‘De funnel is de kakkerlak der marketingconcepten’

Boeiend artikel vorige week van Tom Roach, dat onder marketingprofessoren maar ook onder de Nederlandse volgers van het vak stof deed opwaaien. Want er wordt weer een olifant in de kamer bij z’n/haar naam genoemd. Dé funnel, alom tegenwoordig model dat in marketing en sales veel wordt gebruikt om de verschillende stadia van ‘een eerste kennismaking met een merk’ tot conversie verduidelijkt.

Het Britse Marketingweek heeft een jaloersmakende aanzuigingskracht op aansprekende columnisten, polemisten en wetenschappers die zich buigen over de werking van marketing, de theorie van het vak, de waarheid achter de breed gedeelde praktijk. Vorige week lichtten we er al één uit, die vrij breed beargumenteerd stelde dat marketingtaal een probleem op zich vormt, deze week viel een artikel op dat de funnel ter discussie stelt. Iedereen kent ‘m, iedereen gebruikt, ‘m, maar hij bestaat niet. Althans niet op de manier waarop we ‘m kennen en veelvuldig gebruiken. Ongemakkelijke waarheid. 

Tom Roach wijst erop dat het model van die sales- marketingfunnel in ieder geval geen recht doet aan de werkelijke ‘reis’ die mensen afleggen voor ze tot een aankoop komen en dat heeft verstrekkende gevolgen. Er bestaat ook geen wetenschappelijk onderbouwing voor gebruik van ‘de funnel’ (het woord funnel is zo alom aanwezig in Nederlandse marketingtaal, dat we het blijven gebruiken, maar je kunt het ook een trechter noemen natuurlijk)

In 1924 werd de trechter over het AIDA-model gelegd

De verkooptrechter is bijna honderd jaar oud. Ondanks verrassend weinig bewijs dat het echt weerspiegelt hoe marketing en reclame werken, is het het gebruik ervan populair. Roach (!) noemt het de kakkerlak van marketingconcepten: onuitroeibaar. Hij lijkt maar door te gaan zich aan te passen aan de omgeving waarin hij zich bevindt.

De auteur dook voor z’n pleidooi in de herkomst van de funnel. Die begon als het lineaire en hiërarchische AIDA-model (Attention, Interest, Desire, Action) bedacht voor persoonlijke, huis-aan-huisverkoop aan het eind van de 19e eeuw als een manier om verkopers uit te leggen hoe ze kopers in één gesprek naar een verkoop kunnen ‘duwen’. In 1924 werd voor het eerst de trechtermetafoor over het AIDA-model gelegd, opnieuw als een manier om mensen naar verkoop te duwen, maar vermoedelijk ditmaal als manier om – heel modern in die dagen – telefonisch te kunnen verkopen.

Directe verkoop

De wortels van ‘de funnel’ liggen dus in de directe verkoop. Het ging er oorspronkelijk om het leiden van mensen naar één verkoop in één enkele opdracht, terwijl we tegenwoordig uitgaan van (en ook denken over) meerdere fasen over langere tijdschalen, met verschillende doelgroepen en op verschillende platforms. Daar zit een probleem, want de ‘traditionele trechter’ mag dan weinig overeenkomst vertonen met een modern koopproces, hij is populairder dan ooit. Dat illustreert Roach met een Google-zoekopdracht voor afbeeldingen naar ‘sales funnel’.

Dát het zover is gekomen wijt hij aan de opkomst van adtech-platforms: de funnel is het model dat door de platforms wordt gebruikt om aan marketeers hun waren te verkopen, waardoor ze kunnen uitleggen welke rol hun advertenties of mediaplaatsingen spelen in een ‘klantreis’. Het is een tool geworden tijdens digitalemarketingtrainingen om de enorme en uitdijende complexiteit van het digitale marketinguniversum te organiseren en te vereenvoudigen. Mediabureaus gebruiken ‘m. Creatieve bureaus gebruiken ‘m het om uit te leggen wáár ze het verschil willen maken. Het is – kortom – dus geen door klanten, data of wetenschap aangereikt model, maar bovenal een manier om tussen professionals aan bureauzijde en die aan klantzijde te communiceren over de vraag wie precies wát doet. Of vooral: denkt te doen.

Een verrassend onnauwkeurig model van hoe reclame daadwerkelijk werkt dus, maar de vraag is of dat erg is. Roach denkt van wel (anders had hij het artikel natuurlijk ook niet geschreven). Om te beginnen zit er geen post-aankoop of loyaliteit in. McKinsey probeerde dat op te lossen met een ‘loyaliteitslus’, maar creëerde daarmee volgens de auteur een soort ‘kafkaëske nachtmerrie’, waarin iedereen permanent overweegt, evalueert, koopt of terugkoopt.

