Datagedreven uitgeverij

Stijn Kuijpers

 

 

Uitgevers hebben dankzij hun continue stroom van nieuwe content, gebruikers en interacties een enorm potentieel dat vaak nog “verstopt” zit in hun data. Ik merk dat het creëren van waarde uit die verstopte data voor veel uitgevers echter nog een grote uitdaging is. Vooral omdat het een samenspel is van veel factoren, zoals technologie, organisatiecultuur en datakwaliteit. Waar moet je allemaal aan denken bij het samenstellen van een integrale roadmap naar een datagedreven uitgeverij? En hoe pak je zo’n breed veranderprogramma aan?

In dit artikel neem ik je kort mee in een drietal modellen die ik graag als ‘kapstok’ gebruik.

Klantwaarde management

Bij het begeleiden van dit soort projecten vind ik het fijn om vanuit een aantal conceptuele modellen structuur aan te brengen aan het vraagstuk. Bij uitgeverijen gebruik ik daarvoor graag de volgende ‘driehoek’ als beginpunt:

De grote uitdaging voor de meeste uitgevers is het voortdurend verbeteren van de klantwaarde, door inzicht uit data in te zetten op de drie hoekpunten (klanten, content en kanalen), maar vooral óók op de verbindingslijnen daartussen:

  • Voor welke individuele klant is welke content(categorie) relevant?
  • Via welk kanaal kan ik een klant (nog meer) bereiken?
  • En is alle content geschikt, beschikbaar en gesynchroniseerd op het juiste kanaal?

Wanneer je als uitgever in staat bent om dit spel goed te spelen, creëer je voortdurend waarde vóór de klant en bouw je aan een stabiele klantrelatie. Die je vervolgens kunt vertalen naar waarde van de klant, door bijvoorbeeld conversie optimalisatie, prijsdifferentiatie, cross- en upsell. De uitdagingen en ambitie die je als organisatie hebt op dit ‘klantwaarde management’, bepaalt de snelheid en het eindpunt van je roadmap naar een datagedreven organisatie.    

Gefaseerde roadmap

Dit is makkelijker gezegd dan gedaan natuurlijk. Een goede roadmap gaat uit van een ambitieuze toekomstvisie, maar bestaat vooral uit realistische en haalbare stappen naar die stip aan de horizon. Als conceptueel model gebruik ik hiervoor een interpretatie van het model van Davenport en Harris (Competing on analytics, 2007). Door dit model kan de roadmap in duidelijke fases worden ingedeeld, maar ook in samenhang worden bekeken. Het is belangrijk om te realiseren dat een fase niet stopt bij aanvang van de volgende fase, maar blijft doorlopen en als noodzakelijke basis fungeert voor de volgende fase. Een roadmap met een dakpanstructuur dus.

Fase 0: Data verzamelen

In deze fase wordt een fundament gebouwd door het bewust verzamelen, opslaan en integreren van meerdere databronnen in bijvoorbeeld een datawarehouse en het zo goed mogelijk creëren van een 360 graden klantbeeld. Het is erg belangrijk om in deze fase ook aandacht te schenken aan minder ‘sexy’ onderwerpen zoals datakwaliteit, AVG compliance en een datacollectie strategie.

Fase 1: beschrijvende analyses

Data wordt informatie door het te presenteren in toegankelijke en bruikbare dashboards. Hiermee ben je als uitgever in staat om snel kansen en risico’s te identificeren, maar ook om collega’s enthousiast te maken over de beschikbare data en inzichten die daaruit te halen zijn. Zorg er dus zeker voor dat het dashboard informatie bevat die relevant is voor de taken en verantwoordelijkheden van de gebruiker en dat inzicht aanzet tot actie.

Fase 2: Verklarende analyses

Het gebruiken van dashboards leidt vrijwel altijd tot de logische vervolgvraag ‘Waarom gebeurt dit’? In deze fase groeit de behoefte aan meer gedetailleerde en geavanceerde inzichten en analysetechnieken zoals klantprofilering, -segmentatie, correlatie en attributie.  Door de analyses verder toe te spitsen op specifieke klantkenmerken of -groepen, contentcategorieën, campagnes, customer journeys of kanalen, leidt het inzicht nog vaker tot concrete acties en wordt er stap voor stap sprake van een ‘datagedreven organisatie’.

