Artikel
Geschreven door Bart Redder
Posted on 24/08/2015

In vier stappen succes met predictive analytics

157 keer gelezen

Als marketeer kunt u er niet meer omheen: acteren op basis van inzichten die intelligente data u geven. Veelal doen marketeers dit door naar historische data te kijken, om te verklaren wat er in het verleden gebeurde en waarom. Maar u kunt deze historische data natuurlijk ook gebruiken als voorspellende kracht voor het heden en de toekomst. En zelfs uw bedrijfsprocessen aanpassen om voorspelde neerwaartse spiralen tegen te gaan en de prospects geautomatiseerd voor u te laten sorteren op slagingskans. De technologie is er klaar voor, maar waar begint u als u realtime analytics succesvol wilt inzetten?

Voor ik u vertel welke stappen u kunt doorlopen, geef ik u enkele voorbeelden om uit te leggen wat ik versta onder predictive analytics.

Stel dat er een bezoeker op uw website is en u het profiel van deze bezoeker vrij nauwkeurig kent. U kunt dan de content van uw website aanpassen en afstemmen op wat bezoekers met een overeenkomstig profiel in het verleden veel gelezen of gedownload hebben. U onderneemt dan realtime actie (op het moment dat een bezoeker op uw site komt), op basis van inzichten uit het verleden (gedrag van look a likes). Dat gedrag uit het verleden dient weer als input om het gedrag van de huidige bezoeker te beïnvloeden en om hem sneller klant te maken. Door te kijken naar de eigenschappen van bedrijven, personen en transacties die klant zijn geworden, kunnen we aan de hand van eigenschappen van prospects voorspellen wat de kans is dat iemand klant wordt. Predictive leadscoring noemen we dat.

Een veelvoorkomend probleem dat bedrijven willen tackelen is het terugdringen van weglopende klanten, ze willen de churn verlagen. Door historische gegevens te analyseren kunt u voorspellen welke klanten zeer waarschijnlijk gaan weglopen. Als u elke maand een lijst kunt overhandigen aan uw accountmanagers met daarop alle klanten met een erg hoge churn score, kunt u ze voor zijn. Een telefoontje om te vragen of alles nog naar wens is, is zo gepleegd. Het klinkt simpel, maar de kans dat ze daarna besluiten om te blijven is in ieder geval een beetje groter.

De weg naar predictive analytics

OK, dit waren een paar eenvoudige voorbeelden. Er zijn natuurlijk veel complexere scenario’s te bedenken, maar over het algemeen doorloopt u dezelfde stappen om deze manier van werken succesvol te integreren in uw organisatie.

1. Interne data op orde

Wat het scenario ook is: om voorspellingen te doen hebt u data nodig die relevant is voor uw bedrijf. De grootte van het bedrijf bepaalt in sterke mate de complexiteit van de bronnen die u kunt gebruiken. Interne data is de data die u als organisatie gebruikt voor de registratie en verwerking van al uw klantgegevens. Denk aan een CRM-pakket, een ERP-pakket voor facturatie en financiële afhandeling, marketing automation of document management. Al deze interne systemen bevatten data, die u kunt gebruiken om met predictive analytics aan de slag te gaan.

2. Verrijken met externe data

De interne data kunt u verrijken met gegevens van buitenaf. U zoekt trends en ontwikkelingen in de markt. Denk bijvoorbeeld aan data over branches die groeien of juist krimpen of CBS-gegevens van een specifieke doelgroep. Ook met big data kunt u veel gegevens verzamelen, over bijvoorbeeld onderwerpen waar uw klanten online over praten.

