Voorspellende analyses: 5 manieren om ze in je voordeel te gebruiken
Zou het niet geweldig zijn als je de toekomst kon zien? Mensen die verantwoordelijk zijn voor besluitvorming kunnen gestrest raken wanneer ze de gevolgen van hun keuzes proberen te voorspellen. Dat is de gedachte achter voorspellende analyse, een methode om historische gegevens te gebruiken om de resultaten van huidige beslissingen te voorspellen en naar de toekomst te projecteren.
Hoewel voorspellende analyse niet volledig foutloos is, kan ze je een behoorlijke voorsprong geven wanneer je met gegevens uit historische input werkt om trends te herkennen en het juiste pad te kiezen. Je kunt deze toolkit op allerlei gebieden gebruiken, van marketing en werving tot merkprestaties in de loop der tijd.
Dit artikel legt uit wat voorspellende analyse is, hoe deze je aanpak van B2B-voorspellende marketing kan ondersteunen en waar je deze kunt inzetten om lastige managementproblemen op te lossen. Aan het einde zou je vertrouwd moeten zijn met het concept en klaar moeten zijn om voorspellende modellen op te nemen in je normale beslisbomen. Je zou dit artikel ook moeten afsluiten met enkele goede ideeën over hoe je de toolkit voor voorspellende analyse kunt gebruiken om je werk veel productiever en minder stressvol te maken.
Create a Free Account to Read More
You need to sign up for a free membership to complete reading this article:
Have an account? Log In
Wat is voorspellende analyse?
Voorspellende analyse is een reeks hulpmiddelen om toekomstige prestaties te modelleren op basis van prestaties uit het verleden. Het is een reeks wiskundige processen om trends vanuit de gegevens die je hebt door te trekken naar de resultaten die je probeert te voorspellen. Door de relevante historische gegevens te selecteren en een passende reeks hulpmiddelen toe te passen, kun je de resultaten van beleidsmaatregelen en initiatieven die je nu overweegt betrouwbaar voorspellen.
Om dit concreet te maken: stel je voor dat je een HR-manager bent die verantwoordelijk is voor het aannemen van mensen die code schrijven voor de IT-afdeling van je bedrijf. Uit ervaring weet je dat afgestudeerden van bepaalde hogescholen 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 bij 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 de Vierde juli meer vuurwerk verkoopt, terwijl je dochteronderneming in november, vlak voor Thanksgiving, veel kalkoen verkoopt. Op basis van nog een redelijk voor de hand liggend verband kun je vooraf voorspellen hoe je vuurwerk- en kalkoenverkopen eruit zullen zien, alleen op basis van eerdere prestaties en de kalenderdatum.
Een stap verder
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 analyse laat je 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 altijd een campagne op Twitter starten of je Instagram-volgersbestand verder uitbouwen om betere prestaties te behalen.
Tot nu toe hebben we enkele zeer eenvoudige manieren gezien om toekomstige gebeurtenissen te voorspellen met behulp van uiterst eenvoudige methoden voor voorspellende analyse, maar het kan vanaf hier nog veel verder gaan. Je FICO-kredietscore is een vorm van voorspellende analyse. Door je geschiedenis van tijdige betalingen, beschikbare krediet, 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 in de afgelopen 2 jaar hebt gehad, om te bepalen of je wanhopig op zoek bent naar kredietuitbreidingen, een teken van problemen in het verschiet.
Terug op de werkvloer ben je misschien een QA-medewerker die ervoor moet zorgen dat de machines blijven draaien. Elke uitvaltijd kan je bedrijf geld kosten, dus moet je voorspellen wanneer en waar storingen waarschijnlijk zullen optreden. Je machineleersysteem analyseert jaren aan historische gegevens en stelt vast dat storingen optreden wanneer een kritiek onderdeel versleten raakt, wat sneller gebeurt wanneer de bedrijfstemperatuur hoog is. Het bruikbare inzicht hieruit is dat je de machines op een lagere intensiteit moet laten draaien of moet investeren in een groter koelsysteem om de temperaturen laag te houden, slijtage aan kritieke onderdelen te verminderen en de levensduur van de machines te verlengen, waarmee je mogelijk miljoenen dollars bespaart.
Voorspellende analyse versus gegevensanalyse
Nu je in grote lijnen weet wat voorspellende analyse is, volgt hier wat het niet is. Of beter gezegd: hier ligt de scheidslijn tussen voorspellende analyse en andere verwante concepten waarmee deze gemakkelijk kan worden verward.
