In dit artikel leggen de leden van de DDMA Commissie Digital Marketing Transformation uit wat full funnel marketing inhoudt en lichten zij een KPI-framework dat je praktisch kunt toepassen uit. Ook vind je in dit artikel do’s en dont’s én een succesvol praktijkvoorbeeld. Het artikel is ook verschenen op Emerce.
Van one-size-fits-all naar relevantie
De afgelopen jaren heeft er een shift plaatsgevonden van ‘one-size-fits-all’-achtige push-marketing naar een meer gesegmenteerde en gerichte aanpak. Consumenten zitten niet meer te wachten om advertenties te zien van een product of dienst van een bedrijf waar ze geen gebruik van zullen maken of niet mee geassocieerd willen worden. Sterker nog, het zorgt voor een negatieve merkassociatie met bedrijven die dit wel nog op deze agressieve manier aanpakken.
Capabele marketeers begrijpen dat het belangrijk is om product in de markt te zetten op een specifieke en relevante manier en duidelijk te maken waarom dit zo goed past in het leven van hun doelgroep. Het begrijpen van de mogelijke ‘customer journeys’ die een potentiële klant af kan leggen van bewustzijn naar aankoop is hiervoor een vereiste. Deze verschilt per persoon en per product of dienst. Zo ziet het aankoopproces van een keuken er heel anders uit dan het aankoopproces van een t-shirt.
Full funnel marketing
Nadat een potentiële klant het idee krijgt dat hij mogelijk je product zou willen aanschaffen, heeft hij vaak tijd nodig om zich te oriënteren. Als je jouw marketingstrategie benadert vanuit klantperspectief, dan realiseer je je dat een klant vaak niet direct een actie onderneemt zonder dit oriëntatieproces. Je marketingstrategie moet hier goed op aansluiten. Hoe zorg je ervoor dat een potentiële klant van jouw bedrijf afweet, zich oriënteert en uiteindelijk de aankoop bij jou doet?
Het antwoord is full funnel marketing. Een strategie waarbij je in elke fase van de journey relevant bent als bedrijf en hier ook de juiste kanalen en middelen inzet om je doelgroep te bereiken. Een wereld waarbij de communicatieafdeling een branding-campagne bedenkt en de online marketeers onafhankelijk een performance-campagne optuigen is dus verleden tijd. Het één gaat niet zonder het ander.
Om per fase van de customer journey te bepalen welke middelen en welke communicatieboodschap je gebruikt, zijn er een aantal gangbare modellen die je kunt gebruiken. Van de meer traditionele modellen zoals Touch, Tell, Sell tot moderne modellen als See, Think, Do, Care.
Dergelijke modellen dwingen marketeers om na te denken vanuit de klant. De vraag die centraal dient te staan is ‘Aan welke boodschap heeft mijn (potentiële) klant behoefte in deze specifieke fase van de customer journey en hoe zorg ik ervoor dat mijn boodschap in alle fases op elkaar aansluit?’ Dit laatste onderdeel is vaak onderschat, maar een logische opvolging in communicatieberichten is cruciaal voor het succes van een full funnel marketing-strategie.
KPI-framework voor full funnel marketing
Maar hoe weet je of je boodschap de juiste is en hoe optimaliseer je hierop? Wanneer je puur optimaliseert op performance dan zijn je KPI’s vaak duidelijk. Wanneer je optimaliseert op basis van de customer journey dan zijn er meer KPI’s waar je rekening mee moet houden. Essentieel hiervoor is een KPI-framework. Met een KPI-framework ben je in staat om per fase van de customer journey te bepalen voor welke metrics je optimaliseert en of je marketing inzet succesvol is geweest. Hieronder vind je een voorbeeld van een KPI-framework.
In het KPI-framework staat de belangrijkste KPI geformuleerd – in dit voorbeeld zijn dat leads – maar ook KPI’s die hier direct en indirect aan bijdragen. Elke fase in het model heeft zijn eigen KPI’s waarop gestuurd wordt. Marketing inzet in de See-fase wordt in dit geval bijvoorbeeld niet direct afgerekend op leads, maar wel op hoe er indirect aan wordt bijgedragen. De Care-fase is in dit voorbeeld niet meegenomen.
