7 voorbeelden van voorspellende analyses om je volgende stap te inspireren
Mensen zullen de toekomst misschien nooit kunnen voorspellen, maar machines kunnen daar mogelijk wel in slagen. Voorspellende analyses helpen veel bedrijven de problemen van morgen op te lossen door ze vandaag te identificeren en bruikbare inzichten te bieden.
In deze gids bespreek ik wat voorspellende analyses en datawetenschap zijn en hoe je ze kunt benutten om je concurrenten een stap voor te blijven dankzij betere bedrijfsinformatie en vaardigheden op het gebied van besluitvorming op basis van big data. Ook geef ik zeven praktijkvoorbeelden van voorspellende analyses om je volgende stap te inspireren.
Wat zijn voorspellende analyses?
Bij het verzamelen van gegevens om bruikbare inzichten te ontdekken, kunnen bedrijven vier soorten analyses gebruiken. Voorspellende analyses richten zich op wat er in de nabije toekomst waarschijnlijk zal gebeuren, zodat je bedrijf zich daarop kan voorbereiden en er adequaat op kan reageren. Een van de belangrijkste aanjagers van voorspellende analyses is tegenwoordig de opkomst van machinaal leren en automatiseringstechnologie. Dit vormt de basis voor de beste marketinganalysetools.
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
Machinaal leren gebruikt wat er in het verleden is gebeurd om verbanden te vinden in het gedrag en de beslissingen van mensen, zodat het kan voorspellen wat ze in de toekomst zullen doen door voorspellende modellen te creëren en datasets in realtime te bestuderen.
In dit artikel bespreek ik zeven voorbeelden van voorspellende analyses en hoe ze bedrijven hebben geholpen hun speelveld volledig te veranderen. Bij correct gebruik kunnen voorspellende data-analyses je ook helpen de concurrentie voor te blijven.
7 voorbeelden van voorspellende analyses
Voorspellende analyses kunnen veel problemen oplossen voor bedrijven in uiteenlopende vakgebieden. Je kunt voorspellende analyses gebruiken om te bepalen hoe je je overheadkosten met 25% verlaagt, je conversiepercentage voor verkoop met 15% verhoogt of je bedrijf opschaalt om aan de snel groeiende vraag te voldoen. Door toekomstige gebeurtenissen te voorspellen, kun je je bedrijf in een ideale positie brengen om daarvan te profiteren.
We hebben de volgende casestudy's geselecteerd als voorbeelden van bedrijven die hun succes te danken hebben aan voorspellende analyses, datagedreven marketingstrategieën en machinaal leren.
Seebo bereikt een leveringspercentage van 98%
Biotechnologie- en gezondheidszorgbedrijf Seebo had meerdere oplossingen nodig voor problemen die zijn productie- en leveringscapaciteit teisterden. Het bedrijf ontdekte dat het te veel tijd besteedde aan het reinigen en onderhouden van apparatuur en veel afval weggooide. Productiestilstanden tastten de winst van Seebo aan doordat ze de productiecapaciteit verminderden en de levertijden verlengden.
Seebo koos voor het gebruik van voorspellende analyses om de onderliggende problemen te identificeren en op te lossen. De uitvaltijd werd met meer dan 83% verminderd, de productiecapaciteit steeg met meer dan 5% en Seebo rapporteerde een leveringspercentage van 98%. De verminderde uitvaltijd bespaarde Seebo veel geld, met een geschatte kostenbesparing op uitvaltijd van 72%. Lagere kosten en gestroomlijnde productie leidden tot een buitengewoon rendement op investering.
Airbnb groeit in 5 jaar met 43.000%
Een van de grootste uitdagingen voor nieuwe bedrijven is hoe ze kunnen opschalen wanneer ze met een exponentieel groeiende vraag worden geconfronteerd. Airbnb is een voorbeeld van een bedrijf dat bijna van de ene op de andere dag uitgroeide van niets tot een belangrijke speler in de sector. Het schrijft een groeipercentage van 43.000% in 5 jaar toe aan het gebruik van machinaal leren en voorspellende analyses.
Het model dat Airbnb gebruikte, begon met historische gegevens om patronen in menselijk gedrag vast te stellen. De inzichten uit datamining en tools voor voorspellende analyses vormden de basis voor de volgende planningsfase van Airbnb, maar daar hield het niet op. Het testte deze inzichten om de nauwkeurigheid van de voorspellingen te bepalen, waarna de resultaten opnieuw aan het analysemachine werden gevoed om betere voorspellingen te creëren.