McKinsey creëerde met zijn loyaliteitslus een soort ‘kafkaëske nachtmerrie’

Een ander punt van kritiek is dat funnels lineair zijn, waar mensen in de echte wereld juist de neiging hebben om ‘rond te dwalen’, struikelend over willekeurige en verschillende contactpunten. Ze leggen daarbij een volledig onvoorspelbare en persoonlijke reis af in de tijd, leidend naar een verkoop. Check vooral de voorbeelden die Roach geeft (van onder meer Doug Garnetts en James Hankins) van de complete flipperkast aan niet-lineaire contact.

Bewustzijn, overweging en conversie

De meeste versies van de funnel zijn opgebouwd rond de drie lagen van bewustzijn, overweging en conversie, maar omvat bijna nooit een concept dat aantoonbaar belangrijker is en waarover hier op Marketingfacts al verschillende keren is geschreven: mentale beschikbaarheid; de kans dat je merk in de gedachten van een koper komt op belangrijke besluitvormings- of koopmomenten. Mentale beschikbaarheid valt onder ‘bewustzijn’, maar is in werkelijkheid een samenstelling van spontaan bewustzijn, opvallendheid, onderscheidend vermogen, associaties met categorieën, opgemerkt en herinnerd worden.

Bijna alle funnels hebben in het hart van het model een rationele kijk op de wereld, in plaats van één waarin de beslissingen van mensen juist onbewust, emotioneel gedreven en zelfs irrationeel zijn. Dat reclame mensen met feiten moet overtuigen om ze actief te laten oordelen en een product of dienst laat overwegen, is meestal niet hoe het werkt. Misschien werkt het zo bij laagfrequente, hoogwaardige categorieën waar mensen meer tijd willen besteden aan het onderzoeken van opties. Maar zelfs dan zullen hun uiteindelijke beslissingen vooral ‘emotioneel’ of onbewust zijn.

Mensen doen dingen in hun eigen tempo en volgens hun eigen wil

Roach vindt trouwens dat we de funnel niet direct en geheel moeten afserveren. De vorm weerspiegelt de noodzaak om breed te targeten en het net breed te werpen voor prospects, het merk op te bouwen met zoveel mogelijk categoriekopers, en mentale beschikbaarheid te ‘creëren’, zodat je er bent op het moment waarop ze wél op de markt komen. In lijn met de ideeën van Byron Sharp dus. En de punt naar beneden suggereert het inzetten van meer gerichte middelen om die mentale beschikbaarheid op te frissen. Maar het is domweg niet mogelijk om mensen door zo’n proces of reis te dwingen – meestal doen ze dingen in hun eigen tempo en volgens hun eigen wil. Ze een duwtje in de rug geven is realistischer.

Sommige vakgenoten lijken te denken – meent de auteur – dat de bovenste trechter de plaats is waar merkopbouw kán plaatsvinden, of erger nog, de enige waar echte ‘creativiteit’ is toegestaan. Dat kan ertoe leiden dat mensen ervan uitgaan dat die twee dingen luxe zijn, optionele extra’s die je alleen hoeft in te zetten als je het geld hebt. Evenzo denken veel professionals dat ‘performance’ aan de onderkant plaatsvindt, waar alle goede marketingcommunicatie wordt gezien als drijvende kracht achter prestaties.

Roach denkt dat dat niet zo is en hij sluit af met een reeks tips over hoe het anders zou kunnen of beter zou moeten, maar de belangrijkste lijkt te bepalen hoe het werkelijke aankooppad werkt in een specifieke situatie. Want het verschilt enorm per merk, markt, product en categorie. Hoe communicatie werkt in elke fase, welke statistieken er toe doen, wat daar de beste mediamix is en hoe je creativiteit het meest effectief kunt inzetten: het valt niet in één model te vangen en al helemaal niet in de honderd jaar oud model, bedoeld voor een stofzuigerverkoper aan de deur.

Da’s een enorme klus, maar zet marketingstrategie en marketingcommunicatie wel enorm uit elkaar.

Dit is geschreven door Luuk Ros SCP en verscheen eerder op

Analytics translator, een nieuwe rol voor Marketeers?

