Merkstrategie voor het digitale tijdperk – Frislicht

Leestijd: < 1 minuut

Cor Hospes interviewde me voor BusinessWise over de spagaat waarin Odido op dit moment zit.

‘Odido moet zelf de bom laten ontploffen’, vindt merkstrateeg Ingmar de Lange

Een hack, niet betaald losgeld en miljoenen gelekte klantgegevens. Voor Odido is het een nachtmerrie. Maar volgens merkstrateeg Ingmar de Lange is het ook een kans om te laten zien waar je als merk echt voor staat. Over denken als een judoka, de kracht van een pivot en het schoolvoorbeeld van crisiscommunicatie. ‘Rising to the occasion’.

Lees het artikel

 

Leestijd: 15 minuten

Vorige week mocht ik een keynote geven op DDMA NEXT, een evenement over datagedreven marketing. Daar had ik een prikkelende boodschap: data is belangrijk voor merken. Maar data heeft een fikse valkuil, waar veel marketeers zich niet van bewust zijn. En dat heeft grote consequenties.

De harde les van Nike.

Het “rokende geweer” komt van Nike. Eerder schreef ik uitgebreid over deze case. Nike verloor $150 miljard aan beurswaarde door een schijnbaar logische keuze: laten we eens goed naar de ROI kijken van de dingen die we doen. Wat levert een activiteit Nike eigenlijk op? En welk effect is duidelijk terug te zien in data?

Natuurlijk is daar niets mis mee. Ik zou tijdens deze vergadering in ieder geval niet zijn opgestaan om m’n bezwaar in te dienen. Het is logisch om goed naar ROI te kijken en data spelen daarin een cruciale rol.

Maar wat er vervolgens in de praktijk gebeurt, daar houdt niet iedereen rekening mee. Ook Nike niet.

Makkelijke data en lastige data.

De kern van mijn betoog is dat de ene ROI beter terug te zien is in data dan de andere. Gedragseffecten op de korte termijn zijn makkelijk, goedkoop en snel in cijfers terug te zien.

Als voorbeeld: een korting laat direct een effect zien. Bied een schoen van Nike aan met 25% korting en je ziet gelijk gedragseffecten in je data: mensen klikken vaker op je uiting en blijven langer op je site hangen. Deze data zijn “makkelijk”.

Het langetermijneffect is lastiger terug te zien in data. Kortingen doen afbreuk aan je merk, dat is een harde wet. Maar die afbreuk zie je niet snel in je cijfers terug.

Dit komt omdat hier geen gedrag aan gekoppeld is. Stel: iemand ziet een korting van Nike en vindt Nike daardoor minder stoer / cool / hip. Diegene gaat daardoor minder snel naar de site of de winkel. Maar iemand die iets niet doet, creëert geen duidelijk dataspoor.

De afbreuk die plaatsvindt is er eentje in de onderbuik, de plek waar overtuigingen en vooroordelen zitten: Nike voelt wat minder premium door de korting. Maar wat er in de onderbuik van je klant gebeurt, kun je alleen terugzien in data als je onderzoek doet. En onderzoek kost tijd en geld, dus deze data zijn “moeilijk”.

Daardoor is het positieve effect van korting makkelijker te meten dan het negatieve langetermijneffect. Dus lijkt het succes groter dan het daadwerkelijk is.

Merken zijn traag, diffuus en cross‑mediaal.

Merken werken, onderzoek na onderzoek toont dit aan. Maar merkeffecten zijn traag, diffuus en cross‑mediaal. Daardoor is het effect lastig terug te zien in “makkelijke data”.

Koppel daaraan dat aandeelhouders de werking van merken vaak niet begrijpen en je snapt dat CEO’s geneigd zijn om budgetten voor merkbouwen ter discussie te stellen, zoals bij Nike. Dit heeft een enorm effect: groei en waarde lijden hieronder.

