Samenvatting
Marketingdata kent 24 termen die marketing en data-engineering anders uitleggen, met campagneherstel als praktisch risico.
Marketingdata en de 24 termen
De Databricks Blog beschrijft 24 termen die marketing en data-engineering verschillend interpreteren. Voorbeelden zijn customer, audience, real time en model. Die verschillen ontstaan al bij eenvoudige verzoeken, zoals een lijst met inactive customers.
Een marketeer kan daarmee mensen bedoelen die 90 dagen niets kochten. Het datateam kan dezelfde term koppelen aan gebruikers die 30 dagen geen app openden. Ook real time krijgt een andere invulling: updates binnen 15 minuten tegenover signalen die binnen enkele seconden beschikbaar zijn.
Waarom marketingdata om gedeelde definities vraagt
De interpretatie bepaalt welke bron, verwerking en infrastructuur nodig zijn. Dat beïnvloedt wat een team bouwt, hoeveel het werk kost en wanneer marketing de uitkomst kan gebruiken. Voor BI-professionals ligt hier een herkenbaar dataprobleem: een segment is pas bruikbaar als de onderliggende identiteit, bron en actualiteit vaststaan.
De gids ordent de termen rond vijf vragen over campagne-uitvoering. De eerste gaat over de herkomst van campagnedata. Bij een veld als last purchase date moet vooraf duidelijk zijn of geannuleerde orders meetellen en welk systeem de datum levert.
Daarna volgen technische verschillen. Marketing ziet een field als een vak in een segmentbouwer; data-engineering koppelt het aan een kolomtype, nullability-regel en eigenaar. Ook sync en integration krijgen een preciezere betekenis, met onder meer retries, mislukte records, authenticatie, veldmapping en schema-afhandeling.
Concrete takeaway voor marketingdata
Leg vóór de bouw per campagne vast wat customer, audience, real time, data source en last purchase date betekenen. Noteer daarnaast de eigenaar, de bron en de vereiste verversingsfrequentie. Maak die definities herbruikbaar voor campagnes, analytics en AI-workflows, zodat een verschil in taal niet opnieuw uitmondt in herstelwerk.
Verdiep je kennis
Data lakehouse uitgelegd — Het beste van twee werelden
Wat is een data lakehouse en waarom combineert het het beste van data warehouses en data lakes? Vergelijking, architectu...
KennisbankData-driven werken — Hoe begin je als organisatie?
Leer hoe je als organisatie data-driven gaat werken. Van data-volwassenheid tot cultuurverandering: een praktisch stappe...
KennisbankETL uitgelegd — Extract, Transform, Load in gewone taal
Wat is ETL? Leer hoe Extract, Transform en Load werkt, het verschil met ELT, en welke tools je kunt gebruiken. Helder ui...