Voorgestelde trefwoorden
Gerelateerde artikelen
Gerelateerde cases
Gerelateerde downloads
Alle resultaten
Voorgestelde trefwoorden
Gerelateerde artikelen
Gerelateerde cases
Gerelateerde downloads
Alle resultaten

Machine learning helpt je beter voorspellen, beter plannen en beter verkopen

21-09-2020

Om een bedrijf te kunnen leiden wil je altijd een idee hebben wat de toekomst, of in ieder geval het komende boekjaar, je gaat brengen. Al sinds jaar en dag rekenen slimme financiële professionals dus aan voorspellingen van verkoop, omzet, winst en marges. De traditionele manier om dit te doen is in Excelsheets. Maar hoe complex je dit ook maakt, je laat altijd kansen liggen.

In de traditionele aanpak kiest een analist een aantal indicatoren en zet die in een formule in een spreadsheet, voorzien van weegfactoren. Deze methode werkt op basis van gemiddelden, en levert zelfs bij een beperkt aantal variabelen erg complexe formules op. Met iedere extra variabele die je wilt meenemen, neemt de complexiteit exponentieel toe. Het is heel moeilijk vooraf te zien hoe verschillende variabelen elkaar zullen gaan beïnvloeden, wat kan leiden tot onverwachte resultaten. Meestal worden er dus maar vier of vijf indicatoren meegenomen en wordt de rest buiten beschouwing gelaten. Deze formules kunnen niet omgaan met afwijkingen uit het verleden, dus blijven dezelfde fouten ook jaar na jaar terugkomen.

Steeds meer data

Dit alles maakt de klassieke methode steeds slechter bruikbaar in een modern bedrijf. Bedrijven hebben steeds meer data. En als je data hebt, wil je ze ook gebruiken om er voordeel uit te halen. Zo loop je al snel tegen de beperkingen aan van de traditionele methoden. Door toepassing van machine learning verminder je de kans op fouten en kun je veel meer factoren meenemen in je voorspellingen. Machine learning algoritmes hebben geen enkele moeite met het gebruik van tientallen variabelen. Met een machine learning-aanpak weet je veel beter wat je kunt verwachten en kun je je investeringen dus ook veel effectiever plannen.

Het algoritme bepaalt zelf, op basis van trainingsdata, welke indicatoren belangrijk zijn en welke niet. Je kunt dus allerlei data toevoegen. Dingen die je toch al had, zoals klanttevredenheidsscores, of extra data toevoegen zoals gegevens over het weer of de economie. Omdat je nu ineens al die data meeneemt en niet slechts een selectie, kun je ook op een veel hoger detailniveau werken en bijvoorbeeld niet alleen de algemene omzet voorspellen, maar die voorspelling ook uitsplitsen per klant, per seizoen, per segment of per product.

Effectiever investeren

Een klant van ons voorspelde bijvoorbeeld op de traditionele manier al 5 jaar lang te weinig inkomsten. Steeds kwam er dus meer geld binnen dan vooraf gedacht. Dat lijkt misschien een luxeprobleem, maar het kostte dit bedrijf uiteindelijk geld. Bij het maken van het jaarbudget werden er hierdoor namelijk structureel te weinig marketingactiviteiten en investeringen gepland. . Zo leveren betere voorspellingen geld op. Je hoeft minder geld te reserveren voor onverwachte verliezen en je kunt meer investeren, omdat je weet dat je het gaat terugverdienen.

Meer conversie, lagere kosten

Er zijn nog veel meer voorbeelden te bedenken waarbij betere voorspellingen geld opleveren. Als je conversies bijvoorbeeld beter kunt voorspellen, kun je je sales-activiteiten ook beter organiseren. Stel, je voorspelmodel deelt klanten in op conversiekans op een schaal van 1 tot 10, waarbij 1 een hele goede lead is en 10 het minste kans van slagen heeft. Op basis van zo’n voorspelling kun je besluiten om alleen nog mensen na te bellen die een score van 1 tot 3 hebben. De rest stuur je een geautomatiseerde mail. Zo heb je ineens 70% minder telefoontjes te plegen, terwijl je evenveel nieuwe klanten binnenhaalt.

