Naar inhoud

Data science en machine learning cruciaal voor klantbeleving

Het omarmen van de digitale transformatie kan bijzonder lonend zijn. Start-ups met de juiste ideeën, een optimale uitwerking en de focus op de klantbeleving zijn in staat gebleken binnen korte tijd succesvol te worden. Neem bijvoorbeeld Building Blocks. In 2013 heeft dit bedrijf de eerste stappen gezet op het gebied van data science en machine learning. Inmiddels telt de onderneming 40 medewerkers met vestigingen Tilburg en Amsterdam. Op 29 juni 2018 viert de organisatie met gepaste trots haar vijfjarig bestaan.

Building Blocks helpt bedrijven als Swarovski, Otto en Nationale-Nederlanden met data science en wordt genoemd in de ‘Gartner Market Guide for Data Science and Machine Learning’. Welke trends en ontwikkelingen spelen er op het gebied van data science, marketing, processen en klantcontact? En hoe zet je data science op de juiste manier in? Vragen die we hebben voorgelegd aan de oprichters Alexander van Eerden en Merwin de Jongh, die zich respectievelijk chief executive officer en chief technology officer van de onderneming mogen noemen.

Alexander van Eerden en Merwin de Jongh

Welke trends zijn er op het gebied van data science?

“Vijf jaar geleden zagen sommigen ons als mannetjes van Mars”, vertelt Van Eerden. “Nu zie je dat grote bedrijven de potentie van data science op juiste waarde schatten. In de eerste plaats om in combinatie met machine learning consumentengedrag te kunnen voorspellen en vergaand gepersonaliseerde aanbiedingen te kunnen doen. Data science is hot, maar het op een waardevolle manier inzetten en het vinden van de juiste mensen is voor veel bedrijven nog een uitdaging.”

“Toepassingen van data science hebben inmiddels hun weg gevonden in het echte leven. Aanvankelijk bleven de uitkomsten van data science beperkt tot pilots, plannen en concepten. Maar nu zie je bijvoorbeeld dat:

  • in e-commerce en bij verzekeraars gebruik wordt gemaakt van een intelligente chatbot die op basis van data-science-oplossingen steeds gerichter kan interacteren met consumenten;
  • aanbiedingen kunnen worden gedaan die perfect op de behoefte van de consument zijn afgestemd;
  • er voor verzekeraars toepassingen ontstaan waarmee ze het individuele risico en loyaliteit van consumenten accuraat kunnen inschatten en op basis hiervan een premie op maat kunnen aanbieden.

Bedrijven kunnen met data-science-voorspellingen doen over het gedrag en de behoeften van de individuele consument en hun aanbod en services hier zeer gericht op afstemmen, met als doel de customer lifetime value te optimaliseren.”

In combinatie met machine learning kun je met data science consumentengedrag voorspellen en vergaand gepersonaliseerde aanbiedingen doen.

“In de tweede plaats zie ik het groeiende belang dat organisaties hechten aan de integratie van data-science-oplossingen. De consument wordt steeds veeleisender, wil verrast en overtroffen worden in zijn verwachtingen. Dat houdt in dat er geen sprake kan zijn van datasilo’s in de organisatie en dat er een 360-graden-klantbeeld moet zijn, waarin de behoeften en wensen van de individuele klant voor de gehele organisatie duidelijk zijn. Hier ligt een kans om over een andere as dan prijs onderscheidend te zijn. Omnichannel moet daarbij het uitgangspunt zijn. De ervaring in de winkel moet net zo goed zijn als online en een gepersonaliseerd aanbod in een direct mailing moet gecombineerd kunnen worden met pricing-oplossingen, waarbij het aanbod zo scherp mogelijk afgestemd wordt op het aanbod van een concurrent. Zo zie je gedurende de complete customer journey steeds meer integraties ontstaan die een impuls geven aan de customer experience en customer lifetime value.”

