python-pakket met een diverse set algoritmen voor Natural Language Processing. 

In dit project kun je een filmrecensiedataset gebruiken die is ingebouwd in de bibliotheek en die je kunt importeren met een enkele regel code. Vervolgens bouw je een algoritme dat filmrecensies classificeert als positief of negatief.

Klik mee met de tutorial Python Sentiment Analysis op Datacamp als je begeleiding nodig hebt bij de start.

3. Voorspellen van klantverloop

Afbeelding van DeepNote

Klantverloop is een fenomeen waarbij een gebruiker stopt met zaken doen met een organisatie. Als je bijvoorbeeld Netflix-gebruiker bent en je besluit je abonnement te beëindigen, dan ben je een klant die is afgehaakt.

Het is voor bedrijven duurder om een afgehaakte klant te vervangen dan om een bestaande klant te behouden. Daarom huren veel organisaties dataspecialisten in om gebruikers die op het punt staan af te haken te identificeren, zodat ze dit kunnen voorkomen.

Hier is een voorbeeld van hoe een model voor het voorspellen van klantverloop bedrijven kan helpen gebruikers te behouden:

Je bent geabonneerd bij een internetprovider en ervaart de laatste tijd trage snelheden. Je hebt een paar klachten ingediend en contact gezocht met de klantenservice, maar het probleem bleef bestaan. Daardoor heb je zelfs de router meerdere keren aan en uit gezet en opnieuw verbonden met het netwerk.

Uiteindelijk besluit je over te stappen naar een concurrerend merk omdat je gebruikservaring bij deze ISP slecht was.

Het data science-team van de ISP verzamelt gedragsdata van klanten, volgt gebruikersactiviteit wanneer ze verbonden zijn met het netwerk en verzamelt klachtinformatie. Na al deze data te hebben samengebracht, realiseert het team zich dat jij een hoog risico hebt om af te haken.

Ze waarschuwen direct de marketing- en productteams dat je waarschijnlijk zult stoppen met zaken doen met hen.

Het marketingteam van het bedrijf neemt vervolgens contact met je op met persoonlijke promoties en afgeprijsde wifi-pakketten en biedt zelfs aan je huidige abonnement gratis te upgraden. Na de upgrade merk je dat de verbinding veel sneller is en je totale ervaring met de ISP prettiger. Je besluit vervolgens klant te blijven in plaats van over te stappen.

Het bovenstaande voorbeeld laat zien hoe nuttig modellen voor klantverloop zijn om bestaande gebruikers van een organisatie te behouden. Deze toepassing levert directe zakelijke waarde op en wordt vaak gebruikt door abonnementsplatformen zoals Netflix en Spotify, die afhankelijk zijn van verlengingen als belangrijkste inkomstenbron.

Projectidee voor klantverloopvoorspelling

Je kunt de dataset Telecom Customer Churn op DataCamp gebruiken om je eerste project voor verloopvoorspelling te maken. 

Deze dataset bevat informatie over gebruikers die geabonneerd zijn bij een Iraans telecombedrijf, zoals hun leeftijd, gebruiksgedrag, abonnementsduur en klachten. Gebruik deze data om te voorspellen of een klant waarschijnlijk zal afhaken.

Weet je niet waar te beginnen, klik dan mee met de tutorial Customer Churn Rate Prediction om dit model te bouwen. Je kunt ook onze cursus Predicting Customer Churn in Python bekijken.

4. Klantsegmentatie

Afbeelding van Madlytics

Klantsegmentatie is het proces waarbij gebruikers worden opgedeeld in subgroepen op basis van gedeelde kenmerken. Elk segment wordt vervolgens benaderd met een andere set promoties en productaanbiedingen op basis van hun gedrag.

Hier is een voorbeeld van hoe klantsegmentatie zakelijke waarde toevoegt:

Een e-commercebedrijf bouwt een klantsegmentatiemodel om verschillende gebruikers te targeten met persoonlijke promoties. 

Als een gebruiker vaak op het platform rondsurft maar alleen koopt wanneer er korting is, wordt die geclassificeerd als een “Promotion Hunter”. Alle klanten in dit segment krijgen direct een e-mailmelding zodra er een lopende korting is, omdat ze in die periode waarschijnlijk vaker kopen.

Andere gebruikers shoppen juist voor specifieke items en zijn bereid de aankoop te doen ongeacht de prijs, omdat ze kwaliteit boven betaalbaarheid verkiezen. Deze klanten worden anders benaderd: het marketingteam adverteert alleen high-end items naar deze groep, gebaseerd op producten waarin ze al interesse hebben getoond.

Zo krijgen klanten met een hoge koopkracht duurdere producten te zien die bij hun interesse passen, wat hen stimuleert meer uit te geven. Gebruikers die waarde hechten aan betaalbaarheid worden verleid met goedkopere producten tijdens kortingsperiodes.

Het bovenstaande eenvoudige voorbeeld laat zien hoe klantsegmentatie bedrijven in staat stelt de winst per gebruiker te maximaliseren. 