Omdat je met machine learning ook veel makkelijker kunt segmenteren, kun je nog verder gaan en bijvoorbeeld omzet en conversiekansen per leeftijdsgroep en geslacht bekijken. Voor een klant kwamen we erachter dat nabellen goed werkte voor vrouwen van 45 jaar en ouder, maar dat het bij jonge mannen juist averechts werkte. Daar converteerde een e-mail juist beter. Die groep werd dus helemaal niet meer gebeld. In plaats daarvan maakte de klant aparte e-mails voor iedere doelgroep en bereikte zo meer conversie, met veel lagere verkoopkosten.

Geen real-time analyse

Bij machine learning denk je misschien al snel aan cloud computing en real-time algoritmen die continu data analyseren en hun modellen aanpassen. Dit soort unsupervised learning ligt ten grondslag aan veel van de dingen die we dagelijks zien en gebruiken, zoals zoekmachines en advertentienetwerken. Maar een voorspelmodel voor de jaaromzet hoeft helemaal niet real-time te zijn. We draaien zo’n algoritme meestal maar één keer per jaar. Daarbij laden we alle data in een extern systeem, buiten de productie-omgeving om. Daar bouwen we dan het model, dat in feite bestaat uit een aantal coëfficiënten die moeten worden ingevoerd in een relatief eenvoudige rekenformule.

De IT-afdeling zet deze in het financieel systeem en iedereen kan het voorspelmodel gebruiken. Een andere mythe over machine learning die we vaak horen, is dat je er ongelooflijke hoeveelheden data voor nodig hebt. Maar dat is niet waar. Natuurlijk, met meer data wordt je model nauwkeuriger, maar meestal is wat je hebt goed genoeg om mee te beginnen. Zelfs met een kolom of 15 aan standaarddata uit je ordersysteem kun je al een goed model bouwen. Bovendien, je moet ergens beginnen. Met dit beperkte model vul je je marketing- en salespersona’s met concrete data. Dat beantwoordt vragen, maar het roept ook weer nieuwe vragen op. Op basis van die vragen voeg je weer data toe, die je modellen weer beter maakt.

Concrete stappen

Je moet dus echt de stap gaan zetten naar voorspellen met machine learning. Hoe dat concreet werkt, hangt een van je omstandigheden af. Ligt er een concrete hulpvraag van een afdeling? Bijvoorbeeld van een salesteam dat klanttevredenheidsdata beter wil gaan gebruiken? Zo’n vraagstuk is een prima pilotproject. Maar vaak vraagt een CTO, een CEO, een marketingmanager of een informatiemanager ons om eens rond te kijken waar we de beste mogelijkheden zien voor een pilot. Als je pilot slaagt, kun je deze technieken heel breed inzetten. Want vrijwel overal waar data voorhanden zijn en waar nu gerekend wordt met formules of Excelsheets kun je winst halen met machine learning.

Wil je meer weten? Neem dan contact op met Richard van Meurs, Marketing/Business Analist bij ons zusterbedrijf 4orange via richard.vanmeurs@4orange.nl of 06 15 834 886.

Wij geven om jouw privacy

Wij en derden gebruiken cookies op onze website. We gebruiken cookies voor statistische, voorkeur- en marketingdoeleinden. Google Analytics cookies zijn geanonimiseerd. Je kunt je voorkeuren wijzigen door op ‘Verander opties’ te klikken. Door op ‘Accepteren’ te klikken accepteer je het gebruik van alle cookies zoals beschreven in onze privacy-statement.

Powered by WP Brothers

Kies je privacyvoorkeuren

Via de cookieverklaring op onze website kun je jouw toestemming op elk moment wijzigen of intrekken. In ons privacybeleid vind je meer informatie over wie we zijn, hoe je contact met ons kunt opnemen en hoe we persoonlijke gegevens verwerken.

Noodzakelijk

Noodzakelijke cookies helpen onze website bruikbaarder te maken, door basisfuncties als pagina-navigatie en toegang tot beveiligde gedeelten van de website mogelijk te maken. Zonder deze cookies kan de website niet naar behoren werken.

Voorkeuren

Voorkeurscookies zorgen ervoor dat de website informatie kan onthouden die van invloed is op het gedrag en de vormgeving van de website, zoals de taal van je voorkeur of de regio waar je woont.

Statistieken

Statistische cookies helpen ons begrijpen hoe de website wordt gebruikt, door anoniem gegevens te verzamelen en te rapporteren. Met deze informatie kunnen wij onze site blijven verbeteren voor optimaal gebruik.

Marketing

Marketingcookies gebruiken we om relevante content en advertenties te tonen op andere websites die je bezoekt, die zijn toegespitst op jouw interesses.