“In de derde plaats stappen organisaties in toenemende mate af van het idee om data-science-oplossingen zelf uit te gaan vinden. Het besef dringt door dat het hier gaat om de ontwikkeling van zeer specifieke toepassingen die niet alleen gedetailleerde technologische kennis vereist, maar domeinkennis verlangt van de sector waarin een organisatie zich beweegt. Je ziet in dit opzicht twee stromingen. Enerzijds zoeken organisaties de samenwerking met specialisten die beide typen kennis in huis hebben. Anderzijds zien we de opkomst van organisaties die niet-analytische medewerkers voorzien van data-science-oplossingen die optimale ondersteuning bieden. Het zal niet lang meer duren voordat deze citizen data scientists meer geavanceerde analyses uitvoeren dan traditionele data scientists, die gewoonweg moeilijk te vinden zijn. Het is dan wel essentieel dat data-science-oplossingen optimale ondersteuning bieden.”

Hoe speelt Building Blocks in op deze trends?

Van Eerden: “Wij willen onze klanten helpen met het doorbreken van datasilo’s, het krijgen van een goed klantbeeld en het voorspellen van klantgedrag zodat daar beter op ingespeeld kan worden. Voor organisaties zorgt dit voor onderscheidend vermogen, snellere en betere klant-gerelateerde processen en blije en loyale klanten. Voor zowel verzekeraars als retailers hebben we daarom specifieke algoritmes ontwikkeld, die een voorspelling doen over een bepaald aspect van de customer journey. Met deze zogenoemde blocks hebben onze klanten geen modelinhoudelijke kennis nodig. Organisaties kunnen ervoor kiezen een maatwerk Software-as-a-Service-oplossing in een outsourcingmodel bij ons af te nemen. Zij kunnen daarmee direct een omgeving inrichten waarbij predicitive blocks zorgen voor een accurate voorspelling van de vraag of het gedrag van een specifieke consument. Daarnaast gaan wij, in nauwe samenwerking met de opdrachtgever, als co-creator aan de slag om op strategisch niveau data-science-beleid en -doelstellingen uit te stippelen. Omdat wij data science op een strategisch niveau willen inzetten bij onze klanten, hebben we voor een specifieke branchefocus gekozen. De launching customers waren Corendon en Verzekeruzelf.nl. Vandaar uit zijn we onze propositie steeds verder gaan versmallen. Retail en insurance bleken veel overlap te hebben als het gaat om de toepasbaarheid van algoritmen en data-science-oplossingen. Ook business wise zijn er parallellen. Zo zijn we steeds gerichter te werk gegaan.”

Het groeiende belang dat organisaties hechten aan de integratie van data-science-oplossingen is duidelijk zichtbaar.

Waarom is het kennen van je klanten zo belangrijk?

Van Eerden: “Je ziet dat door de opkomst van nieuwe kanalen en media het voor organisaties erg lastig wordt een 360-grande-klantbeeld te realiseren. Laat staan dat zij in staat zijn klantgedrag en -behoeften te voorspellen en daar op in te spelen. Organisaties beschikken weliswaar over steeds meer harde data van de klant, maar wat ontbreekt is de context van die data. Kijk bijvoorbeeld naar de digitale reis-assistent die we hebben ontwikkeld voor Corendon. Als de data in de context wordt geplaatst van wat je ermee wil bereiken, krijg je meer en diepere inzichten. Gaat het om een vroegboeker of is de klant flexibel? Reist de klant in de herfst of in het voorjaar? Met slimme algoritmen kun je dan voortdurend het aanbod en de content aanpassen aan de wensen van de klant. Zo ben je relevanter voor de klant en realiseer je een win-winsituatie.”

Building Blocks bestaat nu vijf jaar. Hoe is het bedrijf ontstaan?