Do’s en don’ts voor full funnel marketing
Leuk, die theorie, maar hoe realiseer je nou daadwerkelijk een succesvolle full funnel marketingstrategie? Een aantal praktische tips:
Do’s
- Stel per fase (per KPI) een meetbaar target op. Begin vanuit je hoofddoelstelling en reken vervolgens terug wat dit betekent voor de doelstellingen van de fases hoger in de funnel. Zo kun je bijvoorbeeld je salesdoelstelling terugrekenen naar traffic en views.
- Speel in op de behoefte van de (potentiële) klant, afhankelijk van de fase waarin hij of zij zit en stem de content en boodschap hierop af.
- Zorg dat de boodschappen en uitingen voor de verschillende fases goed op elkaar aansluiten
- Hou bij het bepalen van de maximale CPA (Cost Per Acquistion, in de Do-fase) rekening met de initiatieven binnen de campagne die niet direct op sales worden afgerekend (maar wel kosten met zich meebrengen)
Don’ts
- Zorg dat plannen voor full funnel-campagnes niet per fase door verschillende teams worden uitgewerkt
- Focus je bij grootschalige performance-campagnes niet alleen op kanalen die direct converteren. Zonder de juiste aandacht voor upper- en midfunnel-initiatieven zul je waarschijnlijk je hoofddoelstelling niet halen.
- Denk niet dat al je (potentiële) klanten lineair door alle fases van de customer journey lopen, zoals jij het van tevoren bedacht hebt. Hou hier rekening mee in de boodschap in mid- en lowerfunnel-uitingen.
Full funnel marketing in de praktijk
Case: NS – Treinpakkers
De Treinpakkers-campagne van NS bestaat uit voordelige uitjes in combinatie met een treinticket, zoals musea, stedentrips, beurzen, dierentuinen en pretparken. Binnen deze grootschalige campagne worden verschillende marketingdoelstellingen nagestreefd, zoals het vergroten van de bekendheid van deze producten, het creëren van overweging voor het gebruik ervan en (uiteindelijk) de aankoop van de producten. Daarbij werden voorheen al wel verschillende uitingen en kanalen ingezet voor de verschillende marketingdoelstellingen, maar deze initiatieven sloten vaak niet goed op elkaar aan.
In de nieuwe full funnel marketing-aanpak is ervoor gezorgd dat dit veel meer op elkaar is afgestemd. Zo zijn er bijvoorbeeld in de See-fase dynamische video’s ingezet met algemene informatie over Treinpakkers. Consumenten die deze video hebben uitgekeken, kregen vervolgens enkele dagen later video’s en banners te zien met informatie over specifieke Treinpakkers-deals (Think-fase). Degenen die deze video’s uitkeken of klikten op de banners werden vervolgens geretarget met meer salesgerichte banners over een specifiek product (Do-fase).
Dit heeft onder meer geresulteerd in een significante stijging van Treinpakkers-aankopen en daling van de CPA van de ads die ingezet werden, vergeleken met eerdere campagnes die op een meer traditionele manier werden ingezet.
Hoe nu verder
Met het bovengenoemde framework, de do’s & dont’s en de voorbeeldcase kun je aan de slag met full funnel marketing. Ons advies: gewoon beginnen. Start klein en ga vervolgens aan de hand van inzichten langzaam campagnes uitbouwen, budgetten anders verdelen en je interne stakeholders meenemen. Dit zorgt voor een hogere ROI uit je marketinguitgaven, intern voor een goede teamspirit en natuurlijk meer relevantie richting jouw doelgroep. Want dat is wat je uiteindelijk wil bereiken: de klant altijd in de juiste context én op het juiste moment raken.
Op donderdag 5 maart organiseert de commissie Digital Marketing Transformation een Afternoon Update over de impact van marketplaces. Er zijn nog maar een paar plekken beschikbaar!
Van losse A/B-tests naar echte klantproblemen: zo experimenteert Odido over de hele journey
Twee verschillende routes, één experimentation mindset
De routes waarmee Roos en Rens in het experimentation-vak terechtkwamen, konden bijna niet meer van elkaar verschillen.
Roos begon haar carrière in 2017 bij Online Dialogue, direct na haar studie cognitieve psychologie. Dat haar psychologische achtergrond zo relevant zou worden voor haar dagelijkse werk, had ze toen niet verwacht. Maar de online omgeving bleek bij uitstek geschikt voor iemand met een onderzoekende blik: menselijk gedrag, data, hypotheses en voortdurend nieuwe vragen komen er samen.