Allereerst omdat een merk een flink deel van de bedrijfswaarde vertegenwoordigt. Gemiddeld is 20% van de bedrijfswaarde merkwaarde. Bij bedrijven die zich richten op consumentenapparatuur of consumentendiensten is dat zelfs tussen de 35 en 45%!

Ter vergelijking, gemiddeld genomen is de waarde van alle fysieke objecten binnen het bedrijf, zoals apparatuur en inventaris, 26%. Maar iedereen binnen Nike zou begrijpen dat het onverstandig was om hiervoor niet goed te zorgen. Simpelweg omdat aandeelhouders en CEO’s wel een duidelijk beeld hebben bij de waarde van tastbare objecten en omdat er duidelijke data voor beschikbaar is.

Verder is de correlatie tussen merkkracht en marktaandeel groot: R² = 0,94. In gewone mensentaal betekent dit dat de lineaire relatie zeer sterk is, zoals je in het plaatje hieronder ziet.

Makkelijk meetbaar ≠ hogere ROI.

Maar doordat het merkeffect in makkelijke data lastig aantoonbaar is, voeren marketeers regelmatig een lastige wedstrijd. Ze krijgen het verwijt dat het effect van hun werk niet duidelijk is en dat ze het niet goed onderbouwen met data. Hierdoor zijn zij geneigd kanalen op te zoeken die wel makkelijk data opleveren. Hun veronderstelling is dat ROI zo beter aantoonbaar is.

Maar er is geen correlatie tussen makkelijk aantoonbare data en daadwerkelijk ROI. Ofwel, marketeers denken kanalen op te zoeken met een duidelijk effect. Maar dit zijn vooral kanalen die makkelijk cijfers opleveren, ook al zeggen deze cijfers weinig over het daadwerkelijke effect.

Hieronder diverse voorbeelden hiervan. Ik wed dat daar valkuilen tussen zitten die jij vaak tegenkomt.

Kliks correleren niet met effect.

Ik heb er ten treuren over geschreven, bijvoorbeeld in mijn boek Sterk Digitaal Merk: kliks zijn makkelijk meetbaar. Maar de correlatie tussen een klik en effect, zowel op korte als op lange termijn, is nul (!). Nielsen zag al jaren geleden dat CTR geen samenhang vertoont met verkoop- of merkeffecten. Allerlei andere onderzoeken bevestigden dit en recentelijk toonde zelfs onderzoek van TikTok dit aan.

CTR draait meestal om een categorie-effect.

Veranderingen in je CTR zijn daarbij verleidelijk om te onderzoeken. Wat heb je gedaan om voor een positief resultaat te zorgen? Als je naar data rond je media-inzet van die periode kijkt, word je verleid om in de toekomst dezelfde keuzes te maken. Immers, als het één keer werkt, werkt het vast een tweede keer.

Maar in 70% van de gevallen hebben de veranderingen in je resultaat niets met jouw keuzes te maken. De oorzaak zit meestal op categorieniveau: het regent / er is iets in het nieuws geweest / de economie verandert / er is een nieuwe trend. Daardoor heeft ieder merk in jouw categorie ineens een hogere CTR.

Maar jij denkt dat dit aan jouw keuzes ligt. Daarmee optimaliseer je jouw toekomstige inzet op basis van data met de verkeerde inzichten.

ROAS geeft de verkeerde feedback.

Een ander voorbeeld van hoe makkelijke data je een verkeerd beeld kan geven draait om ROAS (Return on Ad Spend). ROAS bereken je door de opbrengsten uit een campagne te delen door de kosten van die campagne. Een ROAS van 3:1 betekent bijvoorbeeld dat elke geïnvesteerde euro €3 oplevert.

Dat klinkt logisch. En makkelijk. Maar ook deze KPI zorgt er vaak voor dat marketeers op de verkeerde wijze optimaliseren.

