De valkuil van een standaardoplossing

Neem een marketingcampagne als voorbeeld. Stel, je krijgt niet de resultaten waar je op gehoopt had uit je laatste campagne. Je wil verbeteren door het meer datagedreven te maken. Je vraagt daarom je analytics team om hulp. Ze helpen je graag en praten daarom met je over je campagne. Ze stellen je een aantal vragen om beter te begrijpen wat voor campagne je had opgezet en komen dan met een suggestie: ze kunnen je selecties optimaliseren met een algoritme. Zo kun je met minder moeite de meest kansrijke leads vinden.  

Dit kan een goede oplossing zijn, maar het is niet altijd de beste oplossing. Data science kan je werk namelijk een stuk efficiënter maken, maar wanneer dit de standaardoplossing wordt, is er een kans dat je iets anders over het hoofd ziet. Dan wordt er namelijk te snel ingezoomd op één deel van het proces, terwijl het kan zijn dat er een ander punt in het proces is waar veel grotere winst met veel minder moeite te behalen is.  

Een slimme oplossing van begin tot eind

Neem het campagnevoorbeeld weer: Als de zwakste schakel in je volledige proces de selecties zijn, dan zou een algoritme (mits de randvoorwaarden zoals de dataselectie goed zijn uitgedacht) je veel winst bieden. Als echter de selecties niet goed zijn afgestemd op het doel van de campagne gaat het optimaliseren van deze selectie weinig nut hebben. Daarom is het belangrijk om altijd het hele end-to-end proces te bekijken wanneer je iets “slimmer” wil maken. Zoek eerst uit waar de zwakste schakel in dit proces zit en probeer deze te verbeteren.  

Soms zal dat alsnog een algoritme zijn, maar in veel andere gevallen kan het een simpele Excel analyse, een dashboard of een goede A/B test zijn. De enige manier om hierachter te komen is om een stapje terug te zetten en het hele proces te evalueren.  

Wat is een “slimme oplossing” dan voor ons? Het is het vinden van de juiste oplossing voor het betreffende probleem. Hoe eenvoudig of complex die oplossing ook is.