Ik zag onlangs een reel van Rory Sutherland, Vice Chairman van Ogilvy, waarin hij de overmatige afhankelijkheid van data in het bedrijfsleven bekritiseert. Bedrijven gebruiken cijfers als defensief schild, iedereen trekt dezelfde conclusies, en concurrenten kopiëren elkaar onbewust. In plaats van data te gebruiken als motor, gebruiken ze het als camouflage.
Ook al ben ik een echte data-man, begrijp ik wat hij bedoelt. In de reel zag ik echter geen volledige oplossing.
Cijfers vertellen iets, data vertelt iets. Maar hoe je ze interpreteert of laat interpreteren is ook belangrijk. Mensen die niet bezig zijn met data, of niet sterk zijn met cijfers, moeten vertrouwen op wat een specialist hen zegt. En als een specialist er genoeg van kent, kan die het verhaal van de cijfers altijd een interpretatie geven die in zijn of haar voordeel werkt. Ik schreef eerder over hoe je controleert of je bureau je de juiste cijfers toont.
Maar de oplossing is niet om data los te laten. Want niet naar data kijken is minstens even gevaarlijk. Het is toch niet omdat je soms naar iets lelijks moet kijken dat het beter is om blind te zijn?
Blind varen
Lange tijd moest ik het doen met de tools die voor handen waren. Intussen los ik het op door zelf cijfers met elkaar te verbinden en dashboards te bouwen, maar in het verleden hing ik vast aan wat GA4 mij vertelde, of wat een backend mij kon vertellen. Ik perste er alles uit met draaitabellen en complexe formules, maar meestal vrat dat enorm veel tijd om een as-is situatie te creëren, waardoor je nog altijd zaken blijft missen.
Bij een klant werd enkele jaren geleden een aanpassing gedaan aan het winkelmandje. Het was een no-brainer. De CTA zat onder de fold op mobiel. Dat moet toch anders?
De aanpassing werd doorgevoerd en de KPI die voor ogen werd gehouden toonde verbetering: er was een lichte stijging in conversieratio. Maar iets anders veranderde, de gemiddelde orderwaarde begon drastisch te dalen. Zo'n 5 à 10 procent.
De uiteindelijke uitkomst? De omzet daalde.
De gemiddelde orderwaarde zakte wekenlang zonder dat iemand de link legde met die aanpassing. Het gebeurde wel vaker dat AOV kon fluctueren. Misschien waren de klanten die nu wel kochten gewoon klanten die typisch minder in het winkelmandje stopten, een andere productmix ofzo?
Het duurde niet weken maar jaren voor we uiteindelijk de juiste oorzaak konden vastpinnen. Toen ik een grafiek bouwde die de gemiddelde orderwaarde over tijd toonde, door te kijken naar werkelijke orderdata in combinatie met traffic data in plaats van enkel wat GA4 ons kon vertellen, zag je duidelijk een crash op het moment van optimalisatie. En het was duidelijk geen tijdelijk effect, want het bleef 2 jaar later nog hangen.
Eén KPI ging omhoog. Een andere, belangrijkere KPI ging omlaag. Niemand keek naar beide tegelijk.
Dat is niet het probleem dat Sutherland beschrijft. Maar dit is wel wat er zou gebeuren als je niet naar data kijkt; je blijft verder lopen met extra gewicht op je rug, gewicht dat je makkelijk eraf had kunnen gooien als je werkelijk keek naar wat er gebeurde.
Verkeerd naar de dingen kijken
Maar Sutherland heeft ook gelijk. Soms is data wél het probleem. Niet omdat data achteruit kijkt, maar omdat iemand ernaar kijkt en de verkeerde conclusies neemt door een foute interpretatie.
Dit ben ik tegengekomen bij een andere klant, maar ik gebruik een metafoor om het punt duidelijk te maken.
Grote winkels draaien meer omzet als er meer zaterdagen in een maand zitten. Een maand telt meestal vier of vijf zaterdagen. De kans op vijf zaterdagen is groter bij maanden met 31 dagen.
Neem nu november. Die had in 2024 en 2025 vijf zaterdagen en dit jaar slechts vier. Wat je vaak doet is kijken naar vorig jaar. Dan zie je vanzelfsprekend een sterke daling voor die maand november.
De reactie bij de foute interpretatie maakt de situatie dan nog erger; we hebben een gat in het aantal bestellingen en in onze omzet. We moeten nieuwe campagnes uitvoeren, we moeten met promoties gooien of zelfs de prijzen verlagen.
Maar als je het gewoon op een andere manier bekijkt, bijvoorbeeld op weeknummer, dan zie je eigenlijk dat er voor die periode amper een vuiltje aan de lucht is.
Het gevolg? Meer kosten, lagere AOV, voor een probleem dat in de eerste plaats niet eens bestaat.
Het probleem lijkt natuurlijk wel te bestaan, en als je niet de middelen hebt om het anders te bekijken begin je meteen paniekvoetbal te spelen. Dan maak je eigenlijk van een niet bestaand probleem een effectief probleem.
Want als je op basis van die verkeerde interpretatie je prijzen verlaagt om de daling te compenseren, creëer je het omzetverlies dat je probeerde te voorkomen. De daling die er niet was, is er nu wel. Veroorzaakt door je eigen reactie op een kalenderartefact.
Het lijkt een vreemd verhaal, maar dit ben ik al meer dan één keer tegengekomen. Het gaat nu concreet om een kalendereffect, maar ik heb het al via een andere dimensie gezien dat management een probleem ziet waar er geen is. Als je moet vasthouden aan één vast dashboard dat je onvoldoende data geeft, moet je daarop ook beslissingen nemen.
