Nederlands 
English Waarom Datafy verschillende analysemethoden combineert
Je kunt de bijdrage van marketing op meerdere manieren onderzoeken. Een klantreisanalyse laat zien welke meetbare contactmomenten aan een conversie voorafgingen. Een econometrische analyse kijkt naar het verband tussen media-inzet, verkoop en andere factoren over langere perioden. Beide invalshoeken leveren informatie op, maar hebben ook blinde vlekken.
Welke vraag hoort bij welke analyse?
Attributie helpt om de berekende bijdrage van kanalen en de ontwikkeling daarvan te volgen. Gevoeligheidsanalyse onderzoekt hoe de uitkomst verandert bij een beperkte wijziging in één kanaalbudget. Scenarioanalyse vergelijkt concreet doorgerekende budgetalternatieven, ook als meerdere kanalen tegelijk veranderen.
| Methode | Beantwoordt | Wat de uitkomst betekent |
|---|---|---|
| Attributie | Welke kanalen dragen bij aan je verkopen, en hoe ontwikkelt die bijdrage zich? | De attributie geeft richting, maar is op zichzelf nog geen opdracht om het budget te veranderen. |
| Gevoeligheidsanalyse | Wat gebeurt er met de totale verkoop als je het budget van één kanaal bijvoorbeeld 10% verhoogt of verlaagt, terwijl de overige budgetten gelijk blijven? | Zo zie je hoe sterk de uitkomst volgens het model reageert op een verandering in dat specifieke kanaal. |
| Scenarioanalyse | Wat gebeurt er als je het tv-budget halveert en het vrijgekomen budget in search investeert? | Het resultaat is geen zekerheid over de toekomst, maar wel een onderbouwde vergelijking van keuzes. |
Twee motoren, één antwoord
Wat klantreizen kunnen vertellen
Door individuele, waarneembare contactmomenten te analyseren, kun je onderzoeken hoe bezoeken en conversies samenhangen met campagnes. Dat is waardevol voor het begrijpen van routes naar een aankoop. Maar niet ieder contactmoment is zichtbaar, en een waargenomen volgorde bewijst nog niet wat er zonder die advertentie zou zijn gebeurd.
Wat het econometrische model toevoegt
Het econometrische model bestudeert de ontwikkeling van commerciële resultaten in samenhang met onder meer mediadruk, seizoen en beschikbare marktfactoren. Daarmee kunnen ook effecten worden onderzocht die langer doorwerken en niet terug te vinden zijn in één afzonderlijke klantreis.
Marginal Journey Simulation
Datafy noemt de combinatie van deze invalshoeken Marginal Journey Simulation. Het uitgangspunt is dat verschillende informatiebronnen gezamenlijk bijdragen aan het beoordelen van een budgetbesluit.
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.
Hoe toetsen we de betrouwbaarheid van het model?
Een berekening kan historisch goed aansluiten en bij nieuwe gegevens toch slecht voorspellen. Daarom is het belangrijk om prognoses achteraf te vergelijken met gerealiseerde resultaten en om de voorspelkwaliteit ook buiten de oorspronkelijke schattingsperiode te onderzoeken.
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.
Wat onzekerheid betekent voor een beslissing
Niet ieder kanaaleffect is even nauwkeurig te schatten. Bij een gevoeligheidsanalyse of scenario moet daarom duidelijk zijn hoeveel onzekerheid er in de uitkomst zit, zeker wanneer je ver buiten eerdere budgetniveaus rekent.
Wiskundige modellen voor de dagelijkse marketingpraktijk
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.