Sjoerd Koornstra en Sergey Pletnev

Nu we steeds meer worden geconfronteerd met groeiende databases en lappen tekst, neemt de behoefte aan data-analyse toe. Dit fenomeen wordt versterkt door digital communication en e-commerce.  Bij veel middelgrote bedrijven komt dit op het bord van de marketeer. De data komen vaak uit verschillende databases, met verschillende structuren en andere technische complexiteiten. Ondernemingen worstelen enerzijds met het koppelen van diverse databronnen en anderzijds met het analyseren van de data ten bebehoeve van hun marketingproblemen. Maar met een creatieve en pragmatische mindset en met technieken uit de data science kan dit worden opgelost. Het merendeel van de analyses wordt uitgevoerd met machine learning-tools door data scientists. Die scientists zijn nodig om analyse-modellen te bouwen. Data scientists kunnen analyseren maar zijn doorgaans minder sterk in de interpretatie en het maken van de link met de business. Volgens McKinsey is er daarom een enorme behoefte aan analytics translators, de link tussen data science en business. Met andere woorden de link tussen marketing en data sience. McKinsey schreef erover in het artikel ‘Analytics translator: The new must-have role’, gepubliceerd in Harvard Business Review (februari 2018).

Kritische rol
Om beter te begrijpen wat translators zijn, is het belangrijk om eerst te weten wat ze niet zijn. Translators zijn noch data-architecten noch data engineers. Ze hoeven geen technische kennis te hebben van programmeren of modeling. Translators spelen wèl een kritische rol bij het verbinden van de technische kennis van data engineers en data scientists met de operationele kennis van de business, bijvoorbeeld marketing en sales. Translators zorgen ervoor dat de insights uit geavanceerde analytics vertaald worden in impact op de business.

Translators werken nauw samen met de directies om de zakelijke kant en prioritering hiervan te begrijpen. Translators vertalen vervolgens met hun kennis van AI en analytics de zakelijke vraag in een briefing voor de data professionals. Zij op hun beurt produceren modellen en oplossingen. Vervolgens zorgen de translators ervoor dat uit deze modellen, oplossingen en insights worden gedestilleerd die de business kan begrijpen en waarop die kan handelen.

Domeinkennis is de belangrijkste vaardigheid die een translator moet hebben. Hij of zij moet expert zijn in de branche, discipline en bedrijf om de waarde van AI en analytics te plaatsen in de business-context.  Ze moeten de key operationele metrics van de business begrijpen en de impact op winst, omzet, consumer retention, etc. Daarnaast moeten ze een sterke vaardigheid bezitten in kwantitatieve analyses en gestructureerde probleemoplossing. Ze hoeven niet per se in staat te zijn om zelf kwantitatieve modellen te bouwen. Ze moeten wel weten welke modelvarianten beschikbaar zijn (bijvoorbeeld deep learning versus logistic regression) en voor welk businessprobleem ze kunnen worden toegepast. Translators moeten in staat zijn om de resultaten te interpreteren, potentiële modelfouten te ontdekken (zoals overfitting) en de data scientists uit te dagen. In het schema is de rol van de translators verder uitgewerkt.

De analytics translator (volgens McKinsey)
Bij elke stap van het analyse-initiatief speelt de translator een belangrijke rol.

Stap 1: Identificatie en prioritering van business issues
Rol translator: werkt samen met business leaders om business issues vast te stellen en te prioriteren die geschikt zijn om met analytics op te lossen.

Stap 2: Data verzamelen en voorbereiden
Rol translator: helpt de bedrijfsdata te identificeren die nodig zijn om de insights te produceren.

Stap 3: De analyse-engine bouwen
Rol translator: zorgt ervoor dat de analytics-bijdrage het business issue voor de business leaders oplost op de efficiëntste en meest interpreteerbare vorm.

Stap 4: Valideren en  bepalen van business implications 
Rol translator: vormt complexe van analytics afgeleide insights om in gemakkelijk te begrijpen, bruikbare aanbevelingen die business leaders eenvoudig kunnen extraheren en uitvoeren.

Stap 5: implementatie van de oplossing en insights
Rol translator: stimuleert de acceptatie bij business leaders.

Toepassingsgebieden voor analytics translator binnen marketing
Om de verbinding tussen marketing en data science te maken, zijn er marketeers nodig die de rol van translators gaan invullen. De domeinkennis is het belangrijkst voor een translator. Het is dan ook logisch dat marketeers worden geschoold in data science om deze translatorrol te kunnen vervullen.

Wat zijn momenteel enkele toepassingsgebieden voor een translator binnen marketing?

