Nederlands 
English Geen black box.
Marginal Journey Simulation.
De meeste meetoplossingen kiezen: óf attributie op klantreizen, óf Marketing Mix Modeling op weektotalen. Datafy doet allebei, en laat de twee elkaar controleren. Die gecombineerde aanpak noemen we Marginal Journey Simulation, door Datafy ontwikkeld. Het resultaat is geen creditverdeling achteraf, maar het antwoord op de enige vraag die telt bij een budgetbeslissing: wat levert de vólgende euro op?
Attributie beantwoordt de verkeerde vraag
Klassieke attributie, van last-click tot de geavanceerdste datagedreven modellen, verdeelt de eer van gerealiseerde conversies over kanalen. Maar bij een budgetronde vraagt niemand wie de eer verdient. De vraag is: waar rendeert de volgende euro, en waar de laatste niet meer?
| Methode | Beantwoordt | Bruikbaar voor budgetbeslissing? |
|---|---|---|
| Last-click / positieregels | Welk contactmoment krijgt de conversie toegewezen? | Nee, overwaardeert het laatste contact, negeert alles ervoor |
| Datagedreven creditverdeling | Hoe verdelen we de eer “eerlijk” over de klantreis? | Beperkt, een eerlijke verdeling van gisteren zegt weinig over de inzet van morgen |
| Eenmalige MMM-studie | Wat droeg elk kanaal het afgelopen jaar gemiddeld bij? | Beperkt, gemiddeld rendement ≠ rendement van de volgende euro, en het rapport veroudert |
| Datafy | Wat verandert er aan omzet als je één euro verschuift, per kanaal, campagne en uiting? | Ja, dit ís de budgetvraag, wekelijks opnieuw berekend |
Twee motoren, één antwoord
Attributie op individuele klantreizen
Datafy rekent niet met kanaaltotalen maar met de werkelijke reis van iedere bezoeker: elke impressie, klik, TV-spot en bezoek, in volgorde. Voor elk contactmoment berekent het model wat er gebeurd zou zijn zónder dat moment: minder bezoeken, minder terugkerende bezoekers, een lagere conversiekans? Het verschil, afgezet tegen de kosten, is het marginale rendement van dat contactmoment. Opgeteld over alle reizen ontstaat het rendement per kanaal, campagne en uiting.
Econometrisch model over de hele mix
Merkeffecten van TV, radio en online video zie je niet terug in een individuele klik van vandaag, wel in de weektotalen van de maanden erna. Het econometrische model verklaart je omzet uit media-inzet, seizoen, weer, prijs en marktfactoren, en scheidt zo wat jóuw media deed van wat de markt toch al deed. Dit is de motor achter de scenario- en budgetplanning.
De motoren controleren elkaar
Het lange-termijnmodel corrigeert de klantreis-attributie voor effecten die je in individuele reizen niet ziet, en de klantreis-uitkomsten voeden het lange-termijnmodel als extra verklarende factor. Waar de meeste oplossingen één lens kiezen, dwingt Datafy twee onafhankelijke lenzen om tot een consistent beeld te komen. Wijken ze af, dan is dát het signaal om in te zoomen, vóórdat er budget verschuift.
De vier stappen vormen één cyclus.
De twee motoren leveren analyse en interpretatie, het wekelijkse advies de beslissing, en de validatie de evaluatie. Samen vormen ze een gesloten loop die elke week opnieuw draait, en zichzelf verbetert.
Niet geloven. Toetsen.
Een model dat zichzelf nooit hoeft te bewijzen, is een mening met een dashboard. Daarom staat elk Datafy-model permanent onder toezicht van de werkelijkheid. Leg deze pagina naast die van elke andere leverancier en stel één vraag: wie durft zijn wekelijkse prognose openlijk naast de realisatie te leggen?
Prognose naast realisatie, elke week
Het model voorspelt de omzet van komende week, en legt die voorspelling een week later naast wat er werkelijk gebeurde. Die toets is voor iedereen zichtbaar in het platform, ook als de uitkomst tegenvalt.
Getoetst op data die het model nooit zag
De voorspelkracht wordt beoordeeld op perioden die buiten de modelbouw zijn gehouden, de standaard uit de statistiek die voorkomt dat een model alleen het verleden napraat.
Aannames op tafel
Elk model steunt op aannames, ook het onze. In plaats van ze te verstoppen, staan ze uitgeschreven in onze methodologie-note. Zo kan jouw analytics-team ze beoordelen vóórdat je op de uitkomsten stuurt.
Gebouwd door een wiskundige, niet door een marketingbureau
Datafy is ontwikkeld onder leiding van dr. Auke Pot, gepromoveerd in de wiskunde (stochastiek) aan de Vrije Universiteit Amsterdam bij prof. dr. Ger Koole. Klantreizen zijn stochastische processen en budgetallocatie is een wiskundig optimalisatieprobleem, precies het vakgebied waarin hij promoveerde. Die achtergrond bepaalt de werkwijze: elke rekenstap in het platform is wiskundig gedefinieerd, elke aanname expliciet, en elk resultaat toetsbaar.
Eén ontwerpbeslissing per artikel, verdedigd door de founder
Elke keuze in Marginal Journey Simulation heeft een reden, en die leggen we publiekelijk uit. Drie voorbeelden uit de reeks:
Waarom marginaal, niet gemiddeld
Het gemiddelde rendement beantwoordt een boekhoudvraag; de budgetvraag gaat over de volgende euro. Waarom dat verschil de hele modelopzet bepaalt.
Waarom we klantreizen alles-of-niets simuleren
Een contactmoment half meetellen bestaat niet in de werkelijkheid. Wat er gebeurt als je per reis simuleert wát er zonder dat moment was gebeurd.
Waarom we conservatief schatten
Een te enthousiast model kost de klant geld. Hoe de schattingskeuzes voorkomen dat uitschieters in de data het advies overnemen.
Verschijnt als technische reeks op LinkedIn, volg dr. Auke Pot of de Datafy-bedrijfspagina.
De methodologie-note: het volledige verhaal, gesigneerd
Voor de lezer die verder wil dan deze pagina: een technische note van de hand van dr. Pot, met de formele definitie van het marginale rendement, de modelaannames expliciet genummerd, de validatie-aanpak en een vergelijking met gangbare attributie- en MMM-methoden. Geschreven voor je data-scientist, bruikbaar in elke RFP.
Wat erin staat
De marginale-rendementsdefinitie en hoe die per klantreis wordt berekend · de aannames, expliciet genummerd · de wekelijkse validatiecyclus · hoe de methode zich verhoudt tot last-click, datagedreven attributie en klassieke MMM.
Ontvang de note
Laat je e-mailadres achter en ontvang de methodologie-note als PDF, samen met een uitnodiging om hem in een sessie van 30 minuten met je analytics-team door te nemen.
Leg onze methodiek naast wat je nu gebruikt
In een demo van 30 minuten laten we op echte data zien hoe de twee motoren tot één advies komen, en waar ons model zijn eigen prognoses haalde of miste.