Inmiddels werkt ze vier jaar bij Odido en zag ze het CRO-programma in die periode behoorlijk veranderen. Waar experimentation aanvankelijk grotendeels extern werd gedreven, is het inmiddels veel breder verankerd binnen het e-commerceteam.
Rens had die experimenteerdrang eigenlijk al voordat hij wist dat er een vakgebied voor bestond. Hij stelt van nature graag de vraag of iets niet beter kan. Van verschillende versies van recepten uitproberen tot productomschrijvingen op Marktplaats aanpassen om te ontdekken welke beter verkochten: testen wat werkt en vervolgens verbeteren zat er vroeg in.
Bij Odido komen die twee perspectieven samen. Rens is als eCommerce Manager verantwoordelijk voor de online shop en nauw betrokken bij de richting van de experimentation roadmap. Roos zorgt er als Senior CRO Specialist voor dat inzichten en ideeën worden vertaald naar goed opgebouwde experimenten. Samen met UX, development, analytics en commerciële stakeholders bepalen ze welke klantproblemen en commerciële kansen prioriteit verdienen.
Experimentation helps turn ‘I think’ into ‘I know’.
Een klant ervaart geen losse webpagina’s
Juist die samenwerking leidde tot de Bowers NPS Boost-case, waarmee Odido in 2025 de Conversion Award won.
De jury prees de case vanwege de combinatie van lef, precisie en klantgerichtheid. Opvallend was bovendien dat de case niet draaide om een spectaculaire significante uplift. De schaal en complexiteit van het experiment, de samenwerking tussen teams en vooral de lessen en organisatorische impact maakten de case onderscheidend. Voor Rens zit daar ook een van de belangrijkste lessen in.
Veel A/B-tests worden bewust klein gehouden. Eén aanpassing op één pagina maakt het immers eenvoudiger om te bepalen waardoor een bepaald effect wordt veroorzaakt. Maar daar zit volgens hem ook een beperking.
In A/B testing, we often limit ourselves to one change on one page in the journey. But visitors do not experience that limitation. They move across the entire website.
In de Bowers-test bracht Odido daarom lessen uit meerdere eerdere experimenten samen in één groter experiment om een daadwerkelijk klantprobleem op te lossen. Het uitgangspunt verschoof daarmee van welke wijziging kunnen we testen? naar welk probleem proberen we voor de klant op te lossen?
Die aanpak is inmiddels geen eenmalige uitzondering meer. Odido gebruikt deze manier van denken structureel bij grotere klantproblemen.
Conversie en klantwaarde
Dat raakt aan een principe dat Roos belangrijk vindt: een goed experiment hoeft niet alleen commerciële waarde te creëren.
De interessantste experimenten zijn volgens haar juist de experimenten waarbij bedrijfsdoelstellingen en klantbehoeften samenkomen. Conversie en omzet blijven belangrijk, maar duidelijkheid, vertrouwen en de kwaliteit van de klantbeleving verdienen eveneens een plaats in de afweging.
De Bowers-case maakte dat heel concreet. Tijdens het experiment zag het team al signalen dat de verandering een positieve invloed kon hebben op NPS, maar binnen de test was dat effect lastig overtuigend te meten. Na implementatie van de winnende variant werd het beeld duidelijker: de NPS steeg.
Dat heeft ook invloed gehad op de manier waarop Odido experimenten beoordeelt. NPS is inmiddels een vast onderdeel van de besluitvorming naast commerciële impact.
Every test is weighed against that balance, because we know the two can strengthen each other when we put customer problems at the center.
Een experiment dat na de test doorging
Daarmee stopte de impact van Bowers niet bij het implementeren van de winnende variant. Tweemaal per jaar gebruikt het team het experimentation-programma nu bewust om zich op een groter klantprobleem te richten, in plaats van uitsluitend afzonderlijke onderdelen van de funnel te optimaliseren.
De case veranderde daarmee niet alleen een journey, maar droeg ook bij aan een andere manier van werken: begin bij een daadwerkelijk klantprobleem, gebruik experimentation om te leren en zoek naar een uitkomst die waarde creëert voor zowel klant als organisatie.
Ook buiten het team kreeg de case een vervolg. De Experimentation Heroes Award gaf het programma intern extra zichtbaarheid. Dat externe vakexperts de aanpak waardeerden, hielp om ook binnen Odido nieuwe gesprekken over experimentation te voeren en stakeholders te laten zien dat experimenteren een praktische manier is om ideeën, proposities en aannames te toetsen.