Graag leg ik een parallel met krachttraining. Stel: je doet push-ups. De eerste serie doe je er 10 (je “ROAS” is 10:1). Daarna doe je er 8 (je ROAS is 8:1), daarna 6 (je ROAS valt terug tot 6:1). Iedereen die sport, weet dat meer series beter zijn voor je conditie. Maar vanuit het oogpunt van ROAS is het beter na je eerste serie te stoppen, dan is je ROAS het hoogst.

Uit allerlei onderzoek blijkt dat marketeers dan ook veel te snel stoppen met hun campagnes. Terwijl merken juist worden gebouwd met consistentie en langetermijninzet, net als bij sporten.

Campagnes richten zich op de verkeerde mensen.

Een andere manier om je ROAS te verbeteren is om te adverteren voor fruit dat al van de bomen valt. Wat ik bedoel: als ik “KPN”, “Odido” of “Vodafone” in Google typ, ben ik dus naar die partij op zoek. Ik ben fruit dat deze merken niet meer hoeven te plukken.

Maar meestal verschijnt er boven de zoekresultaten een Google Ad van het merk dat ik zoek. De kans is groot dat ik erop klik en de advertentie lijkt daarmee succesvol als je naar je data kijkt. Maar het geld is verspild. Zonder deze advertentie had ik op het organische zoekresultaat van het merk geklikt, dat niets had gekost.

Ofwel, hoe meer je je richt op
 klanten die toch al van plan waren voor jou te kiezen, 
hoe hoger je ROAS lijkt. Maar data geven je dan het verkeerde beeld.

Effecten worden overschat en onderschat.

Een ander voorbeeld ligt in de lijn van wat ik eerder schreef: wanneer een medium makkelijk data oplevert, lijkt het ook effectiever te zijn. Maar dat is onterecht.

Kijk naar deze grafiek: de laatste klik claimt bij zoekopdrachten een effect dat bijna twee keer zo groot is (190%) dan daadwerkelijk het geval is. Maar het rapporteert een veel te laag effect van reclame op televisie (-90%).

De verklaring is eenvoudig: bij zoekopdrachten is er een duidelijke link te leggen tussen de uiting en het gedrag: hoeveel uitingen waren er en hoe vaak is erop geklikt?

Bij televisie is dit lastiger te meten. Wederom omdat TV vooral een effect heeft op de onderbuik van je doelgroep. En wat er in de onderbuik van je doelgroep gebeurt, zie je niet direct in je dashboard terug.

Plus: als iemand na het zien van een TV-reclame een week later naar je site gaat, is het lastig om 1-op-1 te zien dat dit komt door je uiting. Daardoor lijkt het of de uitingen aan de linkerkant van de grafiek een veel lager effect hebben dan daadwerkelijk het geval is.

A-B-testen zijn niet eerlijk.

Datagedreven marketeers doen graag aan A-B-testen. Maar ook hieraan zit een fikse keerzijde.

Stel je wilt weten of een rode appel beter scoort dan een paarse appel. Dus je doet twee representatieve steekproeven. De ene groep krijgt een rode appel te zien, de andere een paarse. Welke scoort beter?

In de praktijk vergeten de meeste marketeers dat algoritmes de uitingen niet zo willekeurig tonen als bij een normale steekproef. Ook al is er maar weinig animo voor paarse appels: het algoritme gaat toch op zoek naar mensen die hier bovengemiddeld op reageren.

Daarmee krijgt het onderzoek een vertekend beeld, zoals je ziet in de afbeelding hieronder. Na een steekproef van twee keer vier mensen lijken er vier mensen te zijn die van rode appels houden en vier mensen die voor paarse appels gaan. Beide appels lijken even succesvol.

Maar bij de eerste steekproef vertegenwoordigen de vier mensen een totaal van 124 fans van rode appels. De andere vier zijn door het algoritme specifiek gekozen, ze vormen een niche van zeldzame mensen met een voorkeur voor paarse appels.

