Data laat gedrag zien, geen motivatie
Stel dat uit een funnel voor een zakelijke lening blijkt dat relatief veel bezoekers afhaken bij stap drie. Misschien blijven ze daar opvallend lang hangen, klikken ze terug of krijgen ze een foutmelding. Dan weten we dat er iets gebeurt. Maar nog niet waarom.
Misschien begrijpen klanten de vraag niet. Misschien missen ze informatie. Misschien hebben ze bepaalde documenten niet bij de hand. Misschien vertrouwen ze de berekening niet. Of misschien vraagt de organisatie op dat moment simpelweg om meer commitment dan de klant wil geven. In analytics kan dat gedrag er vrijwel hetzelfde uitzien. De onderliggende oorzaak – en daarmee de mogelijke oplossing – kan volledig verschillen.
Dit is het tweede deel van onze driedelige serie over customer understanding. In het eerste artikel zagen we waarom feedback van klanten die een journey succesvol afronden maar een deel van het verhaal vertelt. Juist klanten die vastlopen of afhaken, kunnen veel vertellen over waar verbetering nodig is. In dit tweede deel zetten we de volgende stap: hoe combineer je die feedback met webanalytics om niet alleen te zien waar het misgaat, maar ook te begrijpen waarom? In het derde en laatste deel van deze serie kijken we hoe je directe klantfeedback structureel onderdeel maakt van het optimalisatieproces en omzet in concrete verbeteringen en groei.
De Why Gap
Het verschil tussen observeren en begrijpen kun je zien als de Why Gap.
Analytics zegt:
Hier gebeurt iets.
Directe klantfeedback zegt:
Dit is waarom het gebeurt.
Zonder die tweede laag vullen teams het gat zelf in. Met ervaring, intuïtie, interne discussies of best practices. Daar kunnen goede hypotheses uit ontstaan, maar het blijven hypotheses totdat je ze valideert.
Een pagina met veel uitval hoeft bijvoorbeeld niet te lang te zijn. Misschien ontbreekt er juist uitleg. Als veel bezoekers op de voorwaarden klikken, betekent dat niet automatisch dat die voorwaarden goed vindbaar zijn. Misschien klikken mensen juist omdat ze onzeker zijn en bevestiging zoeken. Gedrag zonder context is gemakkelijk verkeerd te interpreteren.
Waar en waarom horen bij elkaar
Webanalytics is sterk in het beantwoorden van waar-vragen. Waar starten klanten? Waar haken ze af? Waar ontstaan fouten? Waar daalt de conversie? Waar zitten de grootste volumes?
Klantfeedback helpt juist bij waarom-vragen. Waarom lukt iets niet? Waarom begrijpen klanten een stap niet? Waarom vertrouwen ze informatie niet? Waarom stellen ze een beslissing uit?
De fout ontstaat wanneer organisaties op basis van een waar direct een waarom invullen. Daarom zouden analytics en feedback geen afzonderlijke disciplines moeten zijn. Ze versterken elkaar.
Analytics helpt om te bepalen waar je moet kijken. Feedback helpt vervolgens te begrijpen wat daar aan de hand is. Experimentatie levert de derde stap: werkt onze oplossing daadwerkelijk?
Van meten naar een continue verbetercyclus
Daarmee ontstaat een relatief eenvoudige cyclus:
- Meet waar frictie zit.
- Vraag waarom klanten daar vastlopen.
- Ontwerp een mogelijke verbetering.
- Test of die verbetering werkt.
- Leer van het resultaat en herhaal.
Stel bijvoorbeeld dat veel bezoekers afhaken bij het invoeren van bedrijfsinformatie. De eerste hypothese kan zijn dat er te veel velden zijn.
Feedback kan echter iets anders laten zien:
“Ik weet niet welk bedrag ik moet invullen.”
“Ik weet niet of ik omzet inclusief of exclusief btw moet gebruiken.”
“Ik heb de benodigde documenten niet bij de hand.”
In dat geval ligt de oplossing mogelijk niet in minder velden, maar in betere uitleg, voorbeelden of duidelijkere verwachtingen vooraf.
Dezelfde drop-off leidt zo tot een totaal andere interventie.
De schijnzekerheid van dashboards
Dashboards zijn waardevol omdat ze prestaties concreet en zichtbaar maken. Maar juist die precisie kan ook schijnzekerheid veroorzaken.
Een conversiedaling is een signaal. Een hoge drop-off is een signaal. Een foutmelding is een signaal. Zelfs een lage tevredenheidsscore is uiteindelijk een signaal.
Een signaal is nog geen verklaring. Daarom is customer understanding een logische volgende volwassenheidsstap voor organisaties die al sterk zijn in analytics en experimentatie. Het gaat dan niet alleen om gedrag, maar ook om intentie. Niet alleen om clicks, maar om klanttaken. En niet alleen om conversie, maar om de vraag of klanten daadwerkelijk succesvol zijn in wat ze proberen te bereiken.
Dat vraagt ook om samenwerking. Data-analisten brengen patronen in kaart. UX- en CX-professionals voegen het klantperspectief toe. Product owners vertalen inzichten naar prioriteiten. Experimentation-teams toetsen oplossingen. En business-teams verbinden de uitkomsten aan commerciële impact. Zo wordt digitale optimalisatie een continu leersysteem.
Webanalytics vertelt je waar je moet kijken. Klanten kunnen je vertellen waarom. En experimentatie laat zien of je oplossing daadwerkelijk werkt.
Michiel Jansen
Ook interessant
Webanalytics vertelt waar het misgaat, maar zelden waarom
Waarom de meeste organisaties optimaliseren op de verkeerde feedback
