Voorspellende analyse: 5 manieren om er je voordeel mee te doen

Om dit concreet te maken: stel dat je een HR-manager bent die verantwoordelijk is voor het aannemen van mensen om code te schrijven voor de IT-afdeling van je bedrijf. Uit ervaring weet je dat afgestudeerden van bepaalde universiteiten het beter doen bij dit soort werk. Daarom screen je je sollicitanten op trefwoorden zoals "CalTech", "MIT" of "University of California Berkeley." Op een heel eenvoudige manier heb je zo je eigen voorspellende analyse toegepast om een betekenisvol verband te leggen tussen de opleiding van een sollicitant en hoe goed die persoon mogelijk binnen je bedrijf zal presteren.

Voor complexere verbanden heb je behoorlijk wat rekenkracht en goede algoritmen voor machinaal leren nodig. Stel dat uit je historische verkoopgegevens blijkt dat je bedrijf in de weken voorafgaand aan Nieuwjaar en Onafhankelijkheidsdag meer vuurwerk verkoopt, terwijl je dochteronderneming in november, vlak voor Thanksgiving, veel kalkoen verkoopt. Op basis van dit andere, vrij voor de hand liggende verband kun je vooraf voorspellen hoe je vuurwerk- en kalkoenverkoop eruit zal zien, puur op basis van eerdere prestaties en de kalenderdatum.

Een stap verder gaan

Misschien heb je ervaring met het lanceren van merken op sociale media, maar waren je prestaties in het verleden wisselvallig en teleurstellend. Met behulp van marketingtools met geavanceerde modellen voor voorspellende analyses laat gegevensanalyse zien dat merkboodschappen zich goed van Twitter naar Instagram verspreiden, maar bijna nooit in de tegenovergestelde richting gaan. In dit geval kun je bruikbare inzichten ontwikkelen, zoals een campagne altijd op Twitter beginnen of je Instagram-volgersbestand uitbreiden om betere prestaties te bereiken. 

Tot nu toe hebben we een paar zeer eenvoudige manieren gezien om toekomstige gebeurtenissen te voorspellen met behulp van uiterst eenvoudige methoden voor voorspellende analyses, maar vanaf hier kan het nog veel verder gaan. Je FICO-kredietscore is een vorm van voorspellende analyse. Door je geschiedenis van tijdige betalingen, beschikbare kredietruimte, huidige kredietbenutting en verschillende andere factoren te bekijken, voorspelt de FICO-score met een hoge mate van nauwkeurigheid hoe waarschijnlijk het is dat je je schulden niet kunt aflossen. De score kan zelfs rekening houden met het aantal kredietcontroles dat je de afgelopen 2 jaar hebt gehad om te bepalen of je wanhopig op zoek bent naar extra kredietruimte, wat een teken kan zijn van problemen in de toekomst.

Op de werkvloer ben je misschien een kwaliteitsborgingsmedewerker die ervoor moet zorgen dat de machines blijven draaien. Elke uitvaltijd kan je bedrijf geld kosten, dus je moet voorspellen wanneer en waar storingen waarschijnlijk zullen optreden. Je machinale leersysteem analyseert jaren aan historische gegevens en stelt vast dat storingen optreden wanneer een cruciaal onderdeel versleten raakt, wat sneller gebeurt wanneer de bedrijfstemperatuur hoog is. Het bruikbare inzicht hieruit is dat je de machines op een lagere intensiteit kunt laten draaien of kunt investeren in een groter koelsysteem om de temperatuur laag te houden, slijtage aan cruciale onderdelen te verminderen en de levensduur van de machines te verlengen, wat mogelijk miljoenen dollars kan besparen.

Voorspellende analyses versus data-analyses

Nu je een globaal beeld hebt van wat voorspellende analyses zijn, is het tijd om te kijken wat ze niet zijn. Of beter gezegd: dit is de scheidslijn tussen voorspellende analyses en andere verwante concepten waarmee ze gemakkelijk kunnen worden verward.