De valkuil van databrokers.

Zo kun je dus vraagtekens stellen bij de aanname dat meer data betekent dat je meer weet. Neem databrokers. Merken kopen voor veel geld externe data in. Ze hopen daarmee rijkere klantprofielen op te bouwen, waarmee hun marketing effectiever wordt.

Maar ik heb al enkele keren geschreven over Nico Neumann. Hij analyseerde de kwaliteit van data die bekende dataverkopers aanbieden. Zijn conclusie was onthutsend: deze data sloegen in veel van de gevallen nergens op.

Neem een simpele vraag: welk geslacht heeft iemand uit de doelgroep? De data van toonaangevende datahandelaren klopten gemiddeld in 42% van de gevallen. Dat is slechter dan blind gokken of iemand man of vrouw is, dat heb je gemiddeld in 50% van de gevallen juist.

Neumann noemt dit “spray and pray”. Het maakte niet uit welke databrokers Neumann gebruikte. De data kostten veel geld, maar de resultaten waren treurig.

De groeiende verspilling van programmatic.

Als laatste voorbeeld: het lijkt slim om data en AI te gebruiken om je online uitingen en mediaplaatsingen te optimaliseren. Maar de verspilling van programmatic was $26,8 miljard (!) in 2024, een stijging van 34% (!) ten opzichte van het eerdere ANA-onderzoek uit 2023. De oorzaak? Inefficiëntie, verkeerde metingen en fraude.

Het verschil tussen kopers en slapers.

Hoe kan je hiermee omgaan? Wel, als je slimmer met data wilt omgaan, is het goed om te weten dat er twee soorten doelgroepen zijn: kopers en slapers.

Kopers zijn mensen die nu een aankoop van jouw merk overwegen. Ze browsen, klikken, zoeken en vertonen dus duidelijk gedrag. Gedrag dat direct data oplevert.

Slapers zijn mensen die nu geen aankoop overwegen. Ze zoeken je merk niet op en onderzoeken niet welke alternatieven het beste zijn. Ze vertonen dus geen gedrag dat makkelijk meetbaar is. Het effect dat je marketing nu heeft is dus lastiger meetbaar.

Maar dat betekent niet dat er niets gebeurt bij deze slapers. Hoe vaker ze je merk tegenkomen, hoe vertrouwder dit zal voelen. En hoe groter de kans is dat ze jouw merk kiezen, als ze op een later moment wel zoeken naar een product in jouw categorie.

Ofwel, slapers zijn niets anders dan potentiële kopers, die over een week, maand of jaar een aankoop overwegen. Goede marketeers investeren tot die tijd in de onderbuik. Zodat als deze mensen op de markt komen, hun merk een voordeel heeft ten opzichte van de concurrentie.

De kleine en grote doelgroep.

Nu hoor ik je van de andere kant van het scherm denken: waarom zou je je op die lastige slapers richten, als je je ook op mensen kunt richten die nu bezig zijn met een aankoop?

Wel, omdat het groepje kopers klein is. Gemiddeld genomen is maar tussen de 2% (voor een B2B-merk) en 20% (voor dagelijkse boodschappen) “in de markt” voor een aankoop.

De rest van de mensen heeft al een product in bezit of er nog geen behoefte aan. Bijvoorbeeld omdat ze al een zakelijk adviseur hebben ingehuurd of net boodschappen hebben gedaan.

Dus als je je richt op makkelijke data bereik je maar een klein deel van je doelgroep. De rest laat je links liggen. Deze mensen horen niets van je en leren je dus niet kennen.

Als zij vroeg of laat een keertje op de markt komen, hebben ze dus geen voorkeur voor jou. En het is bijzonder lastig zo’n voorkeur op te bouwen in de korte tijd dat ze op zoek zijn naar een aanbieder. Want jij bent niet de enige die hen ineens benadert. Je concurrenten krijgen dezelfde data op hun dashboard en gaan deze potentiële klant ook aanspreken.

