Predictive modeling
Simpel gezegd is predictive modeling een voorspellingsmodel, een berekening van algoritmes waarbij u zo goed mogelijk de waarheid probeert te voorspellen. Het is een model, geen een-op-een waarheid. Zet het in als een hulpmiddel om inzicht te verkrijgen.
Om een goed voorspellingsmodel te bouwen, kunt u zowel data van uw eigen organisatie gebruiken als data die u inkoopt. Belangrijk om te weten als marketeer wanneer u met predictive modeling aan de slag gaat: in de meeste gevallen is het beter om naar het gedrag van uw consument te kijken, dan ze onder te verdelen in algemene consumentenprofielen. Als u dit doet, baseer de profielen dan op uw eigen klantenbestand. Het klik- en koopgedrag van uw eigen klanten zegt namelijk meer over vervolgacties dan een algemeen label wie uw doelgroep is. Drie toepassingen van predictive modeling voor marketeers:
1. Assortimentsanalyse
Predictive modeling kan goed toegepast worden om te voorspellen welke producten of diensten uw klanten kopen en welke ze er mogelijk aanvullend op aanschaffen. U kunt daarvoor uw eigen historische bestel- of aankoopgedrag gebruiken en een analyse van laten maken en daar een voorspellingsmodel op laten bouwen. Een paar voorbeelden. Een sportmerk kan voorspellen welke modellen en kleuren ze moeten maken op basis van gekochte artikelen. Een online webshop kan voorspellen welke accessoires en kledingstukken vrouwelijke consumenten bij een kledingstuk willen aanschaffen en dat direct als suggestie eronder laten zien. De mogelijkheden zijn oneindig.
2. Churn rate
Voorspellen hoe groot de kans is dat mensen als klant of lid de dienstverlening opzeggen bij uw bedrijf, is ook heel goed mogelijk met predictive modeling. Vanaf het moment dat een consument klant bij u is geworden, kunt u hun gedrag analyseren. Op basis van die analyse kun u voorspellen wanneer iemand waarschijnlijk weg gaat. U kunt uw bestaande data ook koppelen aan gegevens of huizen te koop staan. Dat kan van toepassing zijn voor telecombedrijven, die kabel/tv-pakketten aanbieden. Ook kunt u analyses en voorspellingen maken op basis van mailgedrag. Als uw inzicht hebt in wanneer iemand overweegt om weg te gaan, kunt u bijvoorbeeld loyaliteitsprogramma’s in gang zetten.
3. Klantacceptatie
Predictive modeling kan ook een uitkomst bieden in het klantacceptatieproces. Begin met een analyse van het (betaal)gedrag van de klanten uit uw eigen bestand. Filter de klanten de goed en de minder goed betalende klanten en kijk welke eigenschappen zij hebben? Waar ziet u patronen? U kunt vervolgens ook data aankopen om u te helpen om waardevolle analyses en voorspellingen te maken. Denk bijvoorbeeld van het koppelen van postcodegegevens aan betaalgedrag. Die kennis kunt u automatiseren en om te voorspellen welke klanten een verhoogd betaalrisico hebben. Zo kunt u bij nieuwe klanten aanvullende voorwaardes opstellen bij de acceptatieprocedure.
