Combineer data met gebruikersbehoeften
De wereld van data-analyse blijft zich ontwikkelen. Wie tot een jaar of vijf geleden analytisch de data van een webshop liet doorlichten op zoek naar groeimogelijkheden en hogere conversie, kreeg meestal feedback over de conversie-funnel, of informatie over een bepaalde webbrowser waarop de webshop wellicht minder presteerde.
De laatste jaren zit er echter een hoop ontwikkeling in de manier waarop webshops worden doorgemeten en klantreizen worden doorgelicht. Met verschillende tooling en Customer Data Platforms (CDP’s) krijgen ondernemers inzicht in de herkomst en de (online) klantreis van hun klanten en krijgen ze tegelijkertijd ook de mogelijkheid hun content te personaliseren op groeps- en individueel niveau.
De data als basis
Door alle mogelijkheden die deze tools bieden, meten organisaties veel meer vanuit de eerste data-analyses en wordt dit met de ontwikkeling van de tools ook beter inzichtelijk in de dashboards. Toch is hiermee de klus nog niet volledig geklaard. Want hoewel bedrijven dus meer datapunten kunnen meten, bestaat het verbeteren van de webshop niet enkel uit het meten op zich. Dat meten is pas de eerste stap.
Data-analyse is, vanuit een periodieke analyse of vanuit het valideren van de klantvraag, in wezen de grondlegger voor het signaleren of valideren van bepaalde ontwikkelingen of ervaringen. Maar daarvoor moet je dus de achterliggende problemen of vraagstukken uit die data kunnen herkennen. Met het toenemende aantal datapunten dat met de moderne tools en dashboards wordt doorgemeten, is het een utopie om te denken dat organisaties genoeg middelen hebben om alle datapunten ook in kaart te kunnen brengen.
Bij veel bedrijven liggen er dus nog kansen liggen als het gaat om het beter aanvoelen en meten van de gebruikersbehoefte. In het algemeen geldt dat het goed is om per specifieke situatie te kijken welke (en wat voor soort) data er beschikbaar zijn, en welke vragen hierdoor overblijven. Ofwel: wat is het (onbeantwoorde) vraagstuk of de behoefte van een eindgebruiker? En welke tooling of onderzoeksmethode zet je in om dit vraagstuk goed te beantwoorden?
Bij het analyseren vanuit harde data is de wetenschap dat niet alles te meten is, het vertrekpunt. Data gebruik je vooral om te analyseren en bepaalde zaken te signaleren. Een vervolgstap na het opmerken van bepaalde hick-ups in de webshop kán zijn om simpelweg ‘vanuit de onderbuik’ bepaalde veranderingen door te voeren. Je ziet bijvoorbeeld nog vaak dat na de signalering de expert aan bureauzijde ‘zelf wel weet’ wat de oplossing moet zijn, maar dat in feite het echte begrip van de situatie of de klantbehoefte ontbreekt.
Met alleen de data-analyse is dus niet per definitie inzicht verkregen in het ‘waarom’ achter een knelpunt. Met het maken van een combinatie van verschillende onderzoeksmethodes is het mogelijk om deze achterliggende vraagstukken of klantbehoeften goed of beter aan het licht brengen en zo een veel gerichtere vervolgstap te maken in de ontwikkeling van de webshop.
Door het inzetten van onderzoeksmethoden zoals enquêtes (surveys), kun je na het verzamelen van de data een beter begrip van de situatie krijgen en het beeld van deze vraagstukken compleet maken. Door kwalitatieve en kwantitatieve onderzoeksmethoden te combineren krijg je beter inzicht in het ‘waarom’ van bepaald gedrag. Als je door het betrekken van eindgebruikers weet waar bepaald gedrag vandaan komt, kun je vervolgens optimalisaties voorstellen die veel beter aansluiten op de klantbehoefte.
Deze optimalisaties worden in deze gevallen dus minder vanuit een ‘onderbuikgevoel’ ontwikkeld, en sluiten in veel gevallen beter aan op de klantbehoefte.
