Je hebt je analytics bekeken. Het verkeer is 20% gestegen. De conversies staan stil. Je weet wat er gebeurde (beschrijvend), je weet waarom (diagnostisch) en je kunt volgende maand voorspellen (voorspellend). Maar je weet nog steeds niet wat je er nu mee moet doen.
Voorschrijvende analytics (prescriptive analytics) beantwoordt die vraag: welke concrete actie moet je ondernemen, gegeven alles wat je van je data weet? Dit artikel behandelt hoe voorschrijvende analytics werkt en wanneer het je helpt betere beslissingen te nemen.
Voorschrijvende analytics gebruikt je data om concrete acties aan te bevelen. Het gaat verder dan "wat gebeurde er", "waarom gebeurde het" en "wat gaat er gebeuren". Het zegt: "dit moet je doen."
De drie soorten analytics bouwen op elkaar voort: beschrijvend geeft het feit, diagnostisch verklaart het en voorspellend voorspelt de toekomst. Voorschrijvend zegt: "Optimaliseer met dat alles voor deze uitkomst. Doe dit."
Voor een website-eigenaar is voorschrijvende analytics het verschil tussen je data begrijpen en er met vertrouwen naar handelen.
Hoe voorschrijvende analytics verschilt van de andere soorten
Beschrijvende analytics laat zien dat er deze week 500 bezoekers kwamen. Diagnostische analytics laat zien dat 350 daarvan via een blogartikel kwamen dat je publiceerde. Voorspellende analytics voorspelt 600 bezoekers volgende week als het verkeer blijft groeien.
Voorschrijvende analytics zegt: "Je conversiepercentage bij bezoekers van je blog is 8%. Bij directe bezoekers is het 2%. Je doel is 100 conversies deze maand. Zet in op blogverkeer en stop met betaalde advertenties." Dat is een concreet advies op basis van je data.
Zonder voorschrijvend denken heb je feiten en voorspellingen, maar geen kader om te beslissen. Met voorschrijvend denken wijst je data je naar wat echt telt.
De logica achter voorschrijvende adviezen
Voorschrijvende analytics werkt door te vragen: "Welke uitkomst wil ik?" En dan achteruit te werken.
Stap 1: Bepaal je doel duidelijk
Waarvoor wil je optimaliseren? Meer omzet? Meer leads? Een hoger conversiepercentage? Een lager bouncepercentage? Je moet het doel benoemen voordat data kan adviseren hoe je het bereikt.
Veel website-eigenaren slaan dit over. Ze bekijken analytics zonder duidelijk doel. Dat is alsof je vraagt "wat moet ik doen?" zonder te zeggen "om wat te bereiken?" Het antwoord is steeds anders, afhankelijk van waarvoor je optimaliseert.
Stap 2: Zoek uit wat die uitkomst echt aandrijft
Is je doel 100 leads per maand en krijg je er nu 50, wat drijft leads dan aan? Formulieren die worden verstuurd. Waar gebeurt dat? Op je contactpagina en op landingspagina's. Wie vult de formulieren in? Bezoekers uit zoekresultaten (6% conversie) tegenover bezoekers uit advertenties (2% conversie).
Door dit uit te splitsen, zie je wat echt telt: zoekverkeer converteert beter. Voor meer leads heb je meer zoekverkeer nodig.
Stap 3: Adviseer acties die verschil maken
Nu kun je voorschrijvende adviezen geven: publiceer meer SEO-vriendelijke inhoud (levert zoekverkeer op), verbeter je contactpagina (meer ingevulde formulieren) of pauzeer advertenties die slecht presteren (geen budget meer verspillen aan verkeer dat weinig converteert).
Elk advies is via je data direct gekoppeld aan je doel.
Hoe voorschrijvende adviezen er echt uitzien
Voorschrijvende analytics is geen toverkunst. Het is gestructureerd nadenken over je data. Hier zijn echte voorbeelden.
Advies: haal meer verkeer uit je beste bron
Je data laat zien: bezoekers uit organische zoekresultaten converteren met 5%, betaalde advertenties met 2% en verwijzingsverkeer met 8%.
Voorschrift: richt je op verwijzingsverkeer. Dat converteert het best. Bouw meer samenwerkingen op, laat je noemen op andere sites of maak inhoud die gedeeld wordt.
Advies: repareer de kapotte pagina
Je data laat zien: bezoekers blijven 3 minuten op je homepage, 90 seconden op je prijzenpagina en 45 seconden op je vergelijkingspagina.
Diagnose: mensen vertrekken te snel bij de vergelijking. Voorschrift: schrijf die pagina opnieuw. Maak de vergelijking duidelijker. Je verliest geïnteresseerde bezoekers.
Advies: stop met geld verspillen aan wat niet werkt
Je data laat zien: campagne A kost $2 per klik en converteert met 3%. Campagne B kost $1 per klik en converteert met 0,5%.
Voorschrift: pauzeer campagne B. Die is goedkoper, maar werkt niet. Elke dollar die je aan campagne B uitgeeft, geef je niet uit aan campagne A, die echt omzet oplevert.
Advies: test voordat je opschaalt
Je data laat zien: bezoekers uit nieuwsbrief A klikken door met 15%. Bezoekers uit nieuwsbrief B klikken door met 4%.
Voorschrift: nieuwsbrief A is het waard om in te investeren. Test voordat je opschaalt of je hem vaker of naar een grotere lijst kunt sturen. Je kleine test werkt. Breid voorzichtig uit en houd de cijfers in de gaten.
De grenzen van voorschrijvende analytics
Voorschrijvende analytics is krachtig, maar heeft grenzen. Ken ze, zodat je de adviezen niet te veel vertrouwt.