En de zichtbaarheid bleef niet beperkt tot Odido. Nadat Rens de case tijdens Experimentation Heroes had gepresenteerd, kreeg hij de mogelijkheid om het verhaal ook tijdens Emerce E-commerce Live te delen.
It was a nice reminder that a strong experiment can create impact far beyond the dashboard where it first shows up.
Begin bij twijfel
Wat adviseren Roos en Rens organisaties die zelf een sterkere experimentation culture willen bouwen? Niet beginnen met proberen iedereen ervan te overtuigen dat alles getest moet worden. Zoek juist naar momenten waarop mensen zelf twijfelen.
Waar liggen twee mogelijke richtingen? Welke aanname ligt onder een beslissing? En waarom weet iemand eigenlijk niet zeker welke keuze de beste is?
Dat zijn volgens hen natuurlijke aanknopingspunten voor experimentation. Door de juiste vragen te stellen, kan een discussie op basis van meningen veranderen in een hypothese die daadwerkelijk te onderzoeken is.
Die gedachte sluit ook aan bij hun ervaring met het indienen voor Experimentation Heroes. Voor Odido was het delen van de case relatief eenvoudig, zolang duidelijk was welke bedrijfsgevoelige cijfers en informatie intern moesten blijven. Het verhaal hoefde bovendien niet volledig op spectaculaire cijfers te leunen. De kracht zat juist in het probleem, de keuzes onderweg, de samenwerking en wat het team ervan had geleerd.
Experimentation en personalisatie groeien naar elkaar toe
Vooruitkijkend verwachten Roos en Rens dat experimentation de komende jaren steeds sterker verweven raakt met personalisatie en real-time optimalisatie.
In plaats van uitsluitend afzonderlijke A/B-tests uit te voeren, zullen organisaties volgens hen vaker werken vanuit grotere thema’s, waarbij op basis van data continu relevante content wordt aangeboden. AI kan daarbij helpen om klanten op het juiste moment relevantere ervaringen te bieden, terwijl experimentation nodig blijft om te onderzoeken of die ervaringen daadwerkelijk beter werken.
Daarmee verandert ook de centrale vraag. Niet langer alleen: moeten we dit A/B-testen of personaliseren? Maar vooral: hoe kunnen experimentation en personalisatie elkaar versterken om een betere klantbeleving te creëren?
En misschien ligt daarin ook de belangrijkste les van de winnende Odido-case. Een experiment hoeft niet altijd klein en perfect afgebakend te zijn om waardevol te zijn. Soms vraagt een echt klantprobleem juist om een bredere blik op meerdere touchpoints en om de bereidheid om ook KPI’s mee te nemen die zich niet eenvoudig in één A/B-test laten vangen.
Word jij een Experimentation Hero in 2026?
Op 5 november 2026 komen experimentation professionals opnieuw samen tijdens DDMA Experimentation Heroes in Hotel CASA Amsterdam. Daar delen de genomineerden hun cases, staan de nieuwste ontwikkelingen binnen het vak centraal en worden de nieuwe winnaars bekendgemaakt.
Heb jij net als Odido een experiment of experimentation-programma waar een goed verhaal achter zit? Dan is er nog één allerlaatste mogelijkheid om mee te dingen naar een award. Dien uiterlijk 18 september je volledige case in binnen een van de drie categorieën: Conversion, Experimentation Culture of Beyond Web.
Wie weet staat jouw team op 5 november op het podium als een van de Experimentation Heroes van 2026.
Content DDMA
Ook interessant
Van losse A/B-tests naar echte klantproblemen: zo experimenteert Odido over de hele journey
The bottleneck in customer feedback just moved
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
Max Meijer
The bottleneck in customer feedback just moved
That analysis constraint is quietly dissolving, in large part thanks to AI. Feedback can now be read, clustered and interpreted at roughly the speed it comes in. Yet the industry’s real, still unresolved problem hasn’t gone anywhere: turning insights into action and that action into actual business results, remains as hard as ever.
What AI’s speed is starting to expose, though, is a quieter issue sitting upstream of that one. Much of the feedback flowing into these fast analysis tools was never designed to be specific enough to act on. Vague answers. One-shot questions. No context on what the respondent was actually doing when they answered. Faster analysis of a vague signal just gets you to a vague conclusion, faster. Which raises the real question: if AI is going to help us finally close the gap between insight and action, doesn’t the way we collect feedback have to catch up first?
