Data-driven vs. data-informed

Data is een krachtig geschenk dat de digitale wereld ons als marketers schonk. Maar tegelijkertijd schuilt er ook een zeker gevaar in de data-driven mindset die bij de vele marketers vandaag de dag wordt doorgeduwd.

Want de drang naar overanalyseren en het verlies van pragmatisch denken is groot wanneer we te diep in de cijfers duiken. Data is iets wat je moet gebruiken om beter van te worden. Niet iets waar je gevangen in mag geraken.

Daarom geloven we bij SPARK dat het beter is om data-informed te zijn, dan data-driven. Dat zeggen we niet uit luiheid omdat we geen zin hebben om de mouwen op te stropen en in de diepe wereld van data en analytics te duiken… maar om het volgende punt te maken: data gebruiken om een aspect van je business te optimaliseren, zonder een stap achteruit te zetten om de bigger picture te zien, kan gevaarlijk zijn.

 

Menselijke inspiratie, machinale validatie

In hun boek Lean Analytics schreven Alistair Croll en Benjamin Yoskovitz het volgende: Mathematisch gezien is een maximum de grootste waarde die bepaald kan worden aan de hand van een functie binnen een bepaald context.

Dat betekent dus niet dat een maximum altijd de grootst mogelijke waarde ten allen tijde is.

 

Laat me je dat even verduidelijken aan de hand van een simpel voorbeeld in het boek:

Wanneer een meer gelegen is in een gebergte, ligt het water van dat meer niet op het laagst mogelijke niveau – want dat is de zeespiegel. Het water van dat meer ligt wél op het laagst mogelijke niveau binnen het gebied waarin het zich bevindt – dat van het gebergte dus.

Het meer kan enkel naar het minimale niveau bewegen, binnen het gebied waarin het gelegen is. En net zo bewegen machinale optimalisaties richting een maximum of minimum – steeds binnen hun beperkte gedefinieerde mathematische context.

Optimalisaties die gebeuren door data-driven of machine learning systemen, kunnen daarom problemen veroorzaken wanneer je ze als mens volledig loslaat.  Mensen hebben inspiratie. Machines, softwares en algoritmes zijn goed om die menselijke ideeën, inspiratie en hypothesen te valideren.

 

De perfecte tricycle – of niet?

Optimalisaties draaien allemaal rond het vinden van een maximale of minimale waarde binnen een bepaalde functie. En machines, algoritmes en softwares kunnen dat vandaag de dag prima voor je doen, maar enkel binnen de parameters die je op voorhand definieert.

 

Nog een ander concreet voorbeeld om dat te verduidelijken:

Stel dat je een machine 3 wielen geeft om een voertuig samen te stellen dat optimaal functioneert naar stabiliteit, snelheid, en veiligheid.

De kans is vrij groot dat een machine na enkele iteraties voor jou de perfecte tricycle bouwt.

Maar wat de machine niet zal doen is zeggen: “Weet je wat, waarom zouden we geen 4 wielen gebruiken?” Daarvoor heb je menselijke creativiteit en inspiratie voor nodig.

 

Pfff… danku, Henry Ford!

 

Algoritmes zijn goed in het optimaliseren van bestaande systemen. Mensen zijn goed in het bedenken van nieuwe systemen.

 

Als marketers is het vandaag de dag onze job om het groter geheel niet uit het oog te verliezen wanneer we een deep-dive maken in de beschikbare data. We moeten de slimme ingenieurs zijn die inspelen op de technologische evolutie rond data en machine learning – steeds met het oog op de gehele context van een probleem en de bedrijfsdoelstellingen in het geheel.

 

Arend Verschueren