Duiding van de data
Nogmaals, het is voor iedereen die beslissingen moet nemen op basis van data-analyse goed om te beseffen dat je nooit al het gedrag helder kunt krijgen met de verzamelde data. Bijvoorbeeld: ja, de klikpaden op een website zijn te zien, maar vanuit KPI’s valt geen gedrag te herkennen. Je ziet de klanten wel van links naar rechts gaan op een website, maar je ziet ze geen ‘gedrag’ vertonen. Dus, wat is de reden voor het bezoek geweest? En welke actie hebben ze naar aanleiding van hun bezoek ondernomen? Is de klant naar een andere webshop overgestapt? Of ging hij liever naar de fysieke winkel om zo een eventuele langere levertijd te omzeilen? Dan heeft je klant via een ander kanaal toch voor conversie gezorgd, maar is dat niet terug te zien in de data. In dat geval blijft het voor jou als onderneming dus ook onduidelijk dat de levertijd een reden is om voor een ander kanaal (of bedrijf) te kiezen. Dit soort situaties zijn een van de redenen waarom het belangrijk is om de eindgebruikers bij de oplossing te betrekken.
Inzicht in het ‘waarom’ achter het gedrag is dus van groot belang om het gedrag zelf te kunnen duiden. Als je in het geval van bovengenoemd voorbeeld een enquête inzet, krijg je gerichtere input waarmee je de webshop anders of beter neer kunt zetten. Je kunt dit ook proberen door met tientallen A/B-tests te proberen een klein stapje te maken, maar je kunt met een enquête een grote stap maken op een heel specifiek onderdeel van de checkout. Kanttekening hierbij is wel dat je genoeg bezoekers hebt, omdat het hierbij belangrijk is dat je een groter aantal respondenten hebt. Tegelijkertijd kun je ook een user testing-sessie organiseren op dat onderdeel, als hier echt het grootste knelpunt van je webshop zit. De combinatie van deze onderzoeksmethoden maakt het fundament voor de uitkomsten én de vervolgstap alleen maar sterker.
Het combineren van onderzoeksmethoden kun je overigens niet alleen maar inzetten voor optimalisatie van de webshop. De resultaten van zulke combinaties kunnen verder reiken, ook naar andere afdelingen en naar andere fases van de groei van de organisatie. Zo is de datagestuurde werkwijze met gecombineerde onderzoeksmethodes ook bij de start van een project, de ontwikkeling van een nieuw product en dergelijke zeer waardevol om toe te passen.
Het loont dus om met een datagestuurde aanpak te werken, waarbij je snel vanuit de ‘harde data’ eerste analyses en monitoring kunt realiseren. Zo heb je meer controle dan vroeger. Wanneer blijkt dat er bij een vraagstuk, knelpunt of nieuwe business case verder onderzoek nodig is, hoef je het niet bij die eerste data-analyse te laten. Een tweede stap is dan om op de situatie afgestemde onderzoeksmethodes in te zetten om zulke vraagstukken op te lossen. Dit kan een mix zijn van ‘harde data’ en gebruikersinzichten die je bijvoorbeeld via enquêtes hebt verkregen.
De perfecte oplossing verschilt dus per vraagstuk of situatie. Door de onderzoeksmethodes goed af te stemmen kun je met een datagestuurde aanpak snel en vanuit meerdere disciplines inspelen op de behoefte van de eindgebruiker. Daarom verdient het aanbeveling om meerdere disciplines op te nemen in een datagestuurd marketingteam. Zo kun je op ieder moment en razendsnel schakelen tussen bijvoorbeeld design, UX of research: alles om sneller en beter inzicht krijgen in en in te spelen op de gebruikersbehoeften. En dat geeft pas écht meerwaarde!
Dit artikel van onze UX Designer Ton de Munck is onlangs gepubliceerd op de website van Emerce.