Data kan alleen adviseren over wat het kan meten
Je analytics kunnen het effect niet meten van een concurrent die een nieuw product lanceert, een verschuiving op de markt of veranderend klantsentiment. Voorschrijvende adviezen werken goed binnen je website. Ze werken minder goed voor externe factoren buiten je data.
Patronen uit het verleden garanderen geen succes in de toekomst
Je data laat misschien zien dat blogverkeer nu geweldig converteert. Dat betekent niet dat het altijd zo blijft. Zoekalgoritmes veranderen. Je branche verschuift. Een advies op basis van historische data kan fout worden als de omstandigheden veranderen.
Test voorschrijvende adviezen altijd voordat je er alles op inzet.
Optimaliseren voor één doel kan een ander doel schaden
De data zegt: "Conversies zijn je doel, dus verlaag het bouncepercentage." Je maakt het voor toevallige bezoekers lastiger om weg te gaan (je haalt uitgangen weg en voegt pop-ups toe). De conversies stijgen, maar je reputatie lijdt onder irritante ervaringen.
Voorschrijvende analytics optimaliseert wat je meet. Het houdt geen rekening met wat je niet meet.
Goede data vraagt om goede vragen
Slechte invoer geeft slechte uitkomsten. Is je doel vaag ("de prestaties verbeteren") of je data onvolledig (je volgt iets belangrijks niet), dan zijn voorschrijvende adviezen onbetrouwbaar.
Zo denk je voorschrijvend zonder ingewikkelde tools
Je hebt geen mooie software nodig om voorschrijvend te denken. Je hebt helder denken nodig.
Schrijf je doel op
Niet "het bedrijf laten groeien". Iets specifieks: "de maandelijkse omzet verhogen van $5.000 naar $7.500" of "het bouncepercentage verlagen van 60% naar 45%."
Vraag: wat drijft dit doel aan?
Bij omzet: wat converteert? Wie converteert het best? Waar komen ze vandaan?
Bij het bouncepercentage: welke pagina's hebben een hoog bouncepercentage? Wie vertrekt het eerst? Wat is er anders aan pagina's met een laag bouncepercentage?
Gebruik je data om te antwoorden
Draai een eenvoudig rapport. Segmenteer je verkeer. Vergelijk cijfers. Je zoekt de grootste hefboom: de verandering die je doel het meest laat bewegen.
Adviseer de actie
Wat moet je doen op basis van wat je vond? Meer van wat werkt, minder van wat niet werkt of repareren wat stuk is.
Dat is voorschrijvende analytics. Je hebt er geen ingewikkelde tools voor nodig.
Wanneer voorschrijvende analytics het meest telt
Voorschrijvend denken is het meest waardevol als je weinig tijd of budget hebt. Je kunt niet alles doen. Data vertelt je wat je voorrang geeft.
Je hebt $1.000 om aan marketing uit te geven. Voorschrijvende analytics zegt: "Je data laat zien dat blogverkeer twee keer beter converteert dan advertenties. Geef geld uit aan de groei van je blog, niet aan advertenties." Dat is een duidelijke richting.
Je hebt één week om de conversie te verbeteren. Voorschrijvende analytics zegt: "Je afrekenpagina heeft 40% afhakers. Je productpagina 2%. Repareer de afrekenpagina." Je weet waar je je op richt.
Zonder voorschrijvend denken gok je. Met voorschrijvend denken wijst je data je naar wat het meest telt.
Veelgestelde vragen
Verschilt voorschrijvende analytics van voorspellende analytics?
Ja. Voorspellend vertelt je wat er gaat gebeuren (500 bezoekers volgende maand). Voorschrijvend vertelt je wat je eraan moet doen (richt je op blogverkeer, want dat converteert beter). Voorspellend voorspelt de toekomst, voorschrijvend adviseert acties. Met de Websitebouwer van WEMASY zet je dit direct op je eigen website op.
Heb ik speciale tools nodig voor voorschrijvende analytics?
Nee. Elk analysesysteem waarmee je data kunt segmenteren en cijfers kunt vergelijken, ondersteunt voorschrijvend denken. Met Analytics en inzichten van WEMASY splits je bezoekers uit per bron, vergelijk je conversiepercentages en zie je welke pagina's het best converteren. Meer heb je niet nodig.
Wat als voorschrijvende analytics iets adviseert dat tegen mijn intuïtie ingaat?
Test het. Je intuïtie kan kloppen, en je data kan onvolledig of misleidend zijn. Maar komt het advies uit duidelijke data, dan is het de moeite waard om te testen voordat je het afwijst. Data onthult vaak patronen die we intuïtief niet zien.
Kan voorschrijvende analytics me iets onethisch laten doen?
Data kan adviseren wat je doel maximaal haalt, zonder naar ethiek te kijken. Jij bent de mens en jij oordeelt. Zegt de data "dark patterns verhogen de conversie", dan beslis jij of dat de groei is die je wilt. Voorschrijvende analytics is een hulpmiddel en jij bent verantwoordelijk voor hoe je het gebruikt.
Hoe vaak moet ik mijn voorschrijvende adviezen bijwerken?
Minstens elke maand. Je data verandert voortdurend. Een advies dat vorige maand klopte, kan deze maand fout zijn als je verkeersbronnen veranderden of een campagne eindigde. Bekijk en werk bij met regelmaat.
Wat als ik meerdere concurrerende doelen heb?
Dan kies je er één om voor te optimaliseren, of je geeft ze een weging. Je kunt niet tegelijk omzet maximaliseren en kosten minimaliseren als die botsen. Voorschrijvende analytics werkt het best met één duidelijk hoofddoel. Secundaire doelen zijn afwegingen.