De basis van een voorspellingsmodel en drie manieren waarop het gebruikt kan worden

Klantdata; het start- en eindpunt van ieders business. Om het gedrag van klanten te kunnen voorspellen en de klantervaring te optimaliseren, hebt u voldoende klantdata nodig. En enkel het bezitten van klantdata is niet voldoende, want u moet het ook kunnen toepassen en in staat zijn om het te vertalen naar mogelijkheden en ontwikkelingen. Gelukkig zijn er voldoende ondersteunende technieken en data analyses beschikbaar, waaronder een voorspellingsmodel.

In dit blog leggen we op eenvoudige wijze uit wat een voorspellingsmodel is, geven we voorbeelden, beschrijven we waar het bij kan helpen en wat belangrijke voorwaarden zijn.

Wat is nu precies een voorspellingsmodel?
Voorspellingsmodellen zijn er in diverse soorten en maten. Ze maken gebruik van regressietechnieken met het doel om data te vertalen naar nieuwe mogelijkheden en ontwikkelingen. Hierbij staat ook het vertoonde gedrag van bestaande klanten centraal. Dit klantgedrag biedt namelijk een solide basis om bestaande klanten te behouden, nieuwe klanten te werven en een hogere conversie te behalen. Het is dan ook geen verrassing dat de data waar u gebruik van maakt idealiter afkomstig is uit de eigen organisatie. Maar het is altijd een optie om data aan te vullen. Voor een voorspellingsmodel moeten de gegevens een bepaalde omvang hebben om betrouwbaar en representatief te zijn, dus wanneer blijkt dat u over te weinig data beschikt is het de overweging waard om externe segmentatie data toe te voegen.

Van “Hey Google” tot “Omdat je La Casa de Papel hebt gekeken”
Alles draait om het verbeteren van de klantervaring. Als organisatie moet u de juiste klantmomenten creëren en klanten voorzien van relevante content die écht bij ze past. De meest voorkomende voorbeelden van dit soort toepassingen waar voorspellingsmodellen aan ten grondslag liggen, zijn chatbots en Recommender Systems.

Chatbots: snellere en slimmere klantenservice
Consumenten willen snel en goed geholpen worden. Om aan deze eis te kunnen voldoen gebruiken organisaties steeds vaker chatbots; geautomatiseerde gesprekspartners voor al uw klanten, vaak vanuit een live chatomgeving. Chatbots kunnen woorden en emoties herkennen waardoor ze rechtstreeks antwoord kunnen geven op vragen of verzoeken en zelfs kunnen functioneren als persoonlijke assistent. De kans is groot dat woorden zoals “Hey Google”, waarmee je Google Home activeert, in de toekomst meer regel dan uitzondering worden en dat dergelijke apparaten gaan dienen als dé uitkomst voor onze groeiende informatiebehoefte.

Recommender Systems
Vindt u het fascinerend dat Spotify een lijst met aanbevolen nummers kan aanbieden? Vraagt u uzelf weleens af hoe het komt dat Netflix weet welke films en series bij u passen? Het is het werk van aanbevelingssystemen, met data als de basis.

Er zijn veel varianten van Recommender Systems, waarvan de content-based waarschijnlijk de meest herkenbare is. Een sterk Recommender System verzamelt klantervaringen, analyseert deze en vertaalt ze naar een persoonlijk advies. Het is gemaakt om de klantervaring naar een hoger niveau te tillen, het moet de klant verrassen en opties aanbieden waarvan men niet wist dat ze bestonden. Abonnementsservice Netflix is wat ons betreft één van de sterkste. Zij zijn ook heel transparant over de werking van het aanbevelingssysteem en het algoritme.

Waar het bij helpt
Nu duidelijk is wat voorspellingsmodellen zijn, wilt u natuurlijk weten waar het uw organisatie bij kan helpen.

Cross-selling: van “Anderen bekeken ook” tot “Dit vind je misschien ook leuk”
Voorspellingsmodellen zijn geschikt voor het inschatten van welke producten of diensten een klant gaat kopen, welke ter aanvulling gekocht worden of welke ter vervanging dienen. Deze voorspellingen worden gemaakt op basis van het aankoopgedrag van klanten.

Beter inzicht in uitstroom van klanten
Een klant behouden is meestal voordeliger dan een nieuwe klant werven. Een voorspellingsmodel brengt in kaart op welk moment u dreigt een klant te verliezen. Het analyseren van klanten is vanaf de eerste aankoop mogelijk waardoor u kunt voorspellen wanneer een klant de dienstverlening gaat opzeggen of stopt met het kopen van producten. Het grootste voordeel is dat u ver van tevoren kunt starten met een loyaliteitsprogramma en de touwtjes in handen houdt.

Op zoek naar nieuwe klanten
Voorspellingsmodellen zijn ook een handig hulpmiddel in de zoektocht naar nieuwe klanten. Uw nieuwe klanten lijken namelijk meestal op uw huidige klanten. Voor het maken van een voorspellingsmodel om de prospects met de hoogste potentie te selecteren, is externe segmentatie data onontbeerlijk. Van uw toekomstige klanten hebt u immers nog weinig tot geen gegevens beschikbaar. Door data te gebruiken die voor álle adressen in Nederland beschikbaar is, kunt u de meest kansrijke prospects on- of offline selecteren en/of bepalen in welk (geografisch) gebied uw wervingsacties het meest succesvol zullen zijn.

De voorwaarden
Een voorspellingsmodel is erop gericht om patronen uit het verleden door te trekken naar de toekomst. Maar mensen én de markt veranderen, zeker in deze tijd. De kans is groot dat al deze veranderingen invloed hebben op het koopgedrag van mensen. Daarom is het een voorwaarde om altijd kritisch te blijven kijken naar de data waarop een voorspellingsmodel is gebaseerd. Want is vandaag de dag alle gebruikte data nog steeds betrouwbaar en representatief voor klanten? Kunt u hier volmondig “ja” op zeggen, dan hebt u met de komst van een voorspellingsmodel een zeer sterk hulpmiddel gevonden om antwoord te geven op de hooggespannen verwachtingen van klanten in een steeds veranderende markt.