Dit kan jij leren van de campagnestrijd tussen Trump en Clinton

Leerpunt 1: Het draait allemaal om de kwaliteit van jouw data

Het was waarschijnlijk één van de grootste en meest publieke verkiezingen in Amerika. De campagnestrijd tussen Donald Trump en Hillary Clinton. Ook waren er twee hele duidelijke partijen die streden om de winst. Uiteindelijk werd toch voor velen met verbazing Donald Trump als winnaar benoemd en is hij nu de president van Amerika. Maar hoe kan dit? Hillary Clinton leek toch echt de grote favoriet te zijn. Er was van tevoren zoveel data verzameld die achteraf toch niet bleek te kloppen. Laten we kijken wat zij verkeerd deden en wat jouw organisatie daarvan kan leren.

Je denkt misschien wat heeft mijn organisatie gemeen met de verkiezingen in Amerika? Maar je moet het zo zien: Hillary Clinton en Donald Trump zijn in dit geval ook organisaties met een doel, budget en personeel. En om het doel te bereiken wordt er campagne gevoerd. Ook jouw organisatie heeft een doel. Om dit doel te bereiken is er een budget opgesteld en wordt er met een team aan mensen een campagne uitgevoerd om het doel te bereiken. De campagnes van Clinton en Trump werden op twee hele verschillende manieren uitgevoerd.

Hillary Clinton

  • Liet elke nacht computers 400.000 simulaties van de verkiezing doen om de uitkomst te voorspellen;
  • Volgens de laatst bekende cijfers had Clinton een campagnebudget van ruim 1 miljard dollar (940 miljoen euro);
  • Had ze een team van 60 data scientists en analisten.

Donald Trump

  • Trump gebruikte ongeveer de helft van het budget van Clinton: namelijk 512 miljoen dollar;
  • Binnen Trumps campagne werkten slechts enkele tientallen mensen aan data-analyse om de uitkomst te voorspellen;
  • Hij werkte vooral aan de laatste fase van de funnel (decision fase) en er werden zo’n 20 miljoen telefoongesprekken gevoerd in deze fase.
Leerpunt 2: Computertechnieken zoals voorspelmodellen in combinatie met menselijke acties zoals telefoongesprekken voeren vergroot het succes

Nu is dus duidelijk te zien dat de campagnes erg verschillend waren. Team Clinton liet na de verkiezingen weten: “Het grote probleem is dat je afhankelijk bent van informatie die kiezers zelf geven. En kiezers liegen vaak. Ze zeggen dat ze gaan stemmen als ze dat niet gaan doen en geven politiek correcte antwoorden.”

Dit betekent dus dat de data die is verzameld door team Clinton niet juist was, terwijl daar heel veel tijd en geld in gestoken is. Zo ligt het er ook maar net aan hoe jij jouw data verzameld. Volgens em. Prof. Dr. Felix Janszen, Co-founder van E-Tail Genius, zijn er drie componenten die van belang zijn:

  1. Data
  2. Organisatie
  3. Analyse/ Artificial Intelligence en Business Intelligence

Als er naar het eerste component gekeken wordt, moet jij jezelf dus afvragen: wat is goede data? Goede data dient aan de volgende eisen te voldoen.

  • Kwantiteit; Vraag jezelf hier af: “hoeveel data en welke data ’punten’ hebben we nodig? Voor de vraag: “wat is het juiste assortiment in mijn winkel, die op deze locatie ligt?” In dit geval is er heel veel transactiedata nodig. Conclusie: Per businessvraag is het antwoord anders.
  • Variatie; Hoeveel verschil in data is er? Verschil in data is erg handig (noodzakelijk) om juiste analyses te maken. Bijvoorbeeld voor het bepalen van de juiste prijs is het makkelijk dat er al geëxperimenteerd is met diverse prijzen met dito succes.
  • Consistentie; Indien data wordt gecreëerd door mensen, zien we vaak dat er data ingevoerd wordt via ‘invoer in keuzemenu’s, die door diverse mensen wel of niet goed worden ingevuld. Veelal kiest men de default waarde, of de eerste waarde, of is er niet goed uitgelegd welke waarde ‘voor welk nut/argument’ staat. Hierdoor is de data niet consistent.
  • Compleetheid; Is de data die nodig is voor het model/analyse beschikbaar? Denk hierbij aan zulk soort factoren als het weer of prijzen van concurrenten. Indien je als retailer het aantal winkelbezoeken van je locatie in Rotterdam wilt voorspellen, is dit doorgaans afhankelijk van het weer. Om dit goed te kunnen voorspellen heb je wel lokale weerdata nodig en niet op nationaal niveau.

Wanneer de data verzameld is, moet deze geanalyseerd worden. Hiervoor kunnen kwaliteitscriteria voor worden gebruikt. De kwaliteitscriteria bepalen hoe jij de analyse op gaat zetten. De kwaliteitscriteria zijn bijvoorbeeld:

  1. Scope
  2. Betrouwbaarheid
  3. Complexiteit
  4. Transparantie (black-box versus white-box. Dit betekent dan je de logica van de uitkomst begrijpt? Als je het advies niet ‘vind’ kloppen dan is het handig om de logica van de data (advies) te snappen. Dit werkt natuurlijk ook andersom: Als het advies logisch is, waarom is dat dan zo? Felix Janszen adviseert om meerdere AI-oplossingen naast elkaar te gebruiken zodat de data vanuit verschillende manieren bekeken kan worden.

Wat we hiervan kunnen leren is dat datakwaliteit verbeteren niet enkel draait om de data, maar over de gehele inrichting van het proces rondom data en hoe de organisatie met data omgaat in haar managementbeslissingen. Vervolgens moet de data voldoen aan eisen die jij stelt aan wat jij goede data vindt. En als laatste moet deze data geanalyseerd worden en moeten er aan de hand van deze data menselijke acties ondernomen worden. Waarschijnlijk is het bij het laatste punt bij Clinton verkeerd gegaan. Als zij op de juiste manier gebruik had gemaakt van Artificial Intelligence met de juiste data had ze kunnen voorspellen hoeveel procent er van de kiezers niet ging stemmen en ook zou er uit de data geanalyseerd kunnen worden welke antwoorden onvolledig waren. Daarnaast had ze net als Trump in kunnen spelen op de data met menselijke acties. Het succes van Trump was dan ook dat hij zijn data correct in heeft gezet om vervolgens acties te ondernemen in de gebieden waar dat volgens zijn data nodig was. En ook jij als organisatie kan hiervan leren. Tegenwoordig zijn er heel veel tools en uitvindingen zoals Artificial Intelligence die ervoor kunnen zorgen dat jouw data optimaal geanalyseerd wordt. En dat jij hier dus op in kan spelen. Zo kan je met Artificial Intelligence voorspellen welke producten het meest verkocht gaan worden, wat jij op voorraad moet hebben of wat het product is dat het meest retour gestuurd wordt.

Wil jij meer weten over Artificial Intelligence? Lees hier alles over de modellen die jouw organisatie kunnen helpen.

BROCHURE – DYNAMIC PRICING