3. Verzamelen en analyseren van data

De interne en externe data kunt u samensmelten in een zogenoemd datawarehouse. Zo kunt u analyseren wie uw beste klanten zijn of wie uw meest actieve, zeurende klanten of meest loyale klanten zijn. Met behulp van analyses kunt u kijken hoe een klantengroep zich ontwikkelt of, met predictive software, zich zal ontwikkelen in de toekomst. U kunt tevens verbanden aan het licht brengen tussen bijvoorbeeld bedrijfsgrootte en branche en de slagingskans van een verkoop, die u anders had gemist. Door deze data te combineren met uw interne data kunt u segmenten opstellen en (voorspellende) analyses doen.

4. Business rules opstellen

De uitkomst van de analyses kunt u vervolgens kenbaar maken in andere systemen, zodat medewerkers en  systemen erop kunnen anticiperen om positieve kansen te benutten of neerwaartse trends tegen te gaan. U legt als het ware een neuraal netwerk aan in uw bedrijf dat als eenheid vanuit alle afdelingen reageert op een rekencentrum, dat alle bronnen binnen en buiten uw organisatie afweegt om de grootste overlevingskans te bepalen.

Het versturen van deze gegevens is te vergelijken met de populaire app: If This Then That. U stelt in wat er moet gebeuren en wie er geïnformeerd moet worden als aan een bepaalde voorwaarde wordt voldaan. Dit doet u over meerdere systemen heen zodat alle betrokkenen en systemen op dezelfde manier als groep kunnen acteren.

Een voorbeeld zoals dat bij ons gaat: er komt een bezoeker op de website. Wij kunnen zien van welk bedrijf deze bezoeker is en uit welke branche die komt. Door de analyses die we hebben gedaan van ons klantenbestand en de markt, weten we ook dat dit in potentie een hele waardevolle klant is. Onze business processen zijn dan zo ingericht, dat deze lead een corporate nurture traject vanuit Marketing Automation aangeboden krijgt zodra hij zich registreert. Hij wordt automatisch opgevolgd door corporate sales als hij zich als lead kenbaar maakt en iedereen in de organisatie die deze bezoeker aan de telefoon krijgt weet wat de status en potentie is. Nog voordat hij zich heeft geïdentificeerd. Realtime.

Een schema om de samenhang tussen interne en externe data, analytics en business rules te verduidelijken:

In-vier-stappen-succes-met-predictive-analytics.jpg

Predictive analytics: make or buy?

Er zijn twee manieren om tot een goede integratie van predictive analytics te komen. U kunt kiezen voor een shortcut door gebruik te maken van allerlei SaaS-oplossingen die flexibel data kunnen verzamelen. Het lijkt erop dat het aantal oplossingen hiervoor in korte tijd flink zal groeien. Bovendien verschijnen er steeds meer toepassingen die predictive leadscores genereren door data uit verschillende SaaS-oplossingen te combineren. Voorbeelden hiervan zijn Infer of Fliptop.  Voordeel van zo’n shortcut is dat u waarschijnlijk sneller aan de slag kunt. Daar staat tegenover dat u minder vrijheid hebt en minder oog hebt voor de kwaliteit van uw data. Ook hebt u geen proces doorlopen waarin de mindset, de kennis en de cultuur met betrekking tot realtime analytics zijn veranderd. Dat komt de borging binnen de organisatie doorgaans niet ten goede.

In plaats van te kiezen voor externe software, kunt u ook zelf een datawarehouse inrichten  en predictive analytics software gebruiken. U kunt dan zelf op veldniveau bepalen welke voorspellingen u wilt doen en makkelijker aanpassingen doen in de manier waarop leadscoring plaatsvindt. Zo kunt u zelf modellen aanpassen en bronnen toevoegen om de voorspelkracht te versterken, de uitkomsten van predictive analytics heroverwegen en bent u flexibeler in het versturen van de uitkomsten naar de verschillende stakeholders en systemen. Wij hebben ervoor gekozen om deze complexere route te bewandelen. Dat duurt meestal langer, ook omdat u vaak tegen een aantal barrières aanloopt binnen de organisatie.

Hebt u ervaring met realtime analytics of aanvullingen op dit artikel? Laat het weten in de reacties hieronder!