Van Eerden: “Ik heb in 2008 van dichtbij mogen meemaken hoe Procter & Gamble op innovatieve wijze data verzamelde, analyseerde en vertaalde in waardevolle inzichten. We plaatsten toen camera’s achter spiegels om te achterhalen waar we op moesten letten bij de ontwikkeling en het vermarkten van scheermesjes. Dat maakte de discussie over de stappen die we moesten zetten feitelijk en gebaseerd op harde data die ons in staat stelden te weten te komen wat de klant beweegt. Het idee om met data slimme dingen te doen heeft me daarna niet meer losgelaten en dat leidde in 2008 tot mijn eerste bedrijf, Hermsen en Van Eerden. In 2013 kwam de volgende stap toen ik met compagnon Merwin de Jongh Building Blocks oprichtte.” De Jongh vult aan: “Samen stelden we ons ten doel om data science praktisch toepasbaar te maken, in tegenstelling tot de academische vraagstukken waar data science toen nog in bleef hangen. En die lijn volgen wij nog steeds.”
Organisaties stappen in toenemende mate af van het idee om data-science-oplossingen zelf uit te gaan vinden.

De cultuur van Building Blocks zien jullie als een belangrijk element van het succes van de onderneming. Wat doen jullie anders dan andere bedrijven?

De Jongh: “Het begint ermee dat wij niets zomaar aannemen. We stellen overal kritische vragen bij en we gaan niet over de gebaande paden. Wij zoeken mensen met dezelfde instelling. Zo hebben wij zorgvuldig gebouwd aan een bedrijfscultuur die is opgebouwd uit vier V’s:

  • Vrijheid: vrij om zelf je tijd in te delen, te werken waar je wil en om altijd je mening te delen. Ook het aantal vakantiedagen en de lengte en timing van vakanties mag je zelf bepalen.
  • Verantwoordelijkheid: je bent zelf verantwoordelijk voor het maken van de juiste keuzes en het bereiken van resultaat. Ook dragen medewerkers actief bij aan de ontwikkeling van de organisatie door gezamenlijk visie en strategie te ontwikkelen tijdens de jaarlijkse strategiesessie in het buitenland. En iedereen krijgt een extra taak zoals legal, HR of interne IT, om zo echt gezamenlijk aan het bedrijf te bouwen. Deze taak mogen medewerkers overigens zelf kiezen.
  • Vertrouwen: je krijgt het vertrouwen vanuit de organisatie om je taken uit te voeren. Je bent als medewerker immers door een strenge selectieprocedure gekomen dus je kunt het aan, maar je krijgt ook het vertrouwen dat je fouten mag maken.
  • Verbonden: we zorgen voor een goede binding tussen medewerkers en teams onderling. Ook doen we er alles aan om de binding tussen de vestigingen in Amsterdam en Tilburg sterk te houden. Letterlijk, door een live video verbinding die de hele dag staat te draaien.”

Hoe ziet de toekomst van data science en machine learning eruit? En hoe speelt Building Blocks in op deze ontwikkelingen?

Van Eerden: “De komende jaren gaan we zien dat de machine een flink deel van het werk gaat doen, maar niet alles volledig overneemt. De mens zal de interactie blijven verzorgen met andere mensen. De mens blijft nog altijd beter dan een robot in nieuwe situaties en in omstandigheden waarin emoties een rol spelen. Hierdoor krijg je nieuwe toepassingen aan machinekant en nieuwe rollen aan de menskant. Als bedrijf willen we niet de grootste worden maar wel de gaafste. In twee opzichten. We gaan de gaafste oplossingen bouwen voor vooruitstrevende klanten in retail en insurance door geavanceerde techniek in oplossingsgerichte applicaties te gieten. En we gaan een van de gaafste bedrijven worden. Het adagium hierbij is: enabled by technology, anchored by culture.”

Bron: CustomerTalk
0

Reacties

Logo CustomerTalk

Cookie-instellingen

CustomerTalk maakt gebruik van cookies voor een optimale gebruikerservaring.

Graag vragen wij je toestemming voor het plaatsen van deze cookies.

Accepteren Meer informatie