Ten eerste zijn voorspellende analyses niet hetzelfde als de bredere data-analyses. Het is correcter om te zeggen dat ze een onderdeel zijn van data-analyses, gericht op een beperkte reeks hulpmiddelen om toekomstgerichte modellen op te bouwen. De andere typen data-analyses zijn:

• Beschrijvende analyses: Een nauwkeurige en rationeel geordende weergave van wat er in het verleden is gebeurd, gepresenteerd op een begrijpelijke manier
• Diagnostische analyses: Uitzoeken waarom dingen in het verleden zijn gebeurd zoals ze zijn gebeurd, idealiter om inzicht te verkrijgen voor latere voorspellende modellen
• Voorschrijvende analyses: Bruikbare inzichten in welke richting je vanaf hier zou moeten gaan, plus een reeks instructies over wat je wel en niet moet doen terwijl je naar een doel toewerkt

Er zijn geen echt duidelijke, scherpe grenzen tussen deze typen data-analyses en elk type kan de andere typen informeren. Een zeer krachtige benadering van analyses gebruikt ze allemaal op de juiste plaats om robuuste modellen voor het begrijpen van complexe zaken op te bouwen.

Beschrijvende analyses

Stel bijvoorbeeld dat je een ingenieur bent die een veiligere auto probeert te ontwerpen. Je hebt enorme hoeveelheden beschrijvende analytische gegevens uit eerdere botsingen nodig, waaronder rapporten over verwondingen, om een model op te bouwen van hoe auto's beschadigd raken. Het beeld dat je hieruit krijgt, kan onthullen dat slachtoffers van botsingen vaak nekletsel oplopen. Dit is een beschrijving van ruwe gegevens, gepresenteerd op een manier die je kunt lezen, maar je moet nog verder gaan om de betekenis ervan te begrijpen.

Diagnostische analyse

Je weet dus dat er bij auto-ongelukken veel nekletsel voorkomt. Je volgende stap, de diagnostische analyse, vertelt je waarom. Blijkbaar stoten veel mensen hun hoofd tegen voorruiten of krijgen ze een zweepslag waarbij hun hoofd heen en weer beweegt. Soms raakt een zwaar voorwerp hen tijdens een ongeluk van achteren, waardoor het letsel ontstaat dat je ziet.

CREATE AN ACCOUNT

Create a CMO Club Account for access to exclusive content, practical templates, member-only events, and weekly leadership insights—it’s free to join.

Create Free Account

Have an account? Log In

Voorschrijvende analyse

In de derde stap, de voorschrijvende analyse, ontwikkel je een aantal suggesties om nekletsel bij auto-ongelukken te voorkomen.

Je zou kunnen overwegen de auto zo te ontwerpen dat deze niet beweegt totdat de bestuurder een nekbrace draagt. Je zou een veiligheidskooi rond het hoofd van de bestuurder kunnen bouwen, gemaakt van zware loden afscherming. Je zou een automatische schietstoel kunnen installeren die problemen detecteert en de bestuurder bij het eerste teken van gevaar naar buiten katapulteert. Enzovoort. In dit stadium bestaan er geen slechte ideeën, alleen ideeën.

Je werk komt hier echt samen in de fase van de voorspellende analyse. Door modellen op basis van prestaties uit het verleden uit te voeren, leer je dat autobezitters zich ergeren aan opdringerige veiligheidsvoorzieningen en de nekbraces waarschijnlijk zullen uitschakelen, waardoor ze geen haalbare optie zijn. Het toevoegen van gewicht door afscherming en het beperken van het gezichtsveld van bestuurders werken averechts. Gegevens uit het verleden van de lucht- en ruimtevaartindustrie vertellen je dat automatische schietstoelen over het algemeen een slecht idee zijn.

Maar er zitten een paar veelbelovende ideeën tussen, die je voorspellende analyse aan het licht brengt:

• Veiligheidsgordels zijn een goedkope manier om mensen tijdens een ongeluk op hun plaats te houden.
• Airbags vangen bewegende lichamen op.
• Veiligheidsglas breekt gemakkelijk, waardoor hoofd- en nekletsel wordt beperkt.
• Ongevallenpreventie verkleint het risico op een ongeluk in de eerste plaats.

Je verwerkt deze redelijke ideeën dus in je verbeterde ontwerp, waarvan je analyse voorspelt dat het de beste resultaten oplevert voor het uitgegeven geld. De cyclus herhaalt zich vervolgens: een nieuwe generatie veiligere auto's gaat de weg op, raakt betrokken bij ongelukken en genereert meer gegevens om mee te werken, waardoor auto's in de toekomst steeds veiliger worden.