Om te beginnen is voorspellende analyse niet hetzelfde als de bredere gegevensanalyse. Het is correct om te zeggen dat het een onderdeel is van gegevensanalyse, dat zich richt op een beperkte reeks hulpmiddelen om toekomstgerichte modellen op te bouwen. De andere soorten gegevensanalyse zijn:
- Beschrijvende analyse: een nauwkeurige en rationeel geordende weergave van wat er in het verleden is gebeurd, gepresenteerd op een begrijpelijke manier
- Diagnostische analyse: achterhalen waarom dingen in het verleden zijn gebeurd zoals ze zijn gebeurd, idealiter om inzicht te verkrijgen voor latere voorspellende modellen
- Voorschrijvende analyse: bruikbare inzichten in de richting die je vanaf hier moet inslaan, plus een reeks instructies over wat je wel en niet moet doen terwijl je naar een doel toewerkt
Er zijn werkelijk geen duidelijke, scherpe grenzen die deze soorten gegevensanalyse van elkaar scheiden, en elk type kan de andere typen informeren. Een echt krachtige aanpak van analyse gebruikt ze allemaal op de juiste plaats om robuuste modellen te bouwen voor inzicht in complexe zaken.
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 ongevallen nodig, waaronder rapporten over verwondingen, om een model te ontwikkelen van de manier waarop auto's breken. Het beeld dat je hiervan krijgt, kan onthullen dat slachtoffers van ongevallen vaak nekletsel oplopen. Dit is een beschrijving van ruwe gegevens, gepresenteerd op een manier die je kunt lezen, maar je moet verder gaan om er betekenis aan te geven.
Diagnostische analyses
Je weet dus dat er bij auto-ongevallen veel nekletsel voorkomt. Je volgende stap, de diagnostische analyse, vertelt je waarom. Blijkbaar stoten veel mensen hun hoofd tegen voorruiten of maken ze een zweepslagbeweging heen en weer. Soms raakt een zwaar voorwerp hen tijdens een ongeval van achteren, waardoor de verwondingen ontstaan die je ziet.
Voorschrijvende analyses
In de derde stap, voorschrijvende analyses, ontwikkel je een aantal suggesties om nekletsel bij auto-ongevallen te voorkomen.
Je zou kunnen overwegen de auto zo te ontwerpen dat hij pas beweegt wanneer de bestuurder een nekbrace draagt. Je zou een veiligheidskooi rond het hoofd van de bestuurder kunnen bouwen, gemaakt van zware loodafscherming. 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 voor prestaties uit het verleden uit te voeren, ontdek 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 verkleinen 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 zijn enkele veelbelovende ideeën in de verzameling, zo blijkt uit je voorspellende analyse:
- Veiligheidsgordels zijn een goedkope manier om mensen tijdens een ongeval op hun plaats te houden.
- Airbags dempen bewegende lichamen.
- Veiligheidsglas breekt gemakkelijk, waardoor hoofd- en nekletsel afneemt.
- Ongevallenpreventie verkleint in de eerste plaats het risico op een ongeval.
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 ongevallen en genereert meer gegevens om mee te werken, waardoor auto's in de toekomst steeds veiliger worden.
Veelvoorkomende soorten voorspellende modellen
Tot nu toe klinkt dit allemaal geweldig, maar wat zijn de hulpmiddelen van voorspellende analyses eigenlijk? Hoe werkt het? Wat doen kunstmatige intelligentie, machine learning en allerlei andere zaken eigenlijk?
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. Hier volgt een kort overzicht van de verschillende soorten.
Classificatiemodel
Classificatie zou net zo goed segmentatie kunnen worden genoemd. Deze aanpak verdeelt grote gegevensverzamelingen in stukken met betekenisvolle verbanden. Als je ooit betrokken bent geweest bij een marktonderzoek, ben je bekend met demografische segmentatie. Als je 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 meer logistische regressieanalyse, beslisbomen, random forests, neurale netwerken en de analyse van Naïve Bayes.
Prognosemodel
Prognoses behoren tot de meest gebruikte benaderingen, deels omdat ze zo veelzijdig zijn en deels vanwege hun vermogen om complexe historische verschijnselen zonder getalswaarden te voorzien van reële getalswaarden in real time.
Je kunt bijvoorbeeld de geschiedenis van productlanceringen onder 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.
