Wiki

Predictive analytics

Voorspellingen maken en verbanden ontdekken. Dat zijn de twee doelstellingen van predictive analytics. Bedrijven gebruiken zo’n analyse steeds vaker om toekomstig klantengedrag te voorspellen. Zoals bijvoorbeeld de kans dat uw klant overstapt naar de concurrentie.

Ondernemen is vooruitkijken. En dat is precies wat predictive analytics doet. Nagaan hoe waarschijnlijk het is dat een bepaalde gebeurtenis zich in de toekomst zal voordoen.

De groeiende populariteit van deze analyse kent twee oorzaken: cloud computing en open source software. Bij cloud computing worden data gestockeerd en behandeld via het internet. Bedrijven hoeven dus niet langer dure soft- of hardware aan te kopen. In de plaats daarvan ‘huren’ ze externe reken- en opslagcapaciteit, op het moment dat het hen het beste uitkomt. Bijkomend voordeel is dat bedrijven niet langer opdraaien voor het (dure) onderhoud.

Predictive analytics

Predictive analytics begint bij data

Predictive analytics staat of valt met gegevens. Die gegevens zijn op te delen in verschillende categorieën:

Historische data versus realtime data

Veel inzichten komen voort uit ‘historische data’: opgeslagen informatie uit het verleden die onderzocht wordt op verbanden. Steeds meer bedrijven analyseren ook realtime informatie, zoals de GPS gegevens van mobiele telefoons van consumenten.

Interne data versus externe data

Bedrijven genereren in de loop der jaren massa’s gegevens over hun klanten: klantentrouw, aantal contracten, totale contractwaarde, omzet per klant, klantenbezoeken, klachten, enz.

Deze interne gegevens kunt u aanvullen met externe data. U kunt bijvoorbeeld gegevens verzamelen over het nieuwe product van uw concurrent. Of commentaren op sociale media sprokkelen. Ook marktgegevens mogen niet ontbreken. Zo is het cruciaal te weten of u zich in een krimpende, dan wel in een groeiende markt bevindt.

Aan de hand van deze data kunt u voorspellingen doen, dus hoe meer data u verzamelt, hoe beter. De nauwkeurigheid van de voorspellingen neemt immers toe met de grootte van uw dataverzameling.

Hoe voorspellen?

Wie voorspellingen wil maken, heeft grosso modo twee mogelijkheden.

  1. U kunt zelf data verzamelen en voorspellende analyses doen.
  2. Of u kunt ook steeds vaker voorspellingen inkopen en gebruik maken van een toenemend aantal SaaS aanbieders zoals bijvoorbeeld INfer of Fliptop. Die genereren via plugins een predictive leadscoring, zonder dat u daar zelf input voor moet leveren.

Bij een voorspelling bepaalt u de kans dat een bepaalde gebeurtenis zich al dan niet zal voordoen. U berekent bijvoorbeeld de waarschijnlijkheid dat klant X u in de loop van dit jaar zal verlaten.

Daarnaast probeert u verbanden of correlaties tussen verschillende variabalen te achterhalen, zodat u bepaalde uitkomsten kunt sturen. Zo kunt u nagaan of er een verband is tussen de omzet van een klant en het aantal bezoeken dat hij ontvangt.

Scores voorspellen klantengedrag

U wil bijvoorbeeld weten hoe waarschijnlijk het is dat een bepaalde klant zijn samenwerking met u zal stopzetten. Predictive analytics onderzoekt hiervoor alle variabelen die een mogelijke invloed hebben op uw samenwerking met de klant.

In dit geval kan bijvoorbeeld het aantal klachten van de voorbije jaren een belangrijke impact hebben. Maar ook het aantal klantenbezoeken en het mailverkeer zullen uw toekomstige samenwerking beïnvloeden. Al die gegevens worden door een softwareprogramma onderzocht op verbanden. Het resultaat kan een voorspelling zijn aan de hand van een score. Bijvoorbeeld: de kans dat klant A u dit jaar nog verlaat, bedraagt 60%.

De voorspellingen hoeven trouwens niet beperkt te blijven tot bestaande klanten. Met predictive analytics kunt u ook voorspellen hoe waarschijnlijk het is dat bepaalde prospects daadwerkelijk klant bij u worden. Hierbij wordt het profiel van de prospect vergeleken met dat van de bestaande klanten. Hoe meer overeenkomsten er bestaan tussen de twee, hoe groter de kans dat de lead met u in zee zal gaan.

