Naar inhoud

Machine learning verbetert voorspellingen, plannen en sales

Om een onderneming adequaat te kunnen leiden, wil je altijd een idee hebben wat de toekomst – of in ieder geval het komende boekjaar – voor jou in petto heeft. Al sinds mensenheugenis rekenen slimme finance-professionals daarom aan voorspellingen van de verwachte verkoop, omzet, winst en marges. De – inmiddels – traditionele manier om dit te doen, is het gebruikmaken van de mogelijkheden van het spreadsheetprogramma Microsoft Excel. Maar hoe complex je die spreadsheets dan ook maakt, je laat altijd kansen liggen.

In die standaardaanpak kiest een analist een aantal indicatoren en zet die in een formule in een spreadsheet, voorzien van weegfactoren. Deze methode werkt op basis van gemiddelden en levert zelfs bij een beperkt aantal variabelen erg complexe formules op. Met iedere extra variabele die je wilt meenemen, neemt de complexiteit exponentieel toe. Het is heel moeilijk vooraf in te zien hoe verschillende variabelen elkaar beïnvloeden. Dat kan leiden tot onverwachte resultaten. Meestal worden er dus maar vier of vijf indicatoren meegenomen en wordt de rest buiten beschouwing gelaten. Deze formules kunnen niet omgaan met afwijkingen uit het verleden, dus blijven dezelfde fouten jaar na jaar terugkomen.

Steeds meer data

Dit alles maakt de klassieke methode steeds slechter bruikbaar in een moderne organisatie. Bedrijven beschikken tegenwoordig over steeds meer data. En als je gegevens hebt, wil je die ook gebruiken om er voordeel uit te halen. Zo loop je al snel tegen de beperkingen aan van de traditionele methoden. Door de toepassing van machine learning verminder je de kans op fouten en kun je veel meer factoren meenemen in je voorspellingen. Algoritmes die met deze technologie werken, hebben geen enkele moeite met het gebruik van tientallen variabelen.

Met een aanpak die gebruikmaakt van machine learning, weet je veel beter wat je kunt verwachten en kun je jouw investeringen dus ook veel effectiever plannen.

Machine learning

Zo’n algoritme bepaalt zelf – op basis van trainingsdata – welke indicatoren belangrijk zijn en welke graadmeters niet ter zake doen. Je kunt dus uiteenlopende data toevoegen. Denk daarbij aan interne data zoals klanttevredenheidsscores of externe data als gegevens over het weer of de economie. Omdat je nu ineens al die data meeneemt en niet slechts een selectie, kun je ook op een veel hoger detailniveau werken. Zo kun je bijvoorbeeld niet alleen de algemene omzet voorspellen, maar die voorspelling tevens uitsplitsen per klant, per seizoen, per segment of per product.

Effectiever investeren

Een van onze klanten heeft bijvoorbeeld op de traditionele manier al vijf jaar lang te weinig inkomsten voorspeld. In die jaren is er dus meer geld binnengekomen dan vooraf gedacht. Dat lijkt misschien een luxeprobleem, maar het heeft dit bedrijf uiteindelijk minder gebracht dan mogelijk is geweest. Bij het maken van het jaarbudget zijn door deze pessimistische voorspellingen namelijk structureel te weinig marketingactiviteiten en marketinginvesteringen gepland. Voorspallen op een eigentijdse geavanceerde manier levert geld op. Je hoeft minder te reserveren voor onverwachte verliezen en je kunt meer investeren, omdat je weet dat je die investeringen – naar alle waarschijnlijkheid – terugverdient.

Meer conversie en lagere kosten

Er zijn nog veel meer voorbeelden te bedenken waarin betere voorspellingen geld opleveren. Als je conversies bijvoorbeeld beter kunt voorspellen, kun je jouw salesactiviteiten eveneens beter organiseren. Stel, je voorspelmodel deelt klanten in op de conversiekans op een schaal van 1 tot 10, waarbij 1 een hele goede lead is en 10 het minste kans van slagen heeft. Op basis van zo’n voorspelling kun je besluiten om alleen nog mensen telefonisch te benaderen die een score van 1 tot en met 3 hebben. De rest stuur je een geautomatiseerde e-mail. Zo hoef je ineens 70 procent minder telefoontjes te plegen, terwijl je evenveel nieuwe klanten binnenhaalt.