Dit was precies wat er met Nike gebeurde. Nike richtte zich vooral op de kleine groep die nu in de markt was voor sportartikelen. Maar die mensen waren Nike voor die tijd amper tegengekomen, omdat ze toen nog slapers waren. Ze hadden dus geen sterke voorkeur voor de producten van Nike.

De makkelijkste oplossing is dan om korting te geven. Immers, als alle merken en producten op elkaar lijken krijgt de goedkoopste de voorkeur. Dat is precies wat Nike ging doen: korting, korting en nog meer korting.

Inderdaad, lang vs kort.

Als trouwe lezer van mijn epistels herken je hierin vast het verschil tussen verkoopactivatie / performance-marketing en merkbouwen. Beide zijn belangrijk en voor beide zijn de effecten goed te zien in data.

Maar data voor performancemarketing is vele malen makkelijker en sneller beschikbaar dan voor merkbouwen. Daarmee lijkt het of performancemarketing een stuk beter werkt (vandaar de naam “performance”), maar dat is niet zo.

Dit effect zag ik ooit mooi uitgelegd worden door Joris Merks-Benjaminsen:

“Impact op de lange termijn is altijd moeilijker te meten dan op de korte termijn. Impact over kanalen heen is altijd moeilijker te meten dan binnen een kanaal. En impact voorspellen van iets wat je nog nooit gedaan hebt is altijd moeilijker dan optimaliseren van dingen die je al jaren doet.”

Merkbouwen draait om effecten op langere termijn, gebouwd door allerlei kanalen, waarbij je regelmatig op nieuwe ontwikkelingen moet inspelen. Deze effecten zijn dus per definitie lastiger te meten. Maar ze zijn wel belangrijk.

Data maakt je horizon vaak te kort.

Daardoor blijkt telkens weer, uit allerlei onderzoeken, dat de horizon van marketeers te kort is. Juist omdat ze zich te veel richten op de makkelijk verkrijgbare kortetermijndata.

Zo blijkt uit een Engels onderzoek dat 58% van de totale winst die een campagne genereert pas plaatsvindt na de eerste 13 weken. Een pond die je in Engeland in een campagne stopt levert op de korte termijn £1,87 op. Maar na 24 maanden wordt de opbrengst maar liefst £4,11 per geïnvesteerde pond (220% hoger). Door te vroeg te stoppen loop je dus een groot deel van je ROI mis!

In een ander praktijkonderzoek wordt dit het “performanceprobleem” genoemd. Performancemarketing en merkbouwen zijn beide belangrijk en moeten beide worden gebruikt. Maar als een merk overstapt van een gemengde benadering naar een strategie met alleen performancemarketing kost dat gemiddeld genomen 40% aan mediane ROI!

Ofwel, marketeers denken dat ze effectiever bezig zijn, omdat een geïsoleerd deel van hun data dit aantoont. Maar overall breken ze hun effect juist af. Ze vergeten naar de langetermijneffecten te kijken, omdat deze data minder makkelijk voorhanden zijn.

Data bieden schijnzekerheid.

Maar de schuld ligt eigenlijk niet zozeer bij de data. Het gaat er vooral om de wijze waarop wij met data omgaan. We kiezen te veel voor gemaksdata.

Daardoor laten we ons gek maken door “valse precisie”. Dit treedt op wanneer cijfers een grotere precisie impliceren dan gerechtvaardigd is. Een dashboard dat een score van 75,232% geeft, lijkt betrouwbaar. Maar de berekening kan op drijfzand berusten.

Of het “wat je ziet, is alles dat er is…”-effect. Dit ken je vast uit het boek van Daniel Kahneman, Thinking, Fast and Slow. Ook bij data geldt dat een consistent plaatje overtuigender werkt dan een compleet plaatje. Dus als je maar een deel van de werkelijkheid in je data ziet, valt het niet op dat je een boel mist als je een consistente lijn in die cijfers ziet.