Fase 3: Voorspellende analyses

Terugkijken en verklaren waarom iets is gebeurd is de basis voor een lerende organisatie. Uitgevers die daarnaast in staat zijn om vooruit te kijken en gefundeerde beslissingen te nemen over de toekomst, halen nóg meer waarde uit hun data. Voor uitgevers betekent dit bijvoorbeeld het behouden van abonnees met een hoog opzegrisico, het bepalen welke individuele klanten kansrijk zijn om te benaderen met een nieuwe uitgave of via welk kanaal een lead het beste geconverteerd kan worden. In staat zijn om de toekomst te voorspellen met behulp van data, betekent efficiënter omgaan met (marketing)budgetten, relevanter zijn voor individuele klanten en het beperken van risico’s.

Fase 4: Voorschrijvende analyses

De laatste en vaak ook de meest complexe stap is het volledig integreren van data in het (automatisch) nemen van beslissingen. Organisaties die deze fase bereiken zetten data in om vaak op grote schaal geautomatiseerd te bepalen wat er moet gebeuren, om het maximale resultaat te behalen. Denk aan het personaliseren van online content, het inzetten van chatbots, dynamic pricing of zelfs het genereren van nieuwe content op basis van kunstmatige intelligentie. Het is zeker niet voor iedere uitgever nodig om deze fase voor alle doelprocessen te bereiken, dus de inzet van voorschrijvende analyses vindt in eerste instantie vaak plaats in een ‘Lab’ aanpak. 

Bouwstenen van een datagedreven organisatie

Het derde en laatste conceptuele model dat ik graag gebruik zijn de 4 bouwstenen van een datagedreven organisatie. Deze bouwstenen vormen de concrete invulling van de gefaseerde roadmap:

Mensen
is de juiste kennis & vaardigheden aanwezig om data gedreven te werken? Moeten er mensen worden opgeleid, aangenomen of tijdelijk ingehuurd? Meer ambitie om datagedreven te werken heeft niet alleen gevolgen voor data professionals, maar zeker ook voor de ‘business’ collega’s bij bijvoorbeeld de redactie, sales en marketing. Aandacht voor persoonlijke ontwikkeling is belangrijk om de transformatie te laten slagen.

Organisatie
waar in de organisatie vinden de noodzakelijke activiteiten plaats? Wat betekent data gedreven werken voor teamstructuren, taken en verantwoordelijkheden? Zijn er culturele aspecten van datagestuurd werken die aandacht behoeven?

Processen
Hoe wordt er samengewerkt? Op welke plaats en moment zijn inzichten uit data nodig? Zijn er nieuwe of andere processen nodig voor het verbeteren van de datakwaliteit? Hoe wordt data (zowel verzamelen als toepassen) ingebed in primaire processen zoals contentcreatie en klantcommunicatie?

Middelen
Hoe ziet het ICT landschap eruit? Welke data zit in welk systeem en welke datastromen zijn er nodig? Hoe werken die systemen samen? Welke extra hard- of software is nog nodig om met data te kunnen werken? En wie gaat er dan mee werken?

Juiste deze bouwstenen zorgen ervoor dat de roadmap voor iedere uitgever uniek is. De invulling van deze bouwstenen verschilt namelijk enorm tussen organisaties. Bij het opstarten van een transitieprogramma begin ik dan ook vaak met een maturiteitsscan op al deze bouwstenen, om de startsituatie te kunnen bepalen. Per roadmap-fase brengen we vervolgens de mensen, organisatie, processen en middelen een stapje verder. In een gepast tempo en tot een niveau dat past bij de ambitie van de organisatie.

Heb je interesse in meer details, voorbeelden en best practices? Schrijf je dan in voor ons webinar van 15 september a.s.

 

Gerelateerd

Als je jouw waardepropositie hebt bepaald, het best passende businessmodel hebt gedefinieerd en de daaruit voortvloeiende customer journey in kaart...

Nu duidelijk is hoe je voor de klanten meer waarde kunt leveren en hoe je het bedrijf daarvoor moet inrichten...