Een van de meest voorkomende toepassingen van klantsegmentatie is het opbouwen van ad-groepen in marketingcampagnes.

Facebook verzamelt bijvoorbeeld demografische en gedragsdata van gebruikers en stelt bedrijven in staat advertenties te draaien die zijn gericht op aangepaste doelgroepen op basis van deze informatie. Gebruikers kunnen worden gesegmenteerd op specifieke kenmerken zoals locatie, leeftijd, geslacht, favoriete merken en mensen met wie ze zijn verbonden. 

Klantsegmentatie wordt doorgaans gerealiseerd met unsupervised machine-learningmodellen zoals K-Means-clustering. 

Wil je meer leren over klantsegmentatie en hoe je algoritmen als K-Means bouwt, volg dan onze cursus Customer Segmentation in Python.

Projectidee voor klantsegmentatie

Je kunt de E-Commerce Dataset van Datacamp gebruiken om een portfolio­project voor klantsegmentatie te bouwen.  

Deze dataset bestaat uit bestelgegevens die zijn geplaatst op een e-commerceplatform in het VK. 

Er is informatie opgenomen over klant­aankopen, zoals de bestelde items, productprijzen en factuurdatum. Je kunt deze data gebruiken om gebruikers te segmenteren op basis van hun activiteit op het platform.

5. Market basket-analyse

Afbeelding van Analytics Vidhya

Market basket-analyse, ook wel association mining, is een techniek om te analyseren welke items vaak samen worden gekocht. Dit gebeurt door historische aankoopdata te verwerken en productcombinaties te identificeren die vaak samen in transacties voorkomen.

De inzichten uit deze analyse kunnen door retailers worden gebruikt om de winkelinrichting te verbeteren en klanten te stimuleren meer items in één transactie te kopen.

Zo zal iemand die babyvoeding koopt waarschijnlijk ook luiers aanschaffen, dus winkels plaatsen deze producten vaak dicht bij elkaar om ze gemakkelijk toegankelijk te maken. 

Kooppatronen zijn echter niet altijd zo voor de hand liggend. Afhankelijk van regio, culturele invloeden en demografische factoren kopen klanten soms items samen die niet tot dezelfde categorie behoren. Veel van deze correlaties zijn met het blote oog niet te ontdekken, daarom vertrouwen organisaties op datatechnieken zoals market basket-analyse.

Hier is een voorbeeld van hoe market basket-analyse verbanden kan ontdekken die mensen ontgaan:

Het meest aangehaalde voorbeeld van market basket-analyse is de case “bier en luiers”. Volgens deze studie gebruikte een supermarktketen in het Midwesten dataminingtechnieken om items te identificeren die vaak samen werden gekocht.

Hun analyse liet zien dat klanten op vrijdagavond doorgaans bier en luiers samen kochten. Dit verband lijkt misschien puur toevallig, maar hier is een scenario dat het zou kunnen verklaren:

Een jonge vader stopt op vrijdagavond bij de supermarkt om na een lange week een paar biertjes te halen. Zijn partner weet dit en vraagt hem ook luiers voor hun baby mee te nemen. Dit gedrag wordt een gewoonte, en werkende vaders kopen op vrijdagen bier en luiers samen voordat ze naar huis gaan.

Na deze ontdekking plaatst de winkel bier en luiers in hetzelfde gangpad en ziet direct een omzetstijging.

Dit verhaal werd voor het eerst gemeld in de midjaren 90 en de echtheid is door de jaren heen in twijfel getrokken. Fictief of niet, deze use-case herinnert ons eraan hoe krachtig statistiek kan zijn bij het blootleggen van verborgen correlaties die het menselijk oog ontgaan.

Market basket-analyse is niet beperkt tot fysieke winkels. E-commerceplatforms tonen ook sterk gecorreleerde producten op dezelfde pagina, zodat ze binnen het gezichtsveld van de gebruiker vallen. 

Als je online op zoek bent naar zwarte jeans, zie je bijvoorbeeld bijpassende schoenen onderaan de pagina staan, wat je aanmoedigt om een bundel te kopen in plaats van één product. Ook dit leidt tot een directe omzetstijging, omdat klanten meer kopen dan ze van plan waren.

Wil je meer leren over market basket-analyse en hoe je deze uitvoert met machinelearningtechnieken, volg dan de leerlijn Market Basket Analysis in Python. Werk je liever met R, volg dan de cursus Market Basket Analysis in R. 

Projectidee voor market basket-analyse

Om te beginnen met market basket-analyse kun je dezelfde E-Commerce Dataset gebruiken als genoemd in de sectie over klantsegmentatie. Houd er rekening mee dat dit een ingekorte versie is van een dataset in de UCI Machine Learning Repository en slechts 2.500 rijen bevat. Je kunt de grotere dataset downloaden als je met meer data wilt werken.

