‘De eerste keer dat William en ik elkaar spraken was een erg koude dag, in winter 2018’, begint Herman. ‘Deze ontmoeting kwam heel goed uit, want we zaten toentertijd in een fase waarin we met de Hartstichting analyses wilden doen over onze data. Tijdens de Whayle inhousedag hadden we al bedacht om de inzichtelijke analyses toe te passen op de Hartstichting’. Herman vervolgt en breidt uit over de samenwerking: ‘Whayle kan leveren wat wij vragen: kennis en expertise op het gebied van data analyse’. William stapt in: ‘Als datascientist ben ik al vanaf de inhousedag betrokken bij het project, voornamelijk met uitvoerende rol’. Is de rol van Herman net zo uitvoerend? ‘Als data-based marketeer analyseer ik intern welke behoeftes er zijn bij de Hartstichting. Daarna stem ik data af met William, en vervolgens zorg ik ervoor dat de resultaten goed landen binnen de organisatie’.

Onlangs hebben we de customer lifetime analyse gedaan, en resultaten waren tegen de verwachtingen in’.

Op de vraag of er wel eens resultaten zijn die niet goed landen, geven de heren een voorbeeld: ‘Onlangs hebben we de customer lifetime analyse gedaan, en resultaten waren tegen de verwachtingen in’. Maar juist die resultaten zijn bruikbaar: Herman vertelt dat de Hartstichting wervingscampagnes uitvoert op basis van de analyses die ze samen met Whayle hebben gevonden. Welke marketingvraagstukken worden er nog meer opgepakt door de twee data-gepassioneerden? Herman vertelt over het ‘Churn voorspelmodel’. Bij dit voorspelmodel worden risicofactoren gemeten op basis van een scoremodel. Hij gaat verder: ‘Whayle levert de tactieken en de scores gebaseerd op modellen, waardoor wij beter kunnen anticiperen en onze cliënten tevreden kunnen houden, bijvoorbeeld met campagnes’.

Op de vraag wat er nodig is voor een goede samenwerking, springt William in. ‘De eerste keer dat ik een Churn-model ontwikkelde, bleef dat bij Whayle. Maar ik communiceer bij deze samenwerking wekelijks met Herman, er is ontzettend goede communicatie. De reden dat de customer-lifetime analyse zo positief onthaald is, komt mede omdat we strakker met elkaar communiceren’. Dat zijn korte lijntjes. Wat waardeert Herman aan deze samenwerking? Hij begint: ‘Ik leer van William’s analysetechnieken. Een aantal zijn al globaal voor mij bekend, maar William zit er veel dieper in. Daarbij komt dat wij de scripts ontvangen van de analyses die Whayle uitvoert, zodat we in de toekomst zelf ook de analyses kunnen doen. Dit waarderen wij: de samenwerking is van begin tot eind’. 

Halverwege het gesprek is al te merken dat de twee mannen een gezamenlijke drijfveer hebben om de meeste waarde uit data te halen met belang voor een groter goed. Maar hoe haal je daadwerkelijk het meeste uit data, is dat makkelijker gezegd dan gedaan? William vertelt me er meer over: ‘Zodra ik de data ontvang van Herman oriënteer ik mezelf eerst in de data. Ik vraag mezelf af: zijn de gegevens in deze data logisch? Ik ga daarna graven en ik reflecteer of ik alles begrijp. Daarna is het tijd vuile handen te maken en er echt mee aan de slag te gaan.’ Hij gaat verder: ‘Een voorbeeld: bij de data van de Hartstichting kijk ik dan naar het aantal donateurs per jaar, en vraag ik me af of die data er logisch uitziet, of dat ik ontwikkelingen of verschuivingen zie. Maar Herman weet natuurlijk beter wat er aan de hand is binnen de Hartstichting, en heeft de domeinexpertise die we nodig hebben. Niet alleen heeft Herman die domeinkennis, maar weet hij zelf ook veel van de data en er veel mee werkt.’ 

Harde materie en voorspelmodellen: dit kan lastig zijn voor collega’s buiten dit vakgebied om te begrijpen. Hoe maak je een verhaal over data tastbaar voor de mensen buiten de datawereld?  William is technisch opgeleid, en geeft aan dat het lastig schakelen kan zijn als je niet technische opleiding hebt genoten.  Herman vult aan: ‘Ik heb bestuurskunde gestudeerd, maar daarna ben ik aan de slag gegaan in marktonderzoek waar ik te maken kreeg met data analyse. Ik heb ook gemodelleerd en Churn-modellen gemaakt’. Herman geeft een kijkje binnen de Hartstichting: ‘De resultaten van onze modellen moeten begrijpelijk zijn voor de donateurs en andere werknemers binnen de organisatie. Dat is de wereld waar ik dagelijks mee te maken heb: een vertaalslag maken van de technische resultaten naar een coherent verhaal. Wat William ook noemt, is dat de data van de Hartstichting al direct bruikbaar was, mede doordat Herman haarfijn weet hoe je data bruikbaar maakt. William vertelt: ‘De informatie die we nodig hadden voor de analyse was compleet en duidelijk. Soms ben je wel een halfjaar bezig met de data te ontknopen door een wirwar aan administratiesystemen’ Herman vult aan: ‘Vlak voordat wij in contact kwamen met elkaar hadden wij juist intern voor een opschoningsactie gezorgd. We weten dat we vanuit data makkelijker kunnen werken. De marketingkant had behoefte aan een totaalbeeld van de donateurs en vrijwilligers van de Hartstichting’. 

Met de kwaliteit van de data zit het dus wel goed. Maar hoe vertalen data-driven analyses zich naar besluitvorming met positieve impact op de donateur? Herman vertelt: ‘Door de analyses besluiten wij bijvoorbeeld om door te gaan met de huis aan huis werving. Ook benaderen we mensen telefonisch om na te gaan hoe het de donateurs bevalt. Daarbij zullen we in de toekomst al onze campagnes baseren op scoremodellen, en op die manier hopen we de juiste mensen op het juiste moment te benaderen’. William ziet het anders: ‘Ik zie het als een peiling van de communicatie naar de donateurs toe. We kunnen met onze modellen beter de selectie maken van de momenten waarop een actie effectief zal zijn’. 

Al bijna vier jaar werken Herman en William samen. Over de toekomst van de samenwerking vertelt Herman: ‘We willen verder gaan met het maken van data-driven selecties voor onze campagnes. Wat daarbij meespeelt is dat we de Hartstichting een multi-channel benadering voor de donateurs en onze relaties’. William vult Herman aan: ‘Wij voeren natuurlijk uit wat de Hartstichting nodig heeft. Maar deze samenwerking werkt soepel en het gaat al een lange tijd goed’.