A changing feedback loop
For most of the history of customer feedback, the loop looked like this: question, answer, analysis, report, action. Each stage waited for the one before it. A survey went out, answers trickled in, someone analysed them once enough had accumulated; a report went round and eventually, if the finding survived that long, something changed. The loop could take weeks. Sometimes even quarters.
The AI-enabled version compresses that same loop into something closer to real time: question, answer, real-time interpretation, segmentation, hypothesis, experiment. Segments form themselves instead of being defined in advance. And instead of ending in a written summary, the loop now often ends in a testable hypothesis, ready to run as an experiment rather than wait for a steering committee.
Take a large Dutch drugstore chain that added AI-generated product suggestions to its on-site search. When a shopper searches for something the store doesn’t stock, the model now suggests a related category or product instead of returning nothing. Building that model was the easy part. Judging whether its suggestions were actually any good turned out to be harder, so the team started asking shoppers directly, in the moment, what they thought of each one.
The finding surprised them: a run of poor ratings on a given search term usually meant the model had correctly recognised there was no good match to offer, rather than forcing a bad one. Weak suggestions, in other words, were often a sign the system was working as intended, not failing.
What if they had been able to take it one step further? The team already had a real-time signal from the shopper. A single follow-up question at that exact moment could have turned a flat rating into something specific and actionable right away: a missing category, a mismatched term, a gap worth closing. That’s the shift hiding inside the loop above. The question itself can now adapt to what just happened, not just the analysis that follows it.
The design gap
Most feedback collection was designed for a world where analysis was scarce and expensive: short forms, closed questions, one-shot surveys. Every one of those choices was a reasonable trade-off against a real constraint. That constraint has largely gone. The design choices, in most organisations, haven’t caught up.
Capture and interpretation used to be two separate jobs, often owned by different tools and different teams. That split made sense when interpretation was the expensive step. It makes far less sense once interpretation is nearly instant. The next real gain won’t come from asking smarter questions or analysing feedback smarter in isolation – it’ll come from treating the two as one continuous loop. Most organisations, including the tool vendors serving them, aren’t fully there yet.
What asking smarter actually looks like
If closing that gap starts with how we collect feedback, a few patterns are already emerging across the industry.
- Dynamic follow-up questions. The next question depends on the answer just given, not a fixed script – and on the context already sitting in your data: what the visitor did before answering, device details, profile data, previous purchases. A rating of two out of ten triggers a different follow-up than a rating of nine, informed by signals no static survey ever had access to.
- Automatic probing of vague answers. “It didn’t work” is common and nearly useless on its own. An automated system asks what didn’t work, right there in the moment, while the respondent still remembers and still cares enough to answer.
- Context-aware interpretation. A complaint means something different depending on whether it followed a failed checkout, a slow page load, or a completed purchase. Read against the task it interrupted, feedback becomes far more actionable.
- Pattern recognition at scale. Individually, complaints look like noise. Across thousands of responses, a shared but oddly specific phrase can point to one bug, one confusing screen, one broken step that a dozen people described a dozen different ways.
- Feedback fused with behaviour. What someone says and what someone does often diverge, and that gap is frequently more revealing than either signal alone. A glowing review from someone who abandoned their cart twice tells a fuller story than the review by itself.
- Automatic hypothesis generation. Instead of a report that says “some users find X confusing,” the system proposes what to test next: a specific change, a specific segment, a specific expected effect. The distance between insight and experiment shrinks.
Go back to the drugstore case for a second. A well-timed follow-up wouldn’t just have produced a tidier insight for a future report – it would have told the team exactly which category to stock, or which search term to fix, in time to matter for the next shopper typing in the same thing. That’s the real value sitting behind all six patterns above: not more data, but insight specific enough to act on immediately, closing the very gap between insight and action that’s been the industry’s real problem all along.
Where smart becomes surveillance
There’s a line running through all the examples above: every one of them involves asking for, or inferring, more than the respondent explicitly offered. That’s exactly what makes them powerful. It’s also exactly what makes them risky.
A follow-up question that clarifies feels like being heard. A follow-up question that keeps digging, past the point where the respondent has said what they came to say, feels like being interrogated. Behavioural data paired with a review can surface a genuinely useful gap between word and action. The same pairing, done without any signal to the person that it’s happening, can feel like being watched rather than listened to.
