Als data ergens geschikt voor is, dan is het wel om toekomstige gebeurtenissen te voorspellen. Met predictive analytics krijg je inzicht in toekomstig klantgedrag. Denk bijvoorbeeld aan de hoeveelheid producten die gekocht gaat worden, hoe een doelgroep reageert op een marketingactie of hoe lang iemand klant bij je blijft. Waardevolle informatie voor je webshop dus.
De voorspellende kracht van look-a-likes
Klanten lijken op elkaar. Als je weet welk gedrag klanten in het verleden hebben vertoond, is de kans groot dat nieuwe klanten die op hen lijken, look-a-likes, hetzelfde gedrag zullen vertonen. Dat is precies het principe achter predictive analytics. Je gebruikt klantgedrag uit het verleden om gedrag van andere vergelijkbare klanten in de toekomst te voorspellen. Met predictive analytics krijg je het antwoord op vragen zoals:
Met welke aanbieding krijg je de hoogste respons van een specifieke doelgroep?
Welke klanten komen niet meer terug in je webshop (churn)?
Welke klanten zullen hun rekeningen gaan betalen?
Overeenkomsten tussen klanten kunnen heel eenvoudig zijn. Vrouwen kopen bijvoorbeeld vaker een jurk dan mannen. Het wordt echter ingewikkelder en waardevoller als je meer variabelen meeneemt, bijvoorbeeld aankoophistorie, hobby’s of inkomen. Als je bijvoorbeeld weet dat klanten die eerder product x gekocht hebben in 60% van de gevallen product y kopen, kun je daarop inspelen.
De kans dat iemand reageert
Een bekende vorm van predictive analytics is de responseanalyse. Hierbij onderzoek je marketingacties die je in het verleden hebt uitgevoerd en kijk je welke variabelen bijdragen aan de respons. Je deelt eenvoudigweg het aantal behaalde respondenten door het aantal verstuurde uitingen. Vervolgens kijk je welk onderscheid te maken is, bijvoorbeeld de manier van aanschrijven. Reageert een bepaalde groep beter op e-mails of op papieren mailings?
Kijk ook naar de aankoopgeschiedenis. Misschien kom je tot de conclusie dat personen die in jouw webhop eerder een boek hebben gekocht, beter converteren op je aanbieding voor een televisie dan personen die eerder kleding hebben gekocht. Met deze informatie kun je in toekomstige marketingcampagnes je acties afstemmen op wat look-a-likes in het verleden tot conversie heeft gebracht.
Voorspel welke klanten weglopen
Een ander goed voorbeeld van predictive analytics is de mogelijkheid om te voorspellen welke klanten je gaan verlaten, de churnkans. Voor je webshop zijn herhaalaankopen belangrijk en daarom wil je graag zoveel mogelijk klanten die opnieuw tot een aankoop in jouw webwinkel overgaan. Door de historische gegevens van klanten die snel weg zijn gegaan te analyseren, kun je voorspellen welke kenmerken bepalend zijn voor een hoge churnkans. De klanten met een hoge churnkans kun je vervolgens benaderen met een speciale actie of attentie. Zo is de kans dat ze weggaan kleiner.
Hoe pak je predictive analytics aan?
De basis van predictive analytics is data. In eerste instantie is het dus zaak om je data op orde te krijgen; de datakwaliteit moet goed zijn. Er mogen geen dubbele records tussen de gegevens staan of foutieve informatie. Bovendien heb je voldoende informatie nodig. Als je bijvoorbeeld het verschil in respons tussen bepaalde doelgroepen wilt onderzoeken, heb je wel verklarende variabelen nodig. Je kunt je data hiervoor aanvullen, onder andere met CBS-gegevens of data van een externe partij, zoals Focum.
Geef vervolgens aandacht aan je onderzoeksopzet. Welke groepen ga je met elkaar vergelijken? Stel dat je een e-mailing verstuurd hebt naar twee verschillende groepen klanten: kopers van product x en kopers van product y. Je hebt bovendien twee verschillende e-mails gestuurd. Eén met de boodschap ‘Tweede artikel halve prijs’ en de ander met ‘25% korting’. In dit geval zijn er vier verschillende groepen die je met elkaar gaat vergelijken.
Vervolgens ga je aan de slag met analyseren. Idealiter doe je dit met softwarepakketten speciaal voor statistische analyses. Daar kun je vele variabelen in meenemen en uitgebreide analyses en modellen mee opstellen. Met de juiste analyses kun je bepalen welke verschillen significant zijn en een voorspeller voor toekomstig klantgedrag.
Relevant zijn voor de klant
Predictive analytics geeft belangrijke informatie voor de toekomst. Je kunt je marketingacties efficiënter maken en huidige klanten langer behouden. Zo kun je beter sturen op wie, wat, wanneer en hoe. Daarmee maak je jouw aanbod relevanter voor de klant. Wil je extra ondersteuning bij het toepassen predictive analytics? Neem dan contact op met Focum.
Geef als eerste een reactie