arrow_drop_up arrow_drop_down
Voorspellende modellen en hun kracht
13 februari 2019 

Voorspellende modellen en hun kracht

Predictive intelligence klinkt wellicht als iets wat thuishoort in een science fiction film. Maar niets is minder waar. Er zijn tegenwoordig nog maar weinig markten te vinden waar niet gewerkt wordt met voorspellende modellen. Voorspellende modellen maken het leven van ons marketeers nou eenmaal een stuk aangenamer. We gebruiken deze data om onze klanten relevante producten of diensten aan te bieden. Nog voordat zij überhaupt zelf weten dat ze het nodig hebben. Vet toch! Om je een beetje wegwijs te maken in de wereld van voorspellende modellen hebben we de meest voorkomende modellen voor je op een rij gezet.

So let's begin. Allereerst is het handig om te begrijpen wat een voorspellend model nu echt is. Met een voorspellend model identificeer en analyseer je het gedrag van een klant. Met de input afkomstig uit de analyse bouw je vervolgens een profiel rondom deze klant. Zodra een profiel voldoende data bevat, kun je het gebruiken om voorspellingen te doen. Op basis van zo'n voorspelling richt je daarna een relevante campagne in. Specifiek gericht op deze type klanten.

Soort voorspellend model

Bij Exsell maken we een onderscheid tussen twee type modellen, namelijk:

  • Voorspellende modellen op basis van klantgedrag. Hieronder vallen:
    • Segmentatiemodellen
    • Propensity modellen
    • Intelligent recommendations
  • Voorspellende modellen die helpen bij het kwalificeren en prioriteren van leads. Hieronder vallen:

Segmentatiemodellen

Veel B2B organisaties segmenteren hun klantenbestand slechts op zaken als branche en aantal medewerkers. Dit werkt goed bij een marktafbakening, maar laat te wensen over als het gaat om een effectieve marktbewerking. Om de juiste klant met de juiste boodschap op het juiste moment te bereiken is een meer diepgaande segmentatie vereist.

RFM-analyse
Een goed voorbeeld hiervan is de RFM-analyse. Dit is een segmentatiemodel waarbij klanten worden onderverdeeld in groepen op basis van hun aankoopgedrag. De afkorting RFM staat voor: recentheid, frequentie en monetaire waarde. Aan deze drie waarden ga je scores toekennen.

Binnen Exsell koppelen we deze scores aan lifecycle segmenten. Omdat we vinden dat dit goed aansluit op de structurele marktbewerking en denkwijze vanuit marketing. Op basis van de customer lifecycle waarin een klant zich bevindt, proberen we vervolgens heel doelgericht zijn gedrag te sturen met bijvoorbeeld een e-mailcampagne.

Propensity modellen

Een propensity model kun je zien als een statistische score kaart die je bijhoudt voor elke klant afzonderlijk. Aan de hand van de score is het mogelijk om te voorspellen welk gedrag je klant in de toekomst gaat vertonen. Hier kun je dan vervolgens tijdig op inspelen.

Churn Propensity Model
Zo zetten we bij een aantal van onze klanten het Churn Propensity Model in. Met dit model maken we inzichtelijk welke klanten een verhoogd risico vertonen om een bedrijf te verlaten. Dit biedt onze opdrachtgevers de kans om deze groep klanten tijdig te benaderen met een passend aanbod. Om zo te voorkomen dat ze deze klanten definitief kwijtraken.

Intelligent recommendations

Daarnaast voeren we ook een groot aantal Intelligent recommendations uit. Dit zijn aanbevelingen waarbij we kijken naar het aankoopgedrag van een klant. Hierbij stellen we onszelf bijvoorbeeld de vraag: “In welk product zal deze klant geïnteresseerd zijn bij een volgende aankoop?”

Next Best Offer Model
Het antwoord op deze vraag vinden we onder andere door ons Next Best Offer Model toe te passen. Dit model helpt klanten door ontwikkelen door steeds een relevant volgend aanbod te doen. We kijken daarbij naar zowel het klantprofiel als naar de samenhang tussen verschillende producten.

Als blijkt dat klanten de producten X, Y en Z vaak samen afnemen, dan gaan we de klanten die enkel één van deze drie producten hebben besteld targeten om ook de twee overige producten af te nemen. Dit kan met e-mailcampagnes maar bijvoorbeeld ook via de website. Bij het plaatsen van een ‘whiteboard' in het winkelwagentje, worden daarna automatisch ook de juiste ‘stiften' aangeboden.

Lead score Model

Een Lead Score Model helpt je bepalen welke prospects de grootste kans hebben om klant te worden. Dit wordt gedaan aan de hand van punten die je toekent aan specifieke acties van een lead. Hierbij moet je denken aan acties als:

  • Downloaden whitepaper +20 punten.
  • Inschrijven nieuwsbrief +10 punten.
  • Klik op een productenpagina +3.
  • Et cetera.

Al deze punten worden vervolgens bij elkaar opgeteld. Hoe meer punten er worden toegekend, hoe hoger het interesse-niveau van de klant is. Hieraan voorafgaand wordt overigens wel eerst berekend wat de maximaal haalbare score is die een klant kan ontvangen.

Daarna wordt bepaald wat de minimale score (drempel) is waarover een klant moet beschikken alvorens hij wordt doorgezet naar de salesafdeling. Op deze manier worden kwalitatief slechte leads eruit gefilterd en gaat de salesafdeling veel efficiënter te werk.

Identification Model

Door het inzetten van een Identification Model is het mogelijk om inzichtelijk te maken welk product, dienst of kanaal nodig is om een bepaald segment van prospects tot aankoop over te laten gaan. Hiervoor zijn verschillende modellen ontwikkeld.

Entry Product Model
Bij Exsell werken we met het Entry Product model. Dit model maakt duidelijk welk product of dienst het best aangeboden kan worden om een nieuwe klant binnen te halen. Vaak gaat het hierbij om goedkopere (basis)producten.

Attributie Model
Een ander model wat we inzetten is het Attributie model. Hiermee helpen we onze klanten per klantsegment bepalen welke mix van kanalen de grootste kans heeft op succes. Op deze manier worden enkel nog de juiste kanalen ingezet.

Maar onthoud!

Alles begint bij de aanlevering van een goede dataset. Want, al werk je met de meest geavanceerde voorspellende modellen: slechte datakwaliteit leidt hoe dan ook tot slechte beslissingen.

Ook bij ons worden soms datasets aangeleverd van minder goede kwaliteit. Deze verbeteren we dan eerst door vervuilde data op te schonen en door incomplete data te verrijken met externe bedrijfsdata. Als de dataset eenmaal van juiste kwaliteit is zetten we het om naar ons standaard datamodel om daarna het gewenste model op los te laten.

Wil je weten wat wij voor jou kunnen betekenen op het gebied van big data en voorspellende modellen? Lees dan hier nog meer over onze Intelligence Factory. Je kunt natuurlijk ook direct contact opnemen voor een vrijblijvend gesprek.

Over de schrijver
Daisy is binnen onze organisatie een échte online marketeer die de efficiëntie in alles opzoekt. Als consultant houdt ze zich bij klanten met name bezig met marketing automation, campaign marketing en leadgeneratie. Maar ook voor het inrichten van Google Analytics en Google Tag Manager draait zij haar hand niet om. Daarnaast schrijft ze met enige regelmaat content voor onze website. Als ze geen klantrelaties bouwt, dan is ze druk met sporten, koken of het bingewatchen van een nieuwe serie.
Reactie plaatsen

Mogen we cookies gebruiken?