Veelvoorkomende typen voorspellende modellen

Tot nu toe klinkt dit allemaal geweldig, maar wat zijn de hulpmiddelen van voorspellende analyse eigenlijk? Hoe werkt het? Wat doen kunstmatige intelligentie, machinaal leren en al die andere zaken nu precies?

Er zijn vier basismodellen voor dit soort analyses. Verschillende platforms gebruiken ze allemaal of slechts enkele ervan, en het gebruik ervan is sterk afhankelijk van de context. Hieronder volgt een kort overzicht van de verschillende typen.

Classificatiemodel

Classificatie zou net zo goed segmentatie kunnen worden genoemd. Deze aanpak verdeelt grote gegevensverzamelingen in onderdelen met betekenisvolle verbanden. Als je ooit met een marktonderzoek te maken hebt gehad, ben je bekend met demografische segmentatie. Als je ooit hebt geprobeerd skateboards aan senioren te verkopen, heb je al geleerd hoe belangrijk bepaalde classificaties kunnen zijn.

Specifieke modellen voor een nauwkeurige classificatie zijn onder andere logistische regressieanalyse, beslisbomen, willekeurige-bosmodellen, neurale netwerken en naïeve Bayes-analyse.

Prognosemodel

Prognoses behoren tot de meest gebruikte benaderingen, deels omdat ze zo veelzijdig zijn en deels vanwege hun vermogen om realtime numerieke waarden toe te kennen aan complexe historische verschijnselen waarvoor geen cijfers bestaan.

Je kunt bijvoorbeeld de geschiedenis van productlanceringen binnen je merk gebruiken om het webverkeer te voorspellen op de dag waarop je een campagne lanceert. Met dit getal waarschuw je je webhost en vraag je om extra bandbreedte. Daardoor krijg je enorm veel verkeer, crasht je website niet en zijn de verkopen sterk.

Clustermodel

Clustermodellen zijn bijzonder krachtig en door de opkomst van algoritmen voor diep leren zijn ze angstaanjagend effectief geworden. Ze werken door verbanden tussen zaken in de echte wereld te herkennen, deze met andere zaken te vergelijken en vervolgens voorspellingen te doen op basis van associaties.

Je clustermodel kan bijvoorbeeld opmerken dat mensen die luiers, babyvoeding, meubels voor de kinderkamer en kinderstoelen kopen, in de nabije toekomst waarschijnlijk ook een zorgverzekering en schoolbenodigdheden zullen kopen. Door deze informatie op te slaan, kan ze de basis vormen voor een succesvolle verkoopboodschap die tot wel 18 jaar later op deze personen is gericht, wanneer een klant studieleningen aanbiedt.

Zoals je misschien al had geraden, bestaan er veel van deze modellen. Veelvoorkomende clusteringsalgoritmen zijn k-means-clustering, mean-shift-clustering, dichtheidsgebaseerde ruimtelijke clustering van toepassingen met ruis (DBSCAN), expectation-maximization-clustering (EM) met behulp van Gaussiaanse mengmodellen (GMM) en hiërarchische clustering.

Tijdreeksmodellen

Je zou kunnen stellen dat de eerste tijdreeksanalisten de jagers-verzamelaars waren die opmerkten dat dieren met de seizoenen migreerden. Deze aanpak volgt cycli om toekomstige gebeurtenissen te voorspellen.

Het voorbeeld van hierboven over de stijgende verkoop van kalkoenen in november is een voorbeeld van tijdreeksanalyse. Specifieke modeltypen die je hier zou kunnen gebruiken zijn autoregressieve modellen (AR), voortschrijdende gemiddelden (MA), ARMA en ARIMA. 

3 voordelen van voorspellende modellering

Er valt veel te zeggen voor deze voorspellende modellen en de manier waarop ze helpen bij het nemen van beslissingen. Voor een duidelijker beeld volgen hier drie gebieden waarop je de modellen kunt toepassen om geweldige resultaten te behalen.