  1. Een campagne is ontwikkeld die consumenten benadert om jouw nieuwe product te kopen. Vanwege kostenoverwegingen kun je niet iedereen benaderen en wil je alleen die consumenten met de hoogste kans op aankoop benaderen. Gebaseerd op een database van klanten met achtergrond variabelen en aankoopgedrag in het verleden kun je de groep potentiële klanten bepalen.
  2. Een bouwbedrijf heeft een database met aanbestedingen in het verleden. Deze aanbestedingen waren bij overheid en bedrijven en zijn gesplitst in succesvol en niet succesvol. Het bouwbedrijf wil graag weten of een nieuwe aanbesteding grote kans van slagen heeft. Op basis van de database is een model ontwikkeld waarmee met de gegevens van een nieuw project kan worden aangegeven hoe groot de kans op succes bij elke aanbesteding zal zijn.
  3. Een supermarkt ontvangt van klanten een bestand met productbeschrijvingsgegevens plus afbeeldingen van het betreffende product. Soms wordt bij de productomschrijvingen de verkeerde foto geleverd. De foto’s worden onder andere gebruikt in de promotiefolders. Met behulp van een algoritme kan de winkelier controleren of de foto’s die in het bestand worden aangeleverd, aan het juiste product worden toegeschreven.
  4. Een potentiële klant van een garagebedrijf is op zoek naar een nieuwe auto. Hij kan online kijken naar de prijzen, modellen, specificaties en naar financieringsmogelijkheden. Een model kan bepalen op basis van het online gedrag wanneer deze klant een digital advertentie moet ontvangen dan wel een persoonlijke uitnodiging voor een proefrit.
  5. Een bioscoop eigenaar heeft een database met loyalty cards. De loyalty card gebruikers zijn doorgaans intensieve bezoekers en krijgen korting. Je wilt actief je klanten gaan aanbevelen wat een leuke film voor hen is. Dit kan via een recommender algoritme die jouw bekeken films met andere profielen vergelijkt. De films die vergelijkbare profielen ook hebben bekeken worden jou aanbevolen. Dit soort algoritmes zijn eenvoudig te implementeren en worden in de basis ook door Netflix en Amazon toegepast.
  6.  Media-afdelingen hebben ook data science support nodig. Het werken met programmatic buying en audience targeting via DMP’s (data management-platforms) wordt voornamelijk uitgevoerd met machine learning tools. Een bedrijf heeft mensen nodig die het werk van mediabureaus kan beoordelen. Deze rol kan een translator op zich nemen.

Wil je meer weten over dit onderwerp? Ben je betrokken (of ga je betrokken worden) bij digital marketing, e-commerce of marketing binnen je organisatie? Schrijf je dan in voor de workshop De principes van Data Science voor marketingprofessionals.

22 juni | 09:00-16:00 | online event | spreker: Sjoerd Koornstra

Meer info / inschrijven

Data science in house?
Als een bedrijf in de wereld van data science stapt, lijkt het een goed idee om een data scientist aan te nemen. Toch vinden wij dat bedrijven in deze tijd geen data scientists in dienst moeten hebben. Ten eerste ben je verplicht er gebruik van te maken als je ze in dienst neemt. Misschien heb je een project dat niet hun specialisatie is. Wanneer je kunt uitbesteden, kun je het meest geschikte buro of personen voor de taak inschakelen. Je moet je ook afvragen of het aantal data science-projecten voldoende is.

Een ander aspect om te beseffen is dat meer dan 70% van de tijd een data scientist niet de gegevens analyseert, maar programmeert om de meest optimale oplossingen te krijgen. Onze verwachting is dat dit de komende jaren drastisch zal veranderen en dat de analytische software zo sterk zal evolueren dat bedrijven het grootste deel van hun tijd gaan besteden aan het uitvoeren van analyses in plaats van programmeren.

De vraag is dus: moet je mensen aannemen voor programmeren, dan wordt deze vaardigheid in de nabije toekomst misschien minder belangrijk. Al met al is het misschien beter om de flexibiliteit te hebben om uit te besteden.

Als je een data scientist aanneemt, moet je je afvragen of hij/zij op de hoogte kan blijven van de laatste ontwikkelingen. Vooral de algoritmen voor machine learning ontwikkelen snel.

Ten slotte, zelfs als je een  data scientists aanneemt, moet je ze nog steeds aansturen. Met andere woorden, je moet goede analytics translators in dienst hebben, wat een veel belangrijkere prioriteit is voor elk bedrijf.