The difference is in the intent behind it, and how visible that intent is to the person on the other end. A good follow-up exists to help someone say what they mean, faster and more precisely than a static form ever could. A bad one exists purely to extract one more data point, regardless of whether the respondent has anything left to say. Both are technically the same feature. Only one respects the person answering.
Here’s a test I’d apply to any team building these loops: would you be comfortable telling the respondent, in plain language, exactly why the system just asked that follow-up? If the honest answer is “because we wanted more data on you,” that’s a sign to stop. If it’s “because your last answer wasn’t clear enough for us to actually help,” that’s usually fine. The technology doesn’t draw that line. The people building on top of it do.
Ask because it helps the respondent be understood. Be transparent that a system, not a person, is asking the follow-up. Know when to stop.
That’s the real opportunity here and it’s a bigger one than faster reports or better dashboards ever were: a feedback loop that finally moves at the speed of the people it’s meant to understand, without losing sight of the fact that there’s a person on the other end of every question.
If you’re curious what that looks like in practice, we’ve written a bit more about it at mopinion.com/feature/ai-follow-up-questions
Mopinion – part of Netigate, is sponsor of Experimentation Heroes 2026. Get your tickets for Experimentation Heroes taking place on 5 November at Hotel Casa in Amsterdam.
Emelie Lundros
Product Marketing Manager | Netigate
Ook interessant
Van losse A/B-tests naar echte klantproblemen: zo experimenteert Odido over de hele journey
The bottleneck in customer feedback just moved
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
Nick Schaperkotter (NRC) – Commissie Experimentation & Optimisation
Nick Schaperkotter werkt sinds juli als Product Owner Conversie bij NRC, waar hij zich richt op het begrijpen van potentiële abonnees en het optimaliseren van onder meer paywalls en de Aboshop. Zijn loopbaan in CRO begon in 2017 bij iProspect, waarna hij bij Yellowgrape de CRO-dienstverlening hielp opbouwen en uitgroeide tot Head of UX & Experimentation. In bijna tien jaar werkte hij voor tientallen organisaties en voerde hij met zijn teams honderden analyses en A/B-tests uit. Binnen de commissie brengt hij die brede praktijkervaring met experimentatie en optimalisatie in.
Nick: “In bijna tien jaar CRO heb ik organisaties in uiteenlopende branches geholpen met hun optimalisatietrajecten. Die brede praktijkervaring, gecombineerd met mijn nieuwsgierigheid en passie voor experimentatie, wil ik inzetten om samen met de commissie het vak verder te ontwikkelen en naar een hoger niveau te tillen.”
Chiara Meijer (PostNL) – Commissie Social Media
Chiara Meijer is Social Media Lead bij PostNL en verantwoordelijk voor de socialmediastrategie en het communitymanagement. Ze begon haar carrière als Digital Marketing Consultant aan bureauzijde en deed ervaring op met zowel advertising als organische social media. Daardoor kent ze het vak vanuit zowel bureau- als klantperspectief en vanuit paid en organic. “Binnen de commissie wil ze vooral bijdragen aan een sterkere rol voor social data bij het signaleren van klantbehoeften, sentiment en maatschappelijke trends.”
Chiara: “Social media is niet alleen een distributiekanaal, maar ook een van de rijkste bronnen van realtime klantinzichten. Door inzichten uit social data te combineren met creativiteit kunnen organisaties content ontwikkelen die beter aansluit bij de behoeften, interesses en vragen van hun doelgroep. Die ervaring deel ik graag binnen de commissie.”
Sylvie Wienk (HI Connect) – Commissie Fieldmarketing
Sylvie Wienk heeft ruime ervaring binnen deur-aan-deurverkooporganisaties en specialiseerde zich gedurende haar loopbaan in support, kwaliteit en compliance. Vanuit HI Connect is zij na de fusie tussen Improvers en Hof Promotion verantwoordelijk voor zowel Fieldmarketing als Telemarketing. Hierdoor kijkt ze in haar dagelijkse werk vanuit verschillende perspectieven naar het vak: van medewerkers in loondienst en zzp’ers tot opdrachtgevers en consumenten. Binnen de commissie wil zij haar kennis inzetten om kwaliteitseisen, standaarden en wetgeving ook in de praktijk goed werkbaar te maken.