Beveiliging en risicobeperking

Beveiliging draait grotendeels om het voorspellen van het gedrag van mensen en daar vooraf rekening mee houden. Sloten op je deuren voorspellen dat mensen op enig moment zullen proberen de deurknoppen om te draaien. Forensische audittrails houden er rekening mee dat iemand zal proberen geld te verduisteren.

In marketing kunnen je historische gegevens erop wijzen dat informatielekken het vaakst voorkomen bij externe leveranciers. Daarom besluit je informatie achter te houden tot de productlanceringsdatum of de informatie zelfs op te delen om deze veilig te houden.

Operationele efficiëntie

Voorspellende hulpmiddelen kunnen je operationele efficiëntie aanzienlijk verbeteren door je te helpen de vraag te voorspellen. Als je callcenter 's ochtends vroeg en aan het einde van de middag erg druk is, maar op alle andere momenten uitgestorven, beschik je over gegevens die je helpen om diensten in te plannen.

Door je medewerkers per uur tijdens piekuren te laten werken en vervolgens af te schalen wanneer niemand belt, zet je je middelen precies op de juiste momenten in waar ze nodig zijn, in plaats van tijdens de spitsuren met te weinig personeel te zitten en te veel personeel te hebben wanneer het rustig is.

Betere besluitvorming

Dit is de belangrijkste. Je gebruikt voorspellende analyses om in feite een cheatcode voor toekomstige prestaties te krijgen. Denk opnieuw aan FICO-scores. Moet je krediet verstrekken aan iemand met een lage score die een hoog kredietrisico vormt? Moet je weigeren een nieuwe creditcard te sturen naar iemand met een score van 790? Het analytische model helpt je toekomstige resultaten te voorspellen op basis van prestaties uit het verleden.

5 manieren om voorspellende analyses in je voordeel te gebruiken

Segmentatie van klanten en doelgroepen

Je weet al dat je klanten van elkaar verschillen, maar ze hebben de neiging zich te groeperen in clusters die door grote datasets zichtbaar worden. Datamining heeft een slechte naam, maar het is de eerste stap bij het opbouwen van zinvolle clusters waarover je kunt generaliseren en die je efficiënter kunt benaderen.

Nieuwe klanten werven

Nieuwe klanten winnen is geweldig, en het vermogen om dit betrouwbaar te doen met je marketingcampagnes geeft je merk een concurrentievoordeel. Technieken zoals lineaire regressiemodellen helpen je werkprocessen te verfijnen en het meeste uit campagnes voor het werven van nieuwe klanten te halen.

More Articles

• 18 voordelen van software voor digitale marketing die betere resultaten opleveren
• Wat is een marketingworkflow?
• Wat kost SaaS-marketingsoftware?

Leads scoren

Het kaf van het koren scheiden is een belangrijk onderdeel van bedrijfsinformatie, vooral bij het scoren van leads en het opbouwen van een nieuwe achterban. Geneigdheidsmodellen laten zien waar het publiek waarschijnlijk met je mee naartoe gaat en welke potentiële klanten het meest kansrijk zijn.

Aanbevelingen voor inhoud en advertenties

Advertenties kunnen vervelend zijn als ze ongewenst zijn of producten aanprijzen die de kijker niet nodig heeft. Gezamenlijke filtering houdt de ergernis buiten beeld en maakt de kans veel groter dat je advertentieboodschappen aanslaan.

Klantervaringen personaliseren

Of je nu een detailhandelaar bent, in de financiële dienstverlening werkt of weersvoorspellingen maakt voor scheepvaartbedrijven, geautomatiseerde segmentatie helpt je alle mogelijke resultaten te doorzoeken en een aangepaste ervaring te bieden aan iedereen met wie je contact hebt. Dit is optimalisatie op persoonlijk niveau en heeft de potentie om de grootste impact op je marketing te hebben, omdat het op persoonlijk niveau contact maakt met iedereen met wie je merk in aanraking komt.

De toekomst tegemoet

Dat was veel om te behandelen, maar hopelijk ben je nu veel beter geïnformeerd over de voordelen van marketinganalysesoftware en hoe deze kunnen helpen bij voorspellende analyses. Er is ook nog veel meer informatie beschikbaar als je daarnaar op zoek bent. Abonneer je op de nieuwsbrief van The CMO om op de hoogte te blijven van de nieuwste tips, trends, softwareaanbevelingen en meer op het gebied van marketing.