7 voorbeelden van voorspellende analyses om je volgende stap te inspireren
Mensen zullen de toekomst misschien nooit kunnen voorspellen, maar machines slagen daar mogelijk wel in. 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 inzetten om je concurrenten een stap voor te blijven door middel van betere bedrijfsinformatie en vaardigheden op het gebied van besluitvorming op basis van big data. Ook geef ik zeven praktijkvoorbeelden van voorspellende analyses ter inspiratie voor je volgende stap.
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 waarschijnlijk in de nabije toekomst zal gebeuren, zodat je bedrijf zich daarop kan voorbereiden en dienovereenkomstig kan reageren. Een van de belangrijkste aanjagers van voorspellende analyses tegenwoordig is de opkomst van machinaal leren en automatiseringstechnologie. Dit vormt de basis voor de beste marketinganalysetools.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
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 zij 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 deze bedrijven hebben geholpen hun speelveld volledig te transformeren. 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% kunt verlagen, je conversiepercentage voor verkoop met 15% kunt verhogen of je bedrijf kunt opschalen om aan een snel groeiende vraag te voldoen. Door toekomstige gebeurtenissen te voorspellen, kun je je bedrijf in een ideale positie brengen om hiervan 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 technologie voor 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 dat het veel afval weggooide. Productiestilstanden tastten de winst van Seebo aan doordat ze de productiecapaciteit verminderden en de levertijden verlengden.
Seebo wendde zich tot 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 nam met meer dan 5% toe 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 uitzonderlijk hoge rendementen op investeringen.
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 exponentiële vraag te maken krijgen. Airbnb is een voorbeeld van een bedrijf dat vrijwel van de ene op de andere dag van niets uitgroeide tot een belangrijke speler in de sector. Het schrijft een groeipercentage van 43.000% in 5 jaar toe aan het gebruik van technologie voor machinaal leren en voorspellende analyses.
Het model dat Airbnb gebruikte, begon met historische gegevens om patronen in menselijk gedrag vast te stellen. De inzichten die werden verkregen uit datamining en tools voor voorspellende analyses vormden de basis voor de volgende planningsfase van Airbnb, maar Airbnb stopte daar niet. Het testte deze inzichten om de nauwkeurigheid van de voorspellingen te bepalen, waarna de resultaten opnieuw aan de analysemachine werden gevoed om betere voorspellingen te creëren.
Het patent voor voorspellende bestellingen van Amazon
Een veelvoorkomend probleem voor retailers is het op voorraad houden van producten die klanten willen, zonder ruimte te besteden aan artikelen die niet zullen verkopen. Amazon investeerde in de ontwikkeling van een nieuwe technologie voor voorspellende analyses waarmee het bedrijf de klanten een stap voor kan blijven en de opslagruimte kan vullen met producten zodra 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 effectief beheert.
Gramener en Microsoft identificeren wilde dieren
Non-profitorganisaties moeten elke geïnvesteerde euro goed benutten. Het leverde de Nisqually River Foundation enorme voordelen op om samen te werken 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 laten uitzetten kan tijdrovend en vervelend worden, dus Microsoft en Gramener hebben een voorspellend analysemodel ontwikkeld voor de non-profitorganisatie. Een AI gebruikte video's van de rivier om de verschillende soorten vissen in de rivier effectief te identificeren en te tellen.
De stichting rapporteerde dat de nauwkeurigheid van het voorspellende analysemodel 73% beter was dan het handmatig volgen van de vissen en dat de gerelateerde kosten met ongeveer 80% werden verlaagd. Nu kan de Nisqually River Foundation dat geld investeren in andere, productievere activiteiten.
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 beste potentiële 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 bepalen om de kosten te verlagen en de conversiepercentages voor de marketingcampagnes te optimaliseren.
Würth verhoogt de verkoopefficiëntie
Weten welke producten aan potentiële klanten moeten worden getoond, 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 eerste contact is geweest. Zodra de klant contact opneemt, bepaalt het algoritme tot welk productsegment deze behoort.
Vertegenwoordigers krijgen nieuwe klanten toegewezen in segmenten waarin zij gespecialiseerd zijn. Met een succespercentage van meer dan 85% bij het toewijzen van klanten aan het juiste segment, heeft machinaal leren de conversiepercentages van Würth sterk verhoogd en vertegenwoordigers geholpen hun tijd te optimaliseren door te werken met klanten die een grote kans hebben om een aankoop te doen. Een ander voordeel is dat de klantervaring is verbeterd, wat heeft geleid tot betere retentiepercentages.