Gemakkelijker segmenteren

Omdat je met machine learning bovendien veel makkelijker kunt segmenteren, kun je nog verder gaan en bijvoorbeeld omzetmogelijkheden en conversiekansen per leeftijdsgroep en geslacht bekijken. Voor een klant zijn we er bijvoorbeeld achter gekomen dat nabellen goed werkt voor vrouwen van 45 jaar en ouder, maar dat het bij jonge mannen juist averechts werkt. Daar converteert een e-mail juist beter. Die groep is dus helemaal niet meer gebeld. In plaats daarvan maakt die klant aparte e-mails voor iedere doelgroep en bereikt zo een hogere conversie met veel lagere verkoopkosten.

Geen real-time analyse

Bij machine learning denk je misschien al snel aan cloud computing en real-time algoritmen die continu data analyseren en voortdurend hun modellen aanpassen. Deze vorm van unsupervised learning ligt ten grondslag aan veel functionaliteiten die we dagelijks zien en gebruiken, zoals zoekmachines en advertentienetwerken. Maar een voorspelmodel voor de jaaromzet hoeft helemaal niet real-time te zijn. We draaien zo’n algoritme meestal maar één keer per jaar. Daarbij laden we alle data in een extern systeem, buiten de productieomgeving om. Daar bouwen we dan het model, dat in feite bestaat uit een aantal coëfficiënten die moeten worden ingevoerd in een relatief eenvoudige rekenformule.

Gebruik voorspelmodel

De IT-afdeling zet deze in het administratiesysteem en iedereen kan het voorspelmodel gebruiken. Een andere mythe over machine learning die we vaak horen, is dat je er ongelooflijke hoeveelheden data voor nodig hebt. Dat is echter niet waar. Natuurlijk, met meer data wordt je model nauwkeuriger, maar meestal is wat je hebt goed genoeg om mee te beginnen. Zelfs met zo’n 15 kolommen aan standaarddata uit je ordersysteem kun je al een goed model bouwen. Bovendien, je moet ergens beginnen. Met dit beperkte model vul je jouw persona’s voor marketing en sales met concrete data. Het sjabloon beantwoordt vragen, het roept evenwel ook weer nieuwe vragen op. Op basis van die vragen voeg je weer data toe, die je ontwerp weer beter maken.

Concrete stappen

Je moet dus echt de stap zetten naar voorspellen met machine learning. Hoe dat concreet werkt, hangt van je omstandigheden af. Ligt er een concrete hulpvraag van een afdeling, bijvoorbeeld van een salesteam dat klanttevredenheidsdata beter wil gebruiken? Zo’n vraagstuk is een prima pilotproject. Maar vaak vraagt een chief executive officer, een chief information officer, een chief marketing officer of een chief technology officer ons om eens onderzoeken waar we de beste mogelijkheden zien voor een proefproject. Als je pilot slaagt, kun je deze technieken heel breed inzetten. Want vrijwel overal waar data voorhanden zijn en waar nu – bijna handmatig gerekend – wordt met formules of spreadsheets kun je winst behalen met machine learning.

Richard van Meurs is dataconsultant bij klantinformatiebedrijf 4orange, een zusteronderneming van marktonderzoeksbureau MarketResponse.

Foto: Pixabay

Tip: Wil je weten hoe je insights en data omzet naar een strategie en concrete acties? Dan is de opleiding Customer Insight & Data Driven Marketing wat voor jou!

  • Tijdens de opleiding leer je hoe je met data en inzichten zowel de waarde voor de klanten als de waarde voor de organisatie kunt verhogen.
  • Naast de opleiding stel je een managementplan op over customer insights voor je eigen organisatie, direct geschikt voor implementatie.
Lees meer over deze opleiding ►
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