Sylvie: “Ik ervaar fieldmarketing dagelijks vanuit verschillende invalshoeken: die van de medewerker, zzp’er, opdrachtgever én klant. Met mijn ervaring in kwaliteit en compliance wil ik eraan bijdragen dat standaarden en wetgeving praktisch toepasbaar zijn en leiden tot kwalitatieve dienstverlening voor alle betrokken partijen.”
Tjaard Prins (Centraal Beheer) – Commissie Data, Decisions & Engagement
Tjaard Prins combineert al ruim negentien jaar marketing met data en marketingmeasurement. Na zijn master Marketing Intelligence startte hij bij Centraal Beheer, waar hij zich ontwikkelde tot specialist in marketingmeting en -analyse. Met technieken als Marketing Mix Modeling en attributie helpt hij marketinginvesteringen beter te onderbouwen en optimaliseren. Daarnaast deelt hij zijn kennis als consultant, spreker en podcastgast. Binnen de commissie wil hij bijdragen aan een betere verbinding tussen data, methodologie, marketingkennis en nieuwe ontwikkelingen zoals AI.
Tjaard: “Succesvolle datagedreven marketing draait niet om technologie alleen. Zonder begrip van klantgedrag, marketingmechanismen en de juiste meetmethoden blijven inzichten beperkt. Door praktijkervaring, methodologische kennis en ontwikkelingen zoals AI samen te brengen, wil ik helpen om marketing niet alleen datagedrevener, maar vooral slimmer en effectiever te maken.”
Content DDMA
Ook interessant
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
DDMA verwelkomt zes nieuwe leden
DDMA zoekt een ervaren Programma- en Projectmanager
Eight cases, three awards: Experimentation Heroes 2026 nominees announced
The nominated cases reflect the growing scope of experimentation within organisations. Alongside experiments aimed at improving conversion and customer journeys, this year’s entries show how experimentation is increasingly being used to strengthen organisational decision-making and explore opportunities beyond traditional website and app optimisation.
The nominees for Experimentation Heroes 2026
Conversion: Ohra, DPG Media, Centraal Beheer
Recognising experiments focused on improving performance within websites or apps, from optimising user journeys and reducing friction to generating measurable improvements in conversion, revenue or engagement.
Experimentation Culture: JBL, ANWB, Achmea
Recognising organisations that successfully embed experimentation into the way teams work, make decisions and learn, creating impact beyond individual experiments.
Beyond Web: DPG Media, Univé
Recognising experiments that demonstrate the value of experimentation beyond websites and apps, for example across campaigns, channels, customer journeys or offline environments.
In addition to the three main awards, the Next Gen Heroes Award will be presented to a non-nominated case that shows great promise for the future. All submissions are automatically considered for this award.
“What really stands out this year is how organisations are putting the customer more firmly at the centre and taking a multidisciplinary approach to customer and business challenges. Experimentation and CRO increasingly bring different stakeholders together to test assumptions, learn from data and work towards better solutions. AI regularly plays a supporting role in this, while we also see careful consideration of the ethical implications.”
Emma van Dalen (Nationale Postcode Loterij), Chair of the DDMA Committee Experimentation & Optimisation
From nomination to winner
The submissions and shortlist were assessed by the DDMA Committee Experimentation & Optimisation, consisting of Chair Emma van Dalen, together with Justin van Tol, Leonie Eckhardt, Michiel Jansen, Wing Yee Tang, Mariska Buijs, Nick Schaperkotter and Daniël Granja Baltazar.
On 5 November, the nominees will take the stage at Hotel CASA Amsterdam to present their cases. Their cases and presentations will be assessed by an independent jury, consisting of Jorden Lentze (Booking.com), Arnout van Scherpenzeel (Univé), Denise Visser (InShared), Melle Moorman ( Sunweb Group) and Cameron van Uytrecht (Insight ProdX).
Together, the jury will select the winners in the categories Conversion, Experimentation Culture and Beyond Web. The winners will be announced during Experimentation Heroes on 5 November. Tickets are available via experimentationheroes.com.
About DDMA Experimentation Heroes
DDMA Experimentation Heroes is the annual event that puts outstanding experimentation in marketing, data and optimisation in the spotlight. By bringing together award-nominated cases, expert insights and professionals from across the field, the event provides inspiration, recognition and practical learnings for organisations looking to strengthen their experimentation practice.
