View
70
Download
0
Embed Size (px)
Citation preview
Marketing Intelligence voor Managers – Data Lake of Data Warehouse?
Pg, 2
Deze blog is onderdeel van de themareeks ‘Management & BI’. De themareeks is bedoeld voor
managers die wat meer willen weten over Business Intelligence, maar dan alleen de essentie, in
begrijpelijke taal en zonder alle technische termen en hypes.
Voor moderne marketing is een data warehouse (dwh) onontbeerlijk. Het verzamelt en structureert
al je klantdata, zodat je snel inzicht kunt krijgen in je customerbase en al haar attributen. Of je die
data nu gebruikt voor een marketing applicatie of voor generieke BI-tools, zoals QlikSense of
Tableau. In deze blog ga ik dieper in op het gebruik ervan en hoe we het dwh moeten positioneren
ten opzichte van de meer ongestructureerde data uit het Data Lake.
De centrale opslag voor jouw klantdata
Een marketing dwh bevat alle voor marketing relevante data over je klanten en eventueel je
geïdentificeerde prospects als je daarbij binnen de geldende privacy wetgeving blijft. Onder het dwh
ligt een data-integratie tool die klantgegevens uit allerlei bronsystemen binnen je organisatie
ophaalt, integreert en in het dwh opslaat. In het dwh worden deze gegevens bij elkaar gebracht en
Marketing Intelligence voor Managers – Data Lake of Data Warehouse?
Pg, 3
steeds aan één klantidentificatie gehangen. Denk hierbij bijvoorbeeld aan gegevens over website
bezoek, contact met de service-desk, aankoopgeschiedenis en hoe ze producten gebruiken.
Het nut van een marketing data warehouse
Deze gestructureerde en centrale opslag voor klantgegevens is een schatkamer voor marketing. Op
basis van het dwh kan marketing een 3600 klantbeeld samenstellen. Dat klantbeeld helpt marketing
op meerdere manieren:
• Het kan naar kanalen worden gestuurd ter ondersteuning van de service- en verkoopprocessen
tijdens een klantcontact.
• Het vormt de basis voor segmentatie en verdere verwerking naar Next Best Actions.
• Het vormt de basis voor voorspelmodellen waarbij alle beschikbare attributen kunnen worden
onderzocht op hun voorspellende waarde, eventueel via self-learning software.
• Het biedt een robuust referentiekader voor data scientists bij data-exploratie en -analyse als zij
werken met ongestructureerde data uit een data lake.
• Een consistent klantbeeld kan de basis vormen voor customer data management. Omdat alle
gegevens onderling gerelateerd zijn - vooral bij klantidentificatie - kunnen problemen in klantdata
Marketing Intelligence voor Managers – Data Lake of Data Warehouse?
Pg, 4
(dubbele vastlegging, afwijkende attributen, etc.) snel worden geconstateerd en eventueel
hersteld.
Het verschil tussen een data lake en een data warehouse
Het data lake en het data warehouse bewaren beide vaak veel data. Maar de opslagmethode
verschilt sterk. De data in het dwh is gestructureerd, dat wil zeggen dat de data goed gedefinieerd
is en de entiteiten in de data in onderlinge relatie gebracht zijn (geïntegreerd). Hierdoor is het
afleiden van waardevolle marketing informatie relatief eenvoudig. Het data lake daarentegen kent
“ongestructureerde” data. Veelal wordt hiermee bedoeld: zonder onderlinge relaties, dus niet
geïntegreerd. Elke entiteit is als het ware los opgeslagen. In praktijk betekent dit dat data uit
bronsystemen wordt onttrokken en vervolgens direct wordt opgeslagen in het data lake. Hierbij
wordt geen rekening gehouden met de relaties die die entiteiten (kunnen) hebben met andere
entiteiten in het data lake. Zo kan het voorkomen dat een data lake ook allerlei losse data bevat die
in geïntegreerde vorm ook in het dwh is opgeslagen.
Marketing Intelligence voor Managers – Data Lake of Data Warehouse?
Pg, 5
Het nut van een marketing data lake
Het data lake gebruik je niet om een compleet en robuust klantbeeld te scheppen. Daar heb je het
marketing data warehouse voor, want daarin is alle brondata al geïntegreerd tot een consistent
geheel. Het nut van een data lake zit voor marketing vooral in de mogelijkheid om data in een
vroeg stadium te kunnen onderzoeken, zonder dat alle verbanden met andere data duidelijk
moeten zijn. Je hoeft dus nog niet na te denken over de wijze waarop de databron precies
samenhangt met andere data-elementen, maar kan direct beginnen met het onderzoeken van losse
data-elementen. Data scientists kunnen bijvoorbeeld een ogenschijnlijke correlatie tussen losse
data-elementen gaan onderzoeken. Op basis van dat soort onderzoek kun je uiteindelijk besluiten
om sommige data-elementen ook in het (gestructureerde) data warehouse op te nemen.
Een data lake is gebaat bij de aanwezigheid van een data warehouse. Bij het onderzoeken van
nieuwe data-elementen uit het data lake, is het voor data scientists erg prettig om gebruik te
maken van data uit het data warehouse. De geborgde en consistente data uit het dwh vormt
namelijk een goed referentiekader voor de interpretatie van losse data-elementen uit het data lake.
Marketing Intelligence voor Managers – Data Lake of Data Warehouse?
Pg, 6
Conclusie
Een data warehouse is onmisbaar voor marketing, omdat je erg afhankelijk bent van een zo
compleet en samenhangend mogelijk beeld van klanten. Soms is het voor marketing ook
interessant om een data lake te hebben. Bijvoorbeeld als je de kwaliteit en de waarde wilt
onderzoeken van allerlei data die nog niet in het data warehouse zit, maar die wel veelbelovend
lijkt te zijn. Door deze ‘nieuwe’ data-elementen los op te slaan in het data lake, kun je deze data –
buiten het reguliere, geborgde Marketing Intelligence proces - onderzoeken op hun eventuele
waarde. Als je besluit dat een data lake ook waarde heeft voor jou, dan kun je dat data lake naast
je normale data warehouse plaatsen, als een soort data laboratorium. Zo’n data lab kan je helpen
om je data beter te leren kennen, voordat je de moeite neemt om deze data in het dwh te
integreren.
Ben je nieuwsgierig naar de komende blogs over Marketing Intelligence? Abonneer je via
onderstaande knop dan op het thema ‘Management & BI’. Zodra er een nieuwe blog in de reeks
verschijnt, krijg je automatisch een seintje (per e-mail) met een link.