Een gedeeld begrip van data is lastig.

Tel al het bovenstaande op en het verbaast je niet dat dertig procent van de 
Chief Data and Analytics Officers 
een onvermogen ervaart om de impact van data op bedrijfsresultaten te meten.

Grappig genoeg geven de experts elkaar daarvan de schuld. 42% van de datawetenschappers zegt dat marketeers data niet begrijpen. 39% van de marketeers vindt dat datawetenschappers marketing niet snappen. En van de totale groep heeft 40% moeite om een gedeeld begrip van data te krijgen.

Waar ligt de oplossing?

De boodschap van mijn verhaal is daarmee eenvoudig: data zijn belangrijk, maar zorg wel dat je slim met data omgaat.

Data lezen en er vervolgens op reageren, betekent meestal dat je achter de feiten aanloopt. Je ziet iets dat al is gebeurd. En er is zoveel data dat zodra je op één ding reageert, er iets anders voor in de plaats verschijnt. Zeker omdat verschillende soorten data niet altijd in
 dezelfde optimale richting wijzen.

De oplossing: richt je op het grotere geheel. Stel eerst een strategie op en gebruik data vooral om te controleren of je plan werkt. Minder KPI’s is beter. Definieer deze KPI’s vooraf en kom niet in de verleiding om ze tijdens de campagne aan te passen.

Bijvoorbeeld, je hypothese is deze volgordelijkheid: meer zichtbaarheid > hogere merkvoorkeur > groter merkaandeel.

In de basis heb je maar weinig KPI’s nodig om deze hypothese te valideren. Zo houd je goed het overzicht. En je kunt je data gericht inzetten om de juistheid van elke aanname te verifiëren. Zo zie je sneller waar het fundamentele probleem zit en loop je niet achter de zaken aan. Je voorkomt dus dat je bij elk nieuw datapunt je strategie opnieuw gaat evalueren.

Gebruik data voor de hele funnel.

Kijk hierbij zowel naar data voor de korte als lange termijn. Merk- en performance-KPI’s moeten gelden voor elk team, want iedereen moet bijdragen aan hetzelfde einddoel. Voer dus geen losstaande campagnes, maar zorg dat alles bij elkaar optelt en er samenwerking over de hele funnel is. Je merkstrategie moet worden omarmd door alle teams.

Let op: hiermee bedoel ik niet dat elke uiting moet scoren op zowel merk als performance-KPI’s. Een merkuiting moet zich focussen op bekendheid, voorkeur, et cetera, een performance-uiting op conversie.

Maar uiteindelijk moeten de merkcampagnes het effect van de performance-uitingen verstevigen. Immers, een aanbieding van een sterk merk converteert beter dan een aanbieding van een zwak merk.

En een agressieve verkoopactivatie kan weliswaar goed converteren. Maar deze heeft uiteindelijk weinig zin als deze afbreuk doet aan je imago. Ofwel, belangrijk is dat beide teams elkaar helpen en daarom moeten ze allebei rekening houden met KPI’s op de lange en korte termijn.

Het goede nieuws is dat voor elke fase en voor elke actie data beschikbaar zijn. Maar er zijn vaak specifieke methodieken nodig om deze te achterhalen. In dit plaatje zie je een aantal opties.

Er is ook makkelijke merkdata.

Nu gebruik ik in dit artikel een simpel onderscheid: makkelijke en moeilijke data. Dit werkt goed om mijn boodschap duidelijk te maken. Maar een nuancering is op z’n plaats.

Er zijn natuurlijk voorbeelden waarbij het merkeffect vrij makkelijk in data zichtbaar wordt. Bijvoorbeeld als je een campagne doet in een bepaalde regio / doelgroep / markt en deze een tijdje volhoudt. In een soortgelijke regio / doelgroep / markt doe je geen campagne. Na verloop van tijd zie je effecten in de eerste markt: je merk wordt vaker opgezocht in zoekmachines, je performancecampagnes worden effectiever, je winkelbezoek gaat omhoog, je marktaandeel stijgt, et cetera.