Amazons patent voor voorspellende bestellingen
Een veelvoorkomend probleem voor retailers is om producten die klanten willen op voorraad te houden zonder ruimte te besteden aan artikelen die niet zullen verkopen. Amazon investeerde in de ontwikkeling van een nieuwe technologie voor voorspellende analyses waarmee het de klanten een stap voor kan blijven en zijn voorraadruimte kan vullen met producten op het moment dat daar vraag naar ontstaat.
Het resultaat was dat Amazon bestellingen plaatste voor producten waarvan het wist dat klanten ze zouden kopen en deze naar distributiecentra liet sturen die dichtbij genoeg lagen om de levertijden aanzienlijk te verkorten. Dit proces verklaart waarom veel mensen zulke snelle leveringen van Amazon ontvangen en waarom Amazon zijn toeleveringsketen zo efficiënt beheert.
Gramener & Microsoft identificeren wilde dieren
Non-profitorganisaties moeten elke geïnvesteerde dollar goed besteden. Dat leverde de Nisqually River Foundation grote voordelen op toen zij samenwerkte met Gramener en Microsoft om een van haar grootste problemen op te lossen.
Een van de kerndoelen van de stichting is het volgen van de vele vissoorten langs een traject van 81 mijl van een rivier in Washington. Mensen vissen laten vangen, merken en weer vrijlaten kan tijdrovend en eentonig worden, dus creëerden Microsoft en Gramener een model voor voorspellende analyses voor de non-profitorganisatie. Een AI gebruikte video's van de rivier om de verschillende vissoorten in de rivier effectief te identificeren en te tellen.
De stichting rapporteerde dat de nauwkeurigheid van het model voor voorspellende analyses 73% hoger was dan bij het handmatig volgen van de vissen, en dat de gerelateerde kosten met ongeveer 80% waren gedaald. Nu kan de Nisqually River Foundation dat geld investeren in andere, productievere initiatieven.
Triaz Gruppe bespaart op cataloguskosten
Triaz Gruppe gebruikte voorspellende analyses om nauwkeurig een waarde toe te kennen aan elk van zijn klanten bij het versturen van catalogi. Hierdoor kon het bedrijf ook het best mogelijke rendement op investering voor elk van zijn advertenties bepalen, zodat het ineffectieve advertenties kon stopzetten ten gunste van advertenties die meer aandacht van potentiële klanten zouden trekken.
Een van de problemen die Triaz Gruppe vaststelde, was dat het te veel catalogi verstuurde. Het potentiële rendement op investering werd sterk verlaagd door de kosten voor het drukken van deze catalogi. Daarom was het cruciaal om het juiste aantal te versturen om de kosten te verlagen en de conversieratio's van de marketingcampagnes te optimaliseren.
Würth verhoogt de verkoopefficiëntie
Weten welke producten je potentiële klanten moet tonen, kan het verschil maken tussen een verkoop binnenhalen en de klant zien vertrekken. Würth gebruikt een algoritme om klantgedrag te bestuderen en te bepalen in welke producten elke klant waarschijnlijk het meest geïnteresseerd is voordat er voor het eerst contact is geweest. Zodra de klant contact opneemt, bepaalt het algoritme tot welk productsegment deze behoort.
Vertegenwoordigers krijgen nieuwe klanten toegewezen in segmenten waarin ze gespecialiseerd zijn. Met een succespercentage van meer dan 85% bij het toewijzen van klanten aan het juiste segment heeft machinaal leren de afsluitpercentages van Würth sterk verhoogd en vertegenwoordigers geholpen hun tijd te optimaliseren door te werken met klanten die een hoge waarschijnlijkheid hebben om een aankoop te doen. Een ander voordeel is dat de klantervaring is verbeterd, wat heeft geleid tot betere retentiepercentages.
Wereldwijde keten verhoogt coupongebruik met maximaal 15%
Kunstmatige intelligentie helpt supermarkten een probleem op te lossen waarvan ze al jaren op de hoogte zijn. Veel klanten letten niet op de coupons die op hun kassabonnen worden afgedrukt, en de opkomst van digitale media heeft het aantal mensen dat coupons uitknipt en hun wekelijkse kranten gebruikt om korting te vinden, verminderd.
In ons laatste voorbeeld van voorspellende analyses ontdekte een wereldwijd actief levensmiddelenbedrijf hoe het coupongebruik met 15% kon verhogen en gebruikte het die kennis om drie keer zoveel couponcampagnes te genereren. Dit had een positief effect op meer dan 10.000 winkels, omdat klanten meer producten kochten zodat ze hun coupons konden gebruiken.
Aan de slag met voorspellende analyses
Technologie voor diep leren wordt snel ingezet in de sectoren financiële dienstverlening, personeelszaken en gezondheidszorg. Het kunnen identificeren en voorspellen van toekomstige trends heeft veel mogelijke toepassingen voor B2B-marketing op basis van voorspellingen.
