In 2018 kwam predictive analytics vaak naar boven als één van de trends voor 2019. Is er veel mee gedaan? Tijdens het MIE, Marketing Insights Event, op 5 en 6 februari 2020 presenteert Infotopics.ai een interessante praktijkcase over succesvol voorspellingen maken met behulp van automated machine learning.
Laten we in dit blog eens kijken hoe we ervoor staan op dit gebied.
Wat is er de afgelopen jaren zoal veranderd?
Massale, cloudgebaseerde bakken vol klantinteracties, datalakes genoemd, is de ruwe data die je nodig hebt voor voorspellende analyse toepassingen.
Veel bedrijven maken al jaren gebruik van goedkope cloudopslag om gegevens op te bergen, zelfs zonder het potentiële gebruik ervan te overwegen. Hoeveel verwaarloosde datapunten heb jij in bijvoorbeeld Google Analytics, Google Ads, MailChimp etc.?
De afgelopen jaren kunnen we met minder moeite en minder kosten het dubbele aan data verzamelen en is de toegankelijkheid en bruikbaarheid vele malen vergroot. Er is een enorme rekenkracht aan de cloudgebaseerde analysesystemen toegevoegd. Deze steeds krachtigere systemen openden de deur voor realtime voorspellende analyses.
Hoeveel bedrijven gebruiken actief voorspellende analyses? Volgens onderzoek van Dresner Advisory Services uit 2017, ongeveer 23%, dit cijfer is nagenoeg ongewijzigd ten opzichte van het voorgaande jaar.
De interesse overtreft echter de implementatie. Hetzelfde onderzoek suggereert dat 90% van de bedrijven “minstens enig belang hechten aan geavanceerde en voorspellende analyses.”
Welke vragen kunnen marketeers beantwoorden met voorspellende analyses?
Wie wil er nou niet precies weten hoeveel bezoekers je per maand, dag en uur in je winkel krijgt om zo je personeel beter in te kunnen zetten?
In welke business je ook zit je kunt wel iets verzinnen wat je graag zou willen voorspellen. Maar probeer je altijd te focussen op die ene vraag wat je bedrijf echt nodig heeft voor een enorme boost. En ga daar dan helemaal voor.
In digitale marketing schetste Judah Phillips, president en CTO van Squark, talloze gebruikstoepassingen voor voorspellende analyses, inclusief de mogelijkheid om te voorspellen:
- welke advertenties het meest effectief zijn
- welke marketingcampagnes, kanalen, touch points, gedrag en demografie bijdragen aan een bedrijfsresultaat, een vorm van “machine learning-gebaseerde toeschrijving”.
- op welk segment, test of personalisatie waarop een gebruiker waarschijnlijk reageert.
- de kans dat gebruikers op een advertentie klikken, een whitepaper downloaden, reageren op een e-mail, reageren op een aanbieding en andere klantreacties die jij definieert.
- welke leads worden omgezet in een daadwerkelijke sale.
- welke klanten een of meer producten kopen voor een cross-sell of upsell.
- het aantal aankopen of inkomsten dat in de toekomst zal plaatsvinden.
- welke klanten een hoge / gemiddelde / lage lifetime value hebben.
- klantretentie.
De nieuwe mogelijkheid van voorspellende analyse is dus niet wat je kunt voorspellen, maar het feit dat je kunt voorspellen. De historische gegevens die je momenteel analyseert, kunnen waarschijnlijk een voorspelling worden.
Robert Winkel, van Infotopics.ai, laat aan de hand van een praktijkcase zien hoe zij succesvol voorspellen. Maar ook voorbeelden waarom veel voorspelling-projecten mislukken worden gepresenteerd. Veel praktische tips, ervaringen en learnings komen voorbij op het MIE.
Bron: https://cxl.com/blog/predictive-analytics/