Een ander voorbeeld van makkelijke merkdata is het zoekaandeel (Share of Search). Eerder schreef ik dat Adidas hier succesvol mee is.

De gedachte is eenvoudig: dat waar mensen online naar zoeken, geeft een goede indicatie van wat hun gedrag gaat zijn, nu of straks. En hetgeen waar mensen naar zoeken wordt onder meer beïnvloed door de kracht van het merk. Een bekend merk wordt eerder opgezocht, bijvoorbeeld omdat mensen er eerder aan denken. Zo kreeg Adidas bevestigd dat het zoekaandeel een sterke voorspeller van succes is. De metric correleert sterk met de verkoop en het marktaandeel.

Verder kun je er gemiddeld vanuit gaan dat het een half jaar duurt voordat merkeffecten duidelijk terug zijn te zien in je verkoop, marges of marktaandeel. Dit betekent niet dat je eerder niets ziet. Ook op korte termijn zie je al effecten van een merkcampagne. Je websitebezoek of app-openingen gaan bijvoorbeeld omhoog, zonder dat er extra performancebudget hoeft te worden besteed. En natuurlijk zijn er “zachte effecten”: je krijgt meer sollicitanten van veelbelovende kandidaten of er wordt online meer over je gesproken.

Data en merken kunnen prima samenwerken.

Terug naar de inleiding van dit artikel: het is prima mogelijk dat de CMO tegen de CEO zegt dat als de merkwaarde X% stijgt, de omzet Y% stijgt en de prijskracht Z%. Waarmee merkbouwen uit z’n mystieke blackbox komt. Als data maar op de juiste wijze verzameld en gebruikt worden.

Ook Nike heeft dat inmiddels gezien.

Kortom.

Pas dus op voor het paradigma uit Silicon Valley dat stelt dat alles direct meetbaar en direct te beïnvloeden is. Data zijn belangrijk voor merken en merkeffecten zijn prima in data uit te drukken. En natuurlijk is het goed om naar ROI te kijken.

Als je je maar bewust bent dat je data bijzonder eenzijdig kunnen zijn en je zo een bijzonder geïsoleerd beeld van de werkelijkheid kunnen geven.

Makkelijke data duiken snel op in je dashboard. Deze cijfers zijn meestal gebaseerd op gedrag: zoveel mensen klikten hierop, ze bleven zo lang op deze pagina hangen, et cetera.

Moeilijke data krijg je pas als je onderzoek doet of je marktaandeel over een langere periode volgt. Deze data draaien om de overtuigingen, vooroordelen en kennis die mensen hebben en hoe hun gedrag daar stapsgewijs door verandert. Bijvoorbeeld: uit onderzoek blijkt dat onze bekendheid weliswaar omhoog gaat, maar onze merkvoorkeur daalt, omdat mensen vooral kortingen van ons tegenkomen.

Meten is dus niet altijd weten. Kijk dus goed welke data je gebruikt en hoe relevant deze is. Onthoud dat data die makkelijk beschikbaar zijn, niet per se de juiste ROI weergeven: makkelijk meetbare kanalen zijn vaak niet de meest effectieve kanalen. Laat je dus niet gek maken door verkeerde KPI’s, zoals kliks, ROAS of misleidende A-B-testen.

Creëer een eenvoudig, overkoepelend perspectief op de werking van je marketing. Gebruik data om te zien of dit perspectief klopt. Begrijp hierbij goed het verschil tussen snel en structureel en breng performancemarketing en merkbouwen goed met elkaar in balans. Dan komt het helemaal goed met je ROI! Veel succes daarmee.

Wil je hier meer over weten of over sparren? Laat het me weten. Ik help je graag!