Nu ontwikkelingen op het gebied van kunstmatige intelligentie de laatste tijd regelmatig het nieuws halen, vraag je je misschien af hoe je algoritmen voor machinaal leren kunt benutten om je bedrijf voordeel te bieden. Voordat je meteen in het diepe springt, moet je een paar dingen weten. Voorspellende analyses zijn geen allesomvattende oplossing voor alles, en het is een goed idee om ze te combineren met andere analysestrategieën.
Je moet weten welke problemen in de echte wereld je probeert op te lossen wanneer je analyses gebruikt, de juiste informatie verzamelen en je modellen voor voorspellende analyses opbouwen. Nadat je bruikbare inzichten hebt verzameld, is het tijd om wat je hebt geleerd in de praktijk te brengen, zodat je de vruchten kunt plukken.
Aanbevolen lectuur: Beste software voor contentanalyse
Bepaal het probleem dat je moet oplossen
Zoals de bovenstaande verhalen laten zien, had elke organisatie die voorspellende analyses in haar voordeel gebruikte een unieke reeks problemen. In sommige gevallen waren de productiekosten te hoog of werd de juiste klantenbasis niet bereikt. In andere voorbeelden moesten bedrijven manieren overwegen om hun bereik en betrokkenheid bij klanten te vergroten.
Er zijn veel soorten gegevens om te overwegen bij het ontwikkelen van je eigen oplossing voor voorspellende analyses. Probeer de zwakke punten van je eigen bedrijf te evalueren, zodat je een duidelijk doel hebt voor het gebruik van analyses. Zodra je een of meer problemen hebt vastgesteld, kun je op zoek gaan naar inzichten over hoe je ze kunt overwinnen.
Zorg dat je over de benodigde gegevens beschikt
Een ervaren data-analist weet dat technologie voor machinaal leren slechts zo goed is als de informatie die je erin invoert. Als je bijvoorbeeld probeert te bepalen hoe je retentiepercentages van klanten kunt verhogen, is het verzamelen van gegevens over productiekosten verspilling van tijd en middelen. Wanneer je weet welke problemen je probeert op te lossen, weet je ook welke algoritmen voor voorspellende analyses je moet gebruiken.
In veel gevallen proberen bedrijven inzicht te krijgen in meerdere problemen. Trap alleen niet in de valkuil dat je enorme hoeveelheden gegevens verzamelt die je niet gebruikt of waaruit je geen inzichten haalt. Je wilt de effectiviteit van je tijd en middelen maximaliseren, inclusief je investering in software voor marketinginformatie.
Modellen voor voorspellende analyses bouwen
Wees niet bang om je eigen modellen voor voorspellende analyses te bouwen. Bedrijven hebben machine learning op diepgaand onvoorstelbare manieren ingezet. Je zou voorspellende analyses bijvoorbeeld kunnen gebruiken om te bepalen wanneer het optimale moment is om de machines in een productiefaciliteit te repareren. Je zou werknemers zo kunnen inroosteren dat drukke momenten gedekt zijn en er minimale stilstand is, waardoor de waarde van de lonen van je personeel wordt gemaximaliseerd.
Een ander nuttig model kan voorspellen hoeveel contant geld je in de toekomst beschikbaar zult hebben en waar je dit het beste kunt investeren. Een nauwkeurige voorspelling van hoeveel geld je de komende 6 maanden tot een jaar beschikbaar zult hebben, kan zeer informatief zijn als je je bedrijf probeert op te schalen of nieuwe locaties wilt openen.
Je inzichten in actie brengen
De laatste stap is iets doen met de informatie die je hebt verzameld. Je kunt tientallen jaren besteden aan het verzamelen van informatie en het verkrijgen van inzichten daaruit, maar het is tijdverspilling als je geen aanpassingen doorvoert. Een van de problemen die sommige bedrijven hebben, is dat ze niets ondernemen ondanks dat ze waardevolle inzichten binnen handbereik hebben.
Als je geen actieplan opstelt op basis van deze inzichten, doet een van je concurrenten dat misschien wel.
Hoe ben je van plan voorspellende analyses in de toekomst te gebruiken?
Heb je ideeën over hoe je de AI- en machinelearningtechnologie kunt gebruiken die we vandaag niet hebben besproken? Doe mee aan het gesprek en laat ons weten hoe je denkt dat voorspellende analyses de digitale markt in de komende jaren zullen vormgeven. Vergeet niet je op onze nieuwsbrief te abonneren voor het laatste nieuws en de nieuwste verhalen.