Slecht nieuws vermomd als goed nieuws
Nu een voorbeeld dat al enkele keren naar voor gekomen is bij andere artikels. Een klant zag dat het aandeel terugkerende klanten verbeterde. De repeat share was aan het stijgen, dus aan de herhalers kon het dit jaar in elk geval niet liggen.
Maar de repeat share was gestegen omdat het absolute aantal herhalers slechts lichtjes daalde, terwijl het absolute aantal nieuwe klanten drastisch aan het dalen was.
De repeat rate, daar werd eigenlijk niet naar gekeken. Repeat share vertelde voor hen hoe tevreden klanten waren over het merk, en hoe goed de retentiemarketing in elkaar zat.
Daarbovenop ging men ervan uit dat iedereen die via direct verkeer of organisch binnenkwam een herhalende klant was. Want je moet ons al kennen als je zo binnenkomt. Dat was een aanname, geen feit. En die aanname kleurde alles wat erop volgde.
Wat ik daarna kon voorleggen, en dat deed ik toen wel nog met draaitabellen in Excel, was aantonen dat de repeat rate al jaren aan het zakken was. En met een mix van een dalend aantal nieuwe klanten en diezelfde nieuwe klanten die ook minder herhalen, krijg je een cocktail die heel bitter smaakt.
Dit concreet voorbeeld van kijken naar de verkeerde KPI, de verkeerde attributie en er de verkeerde interpretatie bij maken, kan je meer over vinden hier: waarom je trouwste klanten stilletjes vertrekken.
Het kan ook anders
Diezelfde historische data, correct gelezen, kan je wél vooruit helpen.
Wat ook gebeurde bij één van mijn klanten: de data toonde dat conversies in de wintermaanden de hoogste gemiddelde waarde hebben. Het was logisch voor die sector: wie vroeg koopt, koopt groter of duurder. Maar daar zat nog iets onder. Die vroege conversies vulden de pipeline voor het volledige piekseizoen. Ze spreidden zich gelijkmatig over de maanden april tot augustus. Wie later investeert, vangt alleen de last-minute vraag die geconcentreerd zit in de eerstvolgende maand.
Historisch werd er amper marketingbudget ingezet in die winterperiode, want het was laagseizoen. Toen we dat budget verdrievoudigden, bleef de return per geïnvesteerde euro ruim boven die van de piekmaanden. Elke euro in die periode leverde meer op dan in de maanden waar traditioneel het meeste budget naartoe ging.
Het patroon zat in de historische data. Maar het was geen vicieuze cirkel van zelfbevestiging. We zagen niet dat we altijd meer omzet draaiden in die periode. We zagen dat we potentieel meer omzet konden draaien in die periode met een lagere kost. En de uitkomst was gelijk aan de voorspelling.
Het verschil met de vorige voorbeelden? Iemand die de data begreep en de juiste vragen stelde.
Nuance
Ik word soms gevraagd om data aan te leveren die helpt om een beslissing in een bepaalde richting te duwen. Ik probeer altijd transparant te zijn, ook als ik daarbij tegen mijn eigen winkel spreek. Want als er één iets is dat data kan doen, is het nuance brengen. Een nuance waar geen emotie aan vasthangt of een bedrijfspolitieke beslissing die verantwoord moet worden.
Een conversieratio die daalt kan goed nieuws zijn. Een repeat share die stijgt kan slecht nieuws zijn. Een stijgende omzet kan een dalende marge verbergen. Een dalende maand kan een ontbrekende zaterdag zijn. Een verkorte sessieduur kan betekenen dat de customer journey op je website net verbeterd is.
Geen enkel getal vertelt het hele verhaal. Context, context, context.
Wie één metric isoleert en daarop beslist, mist alles wat eromheen staat. Wie helemaal niet naar data kijkt, mist alles. Maar wie naar data kijkt en het verkeerd leest, neemt de slechtste beslissingen van allemaal. Want die heeft het vertrouwen van iemand die denkt dat hij weet wat er aan de hand is.
Elke dag dezelfde fout maken
Sutherland heeft gelijk over de diagnose. Bedrijven misbruiken data om zich in te dekken. Ze kijken naar getallen om rationeel over te komen. Ze nemen dezelfde beslissingen als hun concurrenten omdat ze naar dezelfde spreadsheets kijken.
Maar wat Sutherland naar mijn gevoel leek te suggereren, dat bedrijven minder moeten vertrouwen op data en meer op intuïtie en creativiteit, werkt makkelijker als je Rory Sutherland bent dan als je een KMO bent dat probeert te groeien. Voor de meeste bedrijven is de oplossing niet minder data. De oplossing is iemand die weet waarnaar te kijken, die de context begrijpt, en die durft te zeggen dat de daling van 20% een ontbrekende zaterdag is. Ik schreef eerder over waarom rapportages zo eenvoudig blijven. Hetzelfde geldt hier: zonder de juiste context is elk rapport een halve waarheid.
Data kijkt naar de geschiedenis, dat klopt. Maar waarom studeer je geschiedenis op school? Waarom is geschiedenis überhaupt iets om over te leren?
Om te leren uit fouten van het verleden. Om patronen te begrijpen uit het verleden.
Een ezel stoot zich niet tweemaal aan dezelfde steen, maar een bedrijf zonder het juiste datainzicht stoot zich er elke dag aan.