“Study the past if you would define the future.” ― Confucius
Deze blog geeft een inzicht in het opzetten van nieuwe scoring-modellen om toekomstig klantengedrag te herkennen.
De eerste stap naar een predictief model omvat het in kaart te brengen wat geweest is. Het verleden is in veel gevallen sterk gedocumenteerd en de uitkomst van bepaalde handelingen ligt ook vast.
Voorbeelden hiervan zijn reclamecampagnes, klantenverloop, prospectbenadering,... In veel gevallen zit deze data vervat in de interne systemen van het bedrijf. Om deze om te zetten in bruikbare inzichten, moet in sommige gevallen een extra handeling doorgevoerd worden, met name het opschonen en structureren van de data. Er bestaan vele manieren om bestaande bedrijfsgegevens intern of extern op te schonen, maar hierin zijn meerdere bedrijven gespecialiseerd. In veel gevallen kan deze data ook verrijkt worden met extra gegevens die andere inzichten genereren op de data. Je kan bijvoorbeeld bedrijfsgegevens combineren met demografische gegevens (extern) om in een latere fase het afzetgebied te bepalen.
Doel van deze oefening is om de data om te zetten in kennis van het verleden. Een typisch voorbeeld hiervan is klanten segmentatie.
De volgende stap is de combinatie van historische data/inzichten met handelingen die de klant in het heden stelt.
Het goed registreren van de handelingen die een klant in het heden stelt is noodzakelijk om een voorspellend karakter te kunnen geven aan gedrag en daarnaar te handelen. Hier ontbreekt het soms aan de wil om data op een gestructureerde manier vast te leggen. Ingeval van online gedrag is dit gemakkelijker en wordt dit ook al veel toegepast. Denk hierbij aan de "people who bought this, also bought..." toevoeging van Amazon aan de site, waarbij het bestedingsgedrag van online bezoekers de hoogte in ging. Ingeval van b-t-b sales ben je in veel gevallen afhankelijk van de input die door mensen (verkopers) gegeven wordt. Indien ik dit vanuit persoonlijke ervaring bekijk, heb ik de ervaring dat je de data-input vooral zo gemakkelijk mogelijk moet maken. Indien 5 schermen geopend moeten worden, om 1 enkel telefoontje te loggen, dan wordt dit al snel een opdracht. Indien deze data ook enkel gebruikt wordt om prestaties te evalueren, dan zal dit gedrag ook niet in structuur en gewoonte omgezet worden. Indien je aan de andere kant de input van gegevens vergemakkelijkt, door bijvoorbeeld de outlook agenda te koppelen met de interne crm-systemen, waardoor de handeling 1-op-1 opgeslagen wordt, dan krijg je wel het gewenste gedrag van je sales. Indien deze gegevens dan ook nog omgezet kunnen worden in inzichtelijke gegevens (bijvoorbeeld extra diensten die verkocht kunnen worden), zullen ze al snel extra data loggen om zo de individuele prestatie te ondersteunen.
Het combineren van verleden en heden om zo de toekomst te voorspellen is voor veel bedrijven het Walhalla in de wereld van data. Denk hierbij aan churn-predictie, waarbij je door in te spelen op klanten gedrag (bv bestedingsgedrag of aantal contactpunten), het risico op klantenverloop kan inperken door gericht te communiceren.
Ik zie echter dat veel bedrijven (zowel de KMO als de grote ondernemingen) op zowel het eerste als het 2de front nog stappen te zetten hebben. In veel gevallen zit de interne data verspreid doorheen de onderneming en vaak ongestructureerd. Denk maar aan het ontbreken van ondernemingsnummers, contactgegevens,... Ook het structureel loggen van de real-time data loopt niet steeds van een leien dak. Hierdoor vervallen bedrijven veelal in het parallel opzetten van datastromen of wordt volledig nagelaten hiermee aan de slag te gaan.
Laat je bijstaan door externe partijen om op korte termijn de interne data te stroomlijnen zodat deze in je interne en externe communicatie kan ingezet worden.
Eric De Clercq
LegUcy BV
Comments