Zoals in de vorige sectie uitgelegd, bevat de E-Commerce Dataset klanttransactiedata zoals factuurnummers en gekochte producten. Je kunt deze informatie gebruiken om items te identificeren die klanten vaak samen in één transactie kopen.

Voor begeleiding bij de implementatie van dit project kun je de tutorial Market Basket Analysis in R gebruiken. Als Python je voorkeur heeft, dan is er de cursus Market Basket Analysis in Python.

Data science in marketing - volgende stappen:

Waarom zou je marketingdatascientist worden?

Data science kent een breed scala aan toepassingen in marketing, waarvan we er hierboven veel hebben besproken. Deze use-cases voegen directe waarde toe voor organisaties door de verkoop te verbeteren, pijnpunten van klanten op te lossen en kopers aan te moedigen meer te consumeren.

Vroeger, toen organisaties geen toegang hadden tot grote hoeveelheden klantdata, voerden marketeers veel van de bovenstaande toepassingen zelf uit. Sentimentanalyse en marktonderzoek gebeurden via enquêtes. Marketeers verstuurden gerichte advertenties op basis van hun begrip van klantgedrag; het was meer een intuïtief dan een datagedreven proces.

Tegenwoordig, nu de hoeveelheid data die organisaties verzamelen en opslaan enorm toeneemt, zijn bedrijven marketing steeds datagedrevener gaan benaderen. 

Het is echter niet voldoende voor bedrijven om dataspecialisten in te huren om aan marketing-use-cases te werken.

Hoewel dataspecialisten met complexe datasets kunnen omgaan, zeer nauwkeurige voorspellende modellen kunnen bouwen en statistische analyses kunnen uitvoeren, zijn deze vaardigheden op zichzelf onvoldoende om waardevolle inzichten uit data te halen. Ze missen domeinkennis in marketing en kunnen de beschikbare data vaak niet relateren aan bedrijfsproblemen.

Marketeers daarentegen begrijpen klantgedrag, weten hoe ze probleemstellingen moeten formuleren en kunnen marketingbeslissingen sturen. Ze missen de technische expertise om met grote datasets te werken.

Een dataspecialist die zich richt op het marketingdomein bezit de gecombineerde skillset van beide rollen, wat van onschatbare waarde is voor organisaties. Deze mensen slaan de brug tussen data science en marketing en kunnen datagedreven beslissingen nemen die winstgevend zijn voor bedrijven.

Hoe word je marketingdatascientist

Om marketingdatascientist te worden, heb je sterke technische en analytische vaardigheden nodig, domeinkennis van marketing en soft skills:

1. Technische skills

• SQL om data uit databases te extraheren, op te schonen en te manipuleren. Volg de cursus Introduction to SQL om de basis van databasemanipulatie te leren.
• Expertise in statistiek en kennis van supervised en unsupervised machinelearningtechnieken. Volg de cursus Introduction to Statistics om de basis van statistische analyse te leren.
• Kennis van ten minste één programmeertaal (R, Python, Java, enz.). Als je niet kunt coderen, volg dan Datacamps Python Programming-skilltrack of het R-alternatief.
• Vermogen om A/B-tests uit te voeren. 
• Vaardigheid in datavisualisatie en het bouwen van dashboards met tools als Tableau, PowerBI en Excel.
• Inzicht in hoe advertentiecampagnes worden uitgevoerd en geoptimaliseerd op platforms zoals Facebook en Google Display Network.
• Vermogen om experimentele ontwerpen en attributiemodellering uit te voeren.

Houd er rekening mee dat de bovenstaande vereisten verschillen per organisatie en team. Een team dat zich richt op productaanbevelingen zal bijvoorbeeld niet bezig zijn met het optimaliseren van advertenties, noch met taken als attributiemodellering.

Als je geen marketingdomeinkennis hebt en wilt leren hoe je een A/B-test uitvoert, marketingmetrics visualiseert en conversies analyseert, volg dan de cursus Introduction to Pandas for Marketing op Datacamp.

2. Soft skills

• Sterke communicatieve vaardigheden.
• Het vermogen om complexe, technische concepten te vertalen voor senior management en besluitvorming te ondersteunen.
• Het vermogen om datagedreven oplossingen te formuleren voor zakelijke problemen.

Voor een duidelijker beeld van wat bedrijven zoeken in een marketingdatascientist, volgen hier de vereisten van Uber voor deze rol:

Als je geen ervaring hebt in marketing-data science, is de beste manier om je vaardigheden te tonen het maken van projecten die echte bedrijfsproblemen oplossen. 

We hebben relevante projecten vermeld bij elke toepassing die in dit artikel is uitgelegd; het is een goed idee om een aantal daarvan op je cv te zetten om hiring managers te laten zien dat je zakelijke waarde kunt creëren met data science-technieken.

Wil je tot slot de kloof in je kennis dichten en leren hoe je data science-benaderingen toepast op marketing, volg dan Datacamps cursus Machine Learning for Marketing in Python, of de R-variant.