Wereldwijde keten verhoogt het gebruik van kortingsbonnen 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 kortingsbonnen die op hun kassabonnen worden afgedrukt, en de opkomst van digitale media heeft het aantal mensen dat kortingsbonnen uitknipt en hun weekkrant gebruikt om aanbiedingen te vinden, verminderd.
In ons laatste voorbeeld van voorspellende analyses ontdekte een wereldwijd actief levensmiddelenbedrijf hoe het het gebruik van kortingsbonnen met 15% kon verhogen en gebruikte het die kennis om drie keer zoveel kortingsboncampagnes te genereren. Dit had een positief effect op meer dan 10.000 winkels, omdat klanten meer producten kochten om hun kortingsbonnen te kunnen gebruiken.
Aan de slag met voorspellende analyses
Technologie voor diep leren wordt snel ingezet in de financiële dienstverlening, personeelszaken en gezondheidszorg. Het kunnen identificeren en voorspellen van toekomstige trends heeft veel potentiële toepassingen voor voorspellende B2B-marketing.
Nu ontwikkelingen op het gebied van kunstmatige intelligentie de laatste tijd regelmatig de krantenkoppen halen, vraag je je misschien af hoe je algoritmen voor machinaal leren kunt benutten om je bedrijf voordeel te bieden. Voordat je in het diepe springt, moet je een aantal dingen weten. Voorspellende analyses zijn geen allesomvattende oplossing voor alles en het is een goed idee om ze te combineren met andere analysemethoden.
Je moet weten welke problemen in de echte wereld je probeert op te lossen wanneer je analyses gebruikt, de juiste informatie verzamelen en je voorspellende analysemodellen opbouwen. Nadat je bruikbare inzichten hebt verzameld, is het tijd om wat je hebt geleerd in de praktijk te brengen, zodat je de vruchten ervan kunt plukken.
Aanbevolen literatuur: Beste software voor inhoudsanalyse
Bepaal het probleem dat je moet oplossen
Zoals we in de bovenstaande verhalen hebben 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 bereikten ze niet de juiste klantenbasis. In andere voorbeelden moesten bedrijven manieren overwegen om hun bereik en betrokkenheid bij klanten te vergroten.
Er zijn veel soorten gegevens om rekening mee te houden bij het ontwikkelen van je eigen oplossing voor voorspellende analyses. Probeer de zwakke punten van je eigen bedrijf te evalueren, zodat je een 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 deze kunt overwinnen.
Zorg ervoor 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 eraan toevoert. Als je bijvoorbeeld probeert te bepalen hoe je de klantbehoudpercentages kunt verhogen, is het verzamelen van gegevens over de productiekosten een 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 een enorme hoeveelheid gegevens verzamelt waar je niets mee doet of waaruit je geen inzichten verkrijgt. Je wilt de effectiviteit van je tijd en middelen maximaliseren, inclusief je investering in software voor marketinginzichten.
Modellen voor voorspellende analyses bouwen
Wees niet bang om je eigen modellen voor voorspellende analyses te bouwen. Bedrijven hebben machinaal leren op buitengewoon 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 zijn afgedekt en er minimale uitvaltijd is, waardoor je de waarde van de lonen van je personeel maximaliseert.
Een ander nuttig model kan voorspellen hoeveel contant geld je in de toekomst beschikbaar zult hebben en waar je dat 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 uit te breiden of nieuwe locaties wilt openen.
Je inzichten in de praktijk 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 zonde van de tijd als je geen aanpassingen doorvoert. Een van de problemen waar sommige bedrijven mee kampen, is dat ze niets ondernemen ondanks het feit dat ze waardevolle inzichten binnen handbereik hebben.
Als je met deze inzichten geen actieplan opstelt, 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 AI en technologie voor machinaal leren kunt gebruiken die we vandaag niet hebben besproken? Doe mee aan het gesprek en laat ons weten hoe jij denkt dat voorspellende analyses de digitale markt de komende jaren zullen vormgeven. Vergeet niet je op onze nieuwsbrief te abonneren voor het laatste nieuws en de nieuwste verhalen.