Clusteringsmodel
Clusteringsmodellen zijn bijzonder krachtig en de opkomst van algoritmen voor deep learning heeft ze angstaanjagend effectief gemaakt. Ze werken door verbanden tussen dingen in de echte wereld te herkennen, deze te vergelijken met andere dingen en vervolgens voorspellingen te doen op basis van associaties.
Je clusteringsmodel kan bijvoorbeeld opmerken dat mensen die luiers, babyvoeding, meubels voor de babykamer 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 op deze personen is gericht, tot wel 18 jaar in de toekomst, wanneer een klant studieleningen aanbiedt.
Zoals je misschien al had geraden, bestaan er veel van deze modellen. Veelvoorkomende clusteringalgoritmen zijn k-means-clustering, mean-shift-clustering, dichtheidsgebaseerde ruimtelijke clustering van toepassingen met ruis (DBSCAN), expectation-maximization-clustering (EM) met behulp van Gaussische mengmodellen (GMM) en hiërarchische clustering.
Tijdreeksmodellen
Waarschijnlijk waren de eerste tijdreeksanalisten de jager-verzamelaars die opmerkten dat dieren met de seizoenen migreerden. Deze aanpak volgt cycli om toekomstige gebeurtenissen te voorspellen.
Het bovenstaande voorbeeld waarin de verkoop van kalkoenen in november toeneemt, is een voorbeeld van tijdreeksanalyse. Specifieke modeltypen die je hier zou kunnen gebruiken, zijn autoregressief (AR), voortschrijdend gemiddelde (MA), ARMA en ARIMA.
3 voordelen van voorspellende modellering
Er valt veel te zeggen voor deze voorspellende modellen en de manier waarop ze je helpen bij het nemen van beslissingen. Voor een duidelijker beeld volgen hier drie gebieden waarop je de modellen kunt toepassen om uitstekende 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 een bepaald moment zullen proberen de deurklinken om te draaien. Forensische auditsporen houden er rekening mee dat iemand zal proberen geld te verduisteren.
In marketing kunnen je historische gegevens erop wijzen dat datalekken het vaakst voorkomen bij externe leveranciers. Daarom besluit je informatie achter te houden tot de lancering van een product, of informatie zelfs te segmenteren 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 een callcenter hebt dat vroeg in de ochtend en laat in de middag erg druk is, maar op alle andere momenten vrijwel uitgestorven, beschik je over gegevens die je helpen om diensten in te plannen.
Door je medewerkers per uur tijdens piekuren in te zetten en de bezetting te verminderen wanneer niemand belt, zet je je middelen precies op de juiste momenten in waar ze nodig zijn, in plaats van tijdens de drukste uren met te weinig personeel te zitten en te veel personeel te hebben wanneer het rustig is.
Betere besluitvorming
Dit is de belangrijkste. In feite gebruik je voorspellende analyses om een soort truc voor toekomstige prestaties te krijgen. Denk opnieuw aan FICO-scores. Moet je krediet verstrekken aan iemand met een hoog kredietrisico en een lage score? Moet je weigeren een nieuwe creditcard te versturen naar iemand met een score van 790? Het analytische model helpt je toekomstige uitkomsten 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 groepen die door grote gegevensverzamelingen zichtbaar worden. Datamining heeft een slechte reputatie, 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 maximale uit campagnes voor het werven van nieuwe klanten te halen.
Leads kwalificeren
Het kaf van het koren scheiden is een belangrijk onderdeel van bedrijfsinformatie, vooral bij het kwalificeren van leads en het opbouwen van een nieuwe achterban. Neigingsmodellen laten zien waar het publiek waarschijnlijk met je in zee zal gaan 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. Samenwerkende filtering filtert de irritatie eruit en maakt het veel waarschijnlijker dat je advertentieboodschappen aanslaan.
De klantervaring personaliseren
Of je nu een detailhandelaar bent, in de financiële dienstverlening werkt of weersvoorspellingen maakt voor scheepvaartbedrijven, geautomatiseerde segmentatie helpt je alle resultaten die je zou kunnen genereren te doorzoeken en een gepersonaliseerde ervaring te bieden aan iedereen met wie je contact hebt. Dit is optimalisatie op persoonlijk niveau en heeft het potentieel om de grootste impact op je marketing te hebben, omdat het op persoonlijk niveau verbinding maakt met iedereen met wie je merk in contact komt.
De toekomst tegemoet
Dat was veel om te bespreken, 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 die zoekt. 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.
