Predictive analytics: zo weet je wie je toekomstige klant is

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

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

Predictive leadscoring

Stel dat je het profiel van een bezoeker vrij nauwkeurig weet. Je kunt dan de content van je website aanpassen en afstemmen op wat look a likes (bezoekers met een overeenkomstig profiel) in het verleden veel gelezen of gedownload hebben. Je onderneemt dan realtime actie (op het moment dat een bezoeker op je site komt), op basis van inzichten uit het verleden (gedrag van look a likes). Dat gedrag uit het verleden is dan input om het gedrag van de huidige bezoeker te beïnvloeden. 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.

Tackel die hoge ‘churn score’

Een veelvoorkomend probleem dat bedrijven willen tackelen, is het terugdringen van weglopende klanten. Ze willen de churn verlagen. Door historische gegevens te analyseren kun je voorspellen welke klanten waarschijnlijk gaan weglopen. Als je elke maand een lijst kunt overhandigen aan je accountmanagers met daarop alle klanten met een erg hoge churn score, kun je ze voor zijn. Een telefoontje om te vragen of alles nog naar wens is, is zo gepleegd. Grote kans dat ze daarna besluiten om te blijven.

De weg naar predictive analytics

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

1. Maak je interne data op orde

Wat het scenario ook is: om voorspellingen te doen, heb je data nodig die relevant is voor je bedrijf. De grootte van het bedrijf bepaalt in sterke mate de complexiteit van de bronnen die je kunt gebruiken. Interne data is de data die je als organisatie gebruikt voor de registratie en verwerking van al je 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 je kunt gebruiken om met predictive analytics aan de slag te gaan.

2. Verrijken met externe data

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

3. Verzamelen en analyseren van data

De interne en externe data kun je samensmelten in een zogenoemd datawarehouse. Zo kun je analyseren wie je beste klanten zijn of wie je meest actieve, zeurende of meest loyale klanten zijn.

Met behulp van analyses kun je kijken hoe een klantengroep zich ontwikkelt, of, met predictive software, zich ontwikkelt in de toekomst. Ook kun je verbanden aan het licht brengen tussen bijvoorbeeld bedrijfsgrootte en branche en de slagingskans van een verkoop, die je anders had gemist. Door deze data te combineren met je interne data, kun je segmenten opstellen en (voorspellende) analyses doen.

4. Business rules opstellen

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

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

Een voorbeeld

Er komt een bezoeker op de website. Wij kunnen zien van welk bedrijf deze bezoeker is en uit welke branche. Door de analyses die we hebben gedaan van ons klantenbestand en de markt, weten we dat dit in potentie een hele waardevolle klant is. Onze businessprocessen 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. En dat allemaal nog voordat hij zich heeft geïdentificeerd. Realtime dus.

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

Predictive analytics: make or buy?

Er zijn twee manieren om tot een goede integratie van predictive analytics te komen. Je 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.

Toepassingen die SaaS-oplossingen combineren: Infer & Fliptop

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 je waarschijnlijk sneller aan de slag kunt. Daar staat tegenover dat je minder vrijheid hebt en minder oog hebt voor de kwaliteit van je data. Ook heb je met je organisatie nog geen proces doorlopen waarin de mindset, kennis en cultuur ten opzichte van realtime analytics zijn veranderd. Dat komt de borging binnen meestal niet ten goede.

Zelf een datawarehouse inrichten

In plaats van te kiezen voor externe software, kun je ook zelf een datawarehouse inrichten en predictive analytics software gebruiken. Je kunt dan zelf op veldniveau bepalen welke voorspellingen je wilt doen en makkelijker aanpassingen doen in de manier waarop leadscoring plaatsvindt. Zo kun je zelf modellen aanpassen en bronnen toevoegen om de voorspelkracht te versterken, de uitkomsten van predictive analytics heroverwegen en ben je flexibeler in het versturen van de uitkomsten naar de verschillende stakeholders en systemen.

Mijn collega’s en ik hebben ervoor gekozen om deze complexere route te bewandelen. Dat duurt meestal langer, ook omdat je vaak tegen een aantal barrières aanloopt binnen je organisatie. Hoe je deze kunt wegnemen, vertel ik je in een volgend artikel.

Heb jij ervaring met realtime analytics en aanvullingen op dit artikel? Laat het weten in de reacties hieronder!

Illustratie intro met dank aan Fotolia.