I takt med att coronasituationen utvecklas finns det många områden där vi marknadsförare kan fundera på vad vi kan dra för lärdomar av detta förlopp. Och då tänker jag inte i termer av hur begränsa smittspridning i riskgrupper eller munskyddens för- och nackdelar, utan i första hand aspekter som är direkt överförbara till vår profession.
Ett sådan område är datainsamling och statistisk analys. För några månader sedan var det väl ingen som räknade med att logaritmisk skala och exponentiell tillväxt skulle vara en del av den allmänna debatten, men dit verkar vi ha kommit nu. Men det gör också att det blir allt mer uppenbart för de flesta hur svårt det är med datainsamling och validering av siffror för att beräkna resultat på ett relevant och vettigt sätt. Så mycket av utfallet beror på vad som egentligen mäts, hur det mäts, vilka definitioner som används o.s.v. Vilka är egentligen sjuka i coronaviruset? Hur många har dött, och när? Och av vilka orsaker? Hur mycket skiljer det sig från ett vanligt år? etc. etc.
Det här är analyser som görs av kompetenta myndigheter och erfarna specialister, och ändå ser vi stora skillnader i siffrorna. Inte minst om vi börjar jämföra utfallet mellan länder, eller mellan olika specialister, var och en med sin modell och sin teori för hur nyckeltalen bör beräknas. Och därmed än större skillnader i tolkningarna och vad som är rätt åtgärder.
Betänk då hur vi marknadsförare ser på “datadriven marknadsföring”. Hur ofta hör vi inte teser som att ”det där kan vi lösa med AI” eller ”vi har en algoritm för det”. Och det kan väl vara gott och väl, så länge som intelligensen och algoritmen får rätt ingångsvärden att arbeta med. Och i alla fall som ett inspel bland flera.
Men hur säkerställer vi att vi har rätt data? Att vi gör rätt tolkning? Att vi inte blandar ihop korrelation och kausalitet? Att vi håller isär effekt och effektivitet? Att vi kommer ihåg att historik inte per automatik ger prediktion? Eller att utgå från skillnaden, d.v.s. tillskottet mot det förväntade utfallet snarare än totalen när vi beräknar värdet av en insats? O.s.v.
Det är inte svårt att lista möjliga felkällor när man ska analysera marknadsföringsinsatser och de effekter som skapas. Därför bör vi fundera både ett och två varv till på vad siffrorna säger, vilka felkällor som finns, vilka slutsatser vi kan göra, vilka alternativa tolkningar som är möjliga, och vad som skulle hänt utan våra marknadsföringsinsatser – för att bara lista några exempel på scenarier som behöver beaktas i analysen.
På samma sätt som smittforskare har hypoteser om hur ett virus beter sig, och sedan använder data för att bekräfta eller ändra sin beräkningsmodell, behöver vi marknadsförare ha egna (mer eller mindre avancerade) modeller för vad vi förväntar oss att insatserna ska åstadkomma. Bäst chans att lyckas har vi om dessa bygger på erfarenhet och empiri. Men lika viktigt är också insikten att det enda vi med säkerhet vet är att våra modeller och teorier kommer att behöva justeras under resan lopp, eftersom verkligheten hela tiden förändras.
Så nästa gång någon kommer och säger de magiska orden “big data” eller “datadriven marknadsföring” som lösningen på dina problem, fråga “är det där något du vet, eller bara något du tror?” Big data och insiktsarbete hjälper oss på traven på många sätt, men de bör ses som en sorts redskap bland många olika hjälpmedel. Det är inte fel att gissa – så länge som man är medveten om att det är en gissning, om än en kvalificerad sådan, och inte en absolut sanning.