Lees ook:

C190BE_Handboek-Voor-De-Moderne-Creditmanager.png

Nauwkeurigheid neemt toe

Hoe vaker u gebruik maakt van predictive analytics, hoe betrouwbaarder de resultaten. U kunt namelijk nagaan of de voorspellingen daadwerkelijk zijn uitgekomen. En die resultaten kunt u dan weer toevoegen aan uw bestaande dataset. Het systeem wordt dus met de dag intelligenter, de voorspellingen accurater.

Het leuke van predictive analytics is ook dat u niet van tevoren weet welke verbanden er zullen opduiken. Zo zou het best eens kunnen dat klagende klanten veel trouwer zijn dan u denkt.

Van predictief naar prescriptief

Het heeft weinig zin om alleen maar data te verzamelen. Aan correlaties en voorspellingen hebt u niets, als u er niet naar handelt. Vandaar dat u een omslag moet maken van predictief naar prescriptief. Met andere woorden: een actie ondernemen waarmee u een bepaalde voorspelling kunt counteren of net versterken, omdat u de uitkomst van tevoren weet. Dit zijn alvast enkele inspirerende voorbeelden:

Ontbijtkoeken hamsteren

Wall-Mart, de Amerikaanse supermarktketen, deed een wel erg vreemde ontdekking. Uit verkoopanalyses bleek dat consumenten bij naderend stormweer extra ontbijtkoeken inslaan. Wall-Mart had al eerder vastgesteld dat mensen voor een zware storm zaklampen en batterijen kopen. Wall-Mart gebruikt deze informatie om de stocks aan te vullen. Wanneer de weerdiensten waarschuwen voor stormen, vult Wall-Mart zijn rekken met extra zaklampen batterijen en nu ook met ontbijtkoeken.

Bedrijfssluitingen voorspellen = verlies voorkomen

De Discontinuation Score van Graydon voorspelt voor élk bedrijf de kans dat het binnen de 12 maanden ophoudt te bestaan. Het gaat dus niet zozeer om faillissementen, maar om bedrijfssluitingen. Deze score wordt berekend op basis van verschillende variabelen, zoals het betaalgedrag van het bedrijf, de jaarrekening en ‘demografische’ factoren zoals leeftijd, omvang, rechtsvorm en sector. Daarnaast houdt de score rekening met ‘uitzonderlijke patronen’ die de gezondheid van de onderneming beïnvloeden. Denk aan veelvuldige bestuurderswisselingen of betrokkenheid van bestuurders bij eerdere faillissementen of opheffingen.

De informatie over sluitingen is cruciaal voor Finance. Klanten of leveranciers die het voor gezien houden, hebben immers een impact op de cashflow van de onderneming. Vroeger ging men ervan uit dat er elk jaar zowat 5% bedrijven ophouden te bestaan. Op een omzet van 1 miljoen euro betekende dat een risico van 50.000 euro. De Discontinuation Score is veel fijnmaziger. De score laat toe om op debiteurenniveau te bepalen welk deel van de omzet bedreigd wordt. Uit de score zou kunnen blijken dat debiteuren met een verhoogde kans op opheffing een gemiddeld hogere omzet hebben. In dat geval zult u rekening moeten houden met een mogelijk verlies van 80.000 i.p.v. 50.000 euro. De inzichten zijn ook voor sales en marketing interessant. Door geen budget te spenderen aan bedrijven die op punt staan te verdwijnen, kunnen de afdelingen hun rendement opkrikken.

Predictive analytics eindigt bij de toepassing

Wat u met de uitkomsten doet, bepaalt uiteindelijk de meerwaarde die predictive analytics kan bieden. De kracht van de voorspellende waarde ligt gedeeltelijk in de datakwaliteit. Het is immers niet eenvoudig om de kwaliteit van uw data op peil te houden. Daarnaast vergt het kunde om de uitkomsten te vertalen naar kansen en bedreigingen en deze vervolgens te vertalen naar processen en acties.

FAQ

Heeft u niet gevonden wat u zocht?

Neem dan even contact met ons op. Als wij u niet kunnen helpen, dan vinden we mogelijk wel iemand in ons netwerk die u van dienst kan zijn.

Contact