Predictive Analytics: toekomst voorspellen met Customer Data

Je kunt nog zoveel data verzamelen over je klanten, als je de gegevens niet weet te gebruiken is het waardeloze informatie. Smart Data beats Big Data; pas de informatie slim toe en benader de klanten op de juiste manier. Niemand kan de toekomst echt voorspellen, maar met Predictive Analytics kun je wel op basis van bestaande data toekomstige trends en ontwikkelingen inschatten. Een analyse gebaseerd op de statistische, wiskundige en linguïstische processen, die het mogelijk maakt relaties te leggen in bestaande data en voorspellingen te doen over toekomstige trends.

Meer dan Datamining

Op het moment dat je met behulp van software je klanten aanbevelingen doet op basis van eerdere aankopen, doe je eigenlijk al aan Predictive Analytics. Of wanneer je met behulp van marketingmodellen beslist waar je je advertenties plaatst en op welk moment. De sporen die een consument nalaat worden als Big Data-gegevens verzameld, maar Predictive Analytics filtert de essentie eruit.

Het principe van Predictive Analytics is gebaseerd op datamining. Datamining bestaat uit regressieanalyses, clustering, neurale netwerken en associatieanalyses. Predictive Analytics maakt daarnaast ook nog gebruik van statistische berekeningen, zelflerende methodes zoals deep learning en speltherapie. De achtergrond is opgebouwd uit grote hoeveelheden wiskundige, statistische gegevens en linguïstische gegevens; zoals wanneer er gebruik wordt gemaakt van tekst zoals artikelen, blogs of tweets.

Zonder diepgaande kennis van de onderliggende processen te hebben kunnen de voorspellingen worden gebruikt voor Customer Experience Management. De voorspellingen bieden nieuwe inzichten in consumentengedrag en de markt, op basis waarvan je beslissingen kunt nemen gericht op Customer Experience Management (CEM). Hieronder volgen drie tips om je CEM te verbeteren met behulp van Predictive Analytics.

Breng het verleden in kaart

Big Data zorgt voor grote hoeveelheden data, maar belangrijker is het verrijken met geschikte klantdata en toegevoegde informatie. Predictive Analytics kan pas succesvol zijn als de basis goed is, waarbij door middel van een Master Data Management (MDM) systeem de informatie wordt beheerd. Als je een voorspelling van toekomstig koopgedrag van consumenten wil doen, heb je informatie nodig over het koopgedrag tot nu toe. Een klantenkaart is een goed voorbeeld van een loyaliteitsprogramma waarmee de aankopen uit het verleden in kaart worden gebracht. Consumenten betalen met hun creditcard en zorgen indirect voor de perfecte gegevens voor een aankoopanalyse. Als er verschillende verkoopkanalen zijn of diverse momenten van klantcontact op verschillende locaties, is het belangrijk deze gegevens te consolideren. Oftewel: professioneel informatiemanagement is nodig om een customer datawarehouse te creëren, met unieke klantidentificatie en voorzien van de benodigde data. Dit is een voorwaarde voor succesvolle Predictive Analytics.

Regressievergelijking als snelle start

De meest algemene datamining-methode die wordt gebruikt in Predictive Analytics is de regressieanalyse. Regressieanalyse is een statistische techniek voor het onderzoeken van het causale verband tussen variabelen. Het doel is het voorspellen van een bepaalde variabele op basis van één of meerdere andere variabelen.

Een groot voordeel is dat de regressieanalyse een model bevat dat direct kan worden gebruikt voor Predictive Analytics; de regressievergelijking. Bij een regressievergelijking wordt een lineaire relatie verondersteld tussen de afhankelijke variabele en een onafhankelijke variabele. Als je de regressieanalyse gebruikt, wordt de regressievergelijking bepaald en parameters vastgesteld. Zo kan dit model direct worden ingesteld voor elke nieuwe consument. De door de regressievergelijking gegeven parameters worden ingesteld waarop de score wordt berekend. Om ervoor te zorgen dat alles naar behoren functioneert, moet de data die wordt gebruikt voor de regressieanalyse van hoge kwaliteit zijn, net als de efficiëntie van de uitvoerende analist.

Monitor en evalueer je model

Bij Predictive Analytics wordt in het ‘stationaire model’ aangenomen dat het koopgedrag uit het verleden gelijk blijft in de toekomst. Maar dat is natuurlijk irreëel, mensen veranderen en persoonlijke veranderingen hebben invloed op koopgedrag, de markt verandert en consumentengedrag an sich verandert. Daarom moet er altijd kritisch worden gekeken naar het gebruik van dit ijkmodel; of het gedrag nog actueel is, of er veranderingen hebben plaatsgevonden. Een model dat niet meer realistisch is, geeft een vertekend beeld en voegt weinig toe in Predictive Analytics.

Om op basis van de juiste gegevens beslissingen te nemen, bijvoorbeeld op strategisch niveau, moeten managers en experts in gespecialiseerde afdelingen de modellen blijven monitoren. Bijvoorbeeld door analisten regelmatig de vraag stellen of de fundamentele aannames van het model nog realistisch zijn. Gebaseerd op het fundamentele begrip kunnen de resultaten van de Predictive Analytics worden besproken met analisten en datawetenschappers. Wanneer het model wordt geëvalueerd, komen vragen naar boven als:

• Welke databronnen zijn gebruikt?
• Zijn de data voldoende representatief voor de gegeven situatie?
• Hoe goed is de datakwaliteit van de database?
• Zijn er rondzwervende gegevens of afwijkingen?
• Heeft dit invloed op de analyse?
• Welke aannames zijn er gedaan?
• Onder welke voorwaarden zijn de gegeven aannames niet langer toepasbaar?

Dit betekent dat zowel goede data als het juiste mathematische/linguistische/statistische model beschikbaar moeten zijn, evenals dat er moet worden geoefend met fundamentele aannames. Gezamenlijk biedt dit betrouwbare informatie waarmee je inzicht krijgt in (toekomstig) consumentengedrag. Als je de consument beter begrijpt is het ook mogelijk betere beslissingen te nemen op specialisten- en managementniveau: het maakt Customer Experience Management mogelijk waarmee je voldoet aan de verwachtingen en wensen van de consument. Het is wel zaak om deze beslissingen te blijven monitoren, zodat je verzekerd kunt zijn dat ze ook het gewenste effect hebben.