Experimentation Heroes is an initiative of DDMA, the industry association for data and marketing, and is organised in collaboration with the DDMA Committee Experimentation & Optimisation.
Content DDMA
Ook interessant
Van losse A/B-tests naar echte klantproblemen: zo experimenteert Odido over de hele journey
The bottleneck in customer feedback just moved
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
DDMA Digital Analytics Meetup | From Dashboard to Dialogue
Conversational analytics promises to make data more accessible by allowing users to interact with data in natural language. Tools such as Databricks Genie are bringing that promise closer to everyday practice. But how reliable are the answers? What does it take to provide the right context? And what happens to the role of the analyst when more people can seemingly explore data themselves?
During this DDMA Digital Analytics Meetup, organised together with Digital Power, we explore what conversational analytics can and cannot do today. Through experiments and practical cases, we look at the technology behind it, the importance of a strong semantic layer and, above all, what these developments mean for analytics professionals.
What’s on the agenda?
We’ll kick things off with two sessions exploring conversational analytics from both a technical and practical perspective.
15:30 – Walk-in & welcome
16:00 – Speaker sessions
1. Saskia Heyster – What Databricks Genie Gets Right and Where Analysts Matter
2. Speaker & customer case – TBA
17:00 – Networking drinks & bites
19:00 – End
From dashboards to conversations: but what does that require?
Making analytics conversational sounds simple: ask a question and receive an answer. In reality, there is an important layer between the question and the underlying data.
Definitions, metrics, business logic and context need to be clear before an AI-powered analytics tool can provide useful answers. That makes the semantic layer an increasingly important part of the conversation.
At the same time, it raises broader questions for analytics teams. If business users can increasingly query data themselves, where does the analyst add the most value? Does self-service analytics finally become a reality – or does conversational analytics create a new set of questions around interpretation, reliability and governance? Those are the questions we’ll explore together during this Meetup.
Who should join?
Are you a digital analyst, analytics engineer, data specialist or online marketer working with digital data? And are you curious about how AI and conversational interfaces are changing the way organisations interact with data?
This Meetup dives into both the technology and the consequences for everyday analytics practice. Expect concrete experiments, practical lessons and plenty of room for discussion with other professionals from the digital analytics community.
Networking & drinks
After the sessions, we’ll continue the conversation over drinks and bites. A chance to discuss the cases, exchange experiences and meet fellow professionals from the digital analytics community. Join us for an afternoon of experiments, discussions and new perspectives on the next phase of digital analytics.
Speakers
Max Meijer
From ad-hoc queries to direct insights: Transavia’s Databricks Genie POCA
How do you enable business users to get instant data insights without overwhelming your analytics team? Max Meijer shares Transavia’s experiences with Databricks Genie: a natural language interface on web and app data. Discover the first wins, unexpected findings and key takeaways from putting conversational analytics into the hands of 15 business users.
About Max Meijer
Max Meijer is Product Owner Marketing Automation at Transavia, where he works at the intersection of data, technology and customer experience. He is passionate about using AI, personalization and customer data to turn insights into more relevant and impactful customer interactions. At Transavia, Max has been closely involved in transforming marketing automation and building a data foundation that enables real-time personalization across digital channels.
Saskia Heyster
What Databricks Genie Gets Right and Where Analysts Matte
Can conversational analytics really do the work, we currently rely on analysts for? Saskia Heyster puts this on the test. In three experiments, she compares how analysts, Databricks Genie and Genie supported by a semantic layer tackle realistic web-tracking questions.
She looks beyond whether they simply arrive at an answer. How do different approaches compare accuracy, speed, nuance, and confidence? And how much difference does the context provided by a semantic layer actually make?
The experiments reveal both where conversational analytics already excel and where human analysts remain essential. Rather than treating AI as either a silver bullet or a threat to the profession, Saskia explores how it is changing the work analysts do – and what data democratization might actually mean in practice.
About Saskia
Saskia Heyster is a data analyst with experience across retail, e-commerce, hospitality, and FMCG. She specialises in turning complex data into clear, business-driven insights through analytics, machine learning, and strong collaboration. Known for her data storytelling, Saskia makes advanced analytical concepts accessible and actionable for diverse audiences.
Ook interessant
Nieuwe gezichten in de DDMA Commissies Experimentation & Optimisation, Social media, Fieldmarketing en Data, Decisions & Engagement
Podcast Shaping the Future: Straks hebben we vooral de marketingafdeling geautomatiseerd
