Tekst: Aart Verschuur
De mogelijkheden van predictive analytics zijn tegenwoordig ongekend. Je kunt stoeien met big data, experimentele algoritmes schrijven en geautomatiseerd voorspellen wat de klanten zullen doen. Maar om klantgedrag succesvol te voorspellen, moeten retailers wel eerst hun interne big data op orde hebben.
Eigenlijk bestaat predictive analytics al zolang er handel bestaat. Predictive analytics is in feite niet anders dan data gebruiken waarmee je probeert te voorspellen wat in de toekomst waarschijnlijk zal gebeuren. Zelfs de kaasboer om de hoek kan in de avonduren handmatig zijn kassabonnen doorpluizen en zien dat geitenkaas snel populair wordt. Ook een online bookshop, die merkt dat vrouwen massaal in zwijm vallen bij ‘Vijftig Tinten Grijs’, kan met een gerust hart de volgende delen groot inkopen.
En externe data gebruiken in commercieel en marketingbeleid doen we ook al langer. Als Nederland meedoet aan het WK-voetbal, weet je als supermarkt wat je moet inslaan: extra bier, barbecue en oranje trivia.
Honest Café (zie kader)
Onverwachte verbanden
Maar de komst en makkelijke ontsluiting van een enorme diversiteit aan big data heeft predictive analytics rigoureus veranderd. Big data, in combinatie met de enorm toegenomen rekencapaciteit van onze computers, heeft predictive analytics razendsnel op een hoger plan gebracht. Je kunt tegenwoordig werkelijk op alle mogelijke data algoritmes, analyses en machine learning toepassen, in de hoop onverwachte verbanden tegen te komen en de klanten beter te bedienen. En met de verwachting daarmee een concurrentievoordeel te behalen.
Gevaar
Toch loert er ook een gevaar, want verbanden hoeven niet altijd te kloppen. Een willekeurige Nederlandse modeketen kan een nieuwe zomercollectie inslaan op basis van externe big data over klimaatverandering. Twee graden extra betekent luchtigere kleding. Big data laat echter ook zien dat ons klimaat natter en winderiger wordt. Dus voor je het weet zit je met de ingekochte zomercollectie en loert een faillissement.
Predictive analytics bestaat dus niet alleen uit het verzamelen en analyseren van big data en de ontwikkeling van algoritmes om tot voorspellende informatie te komen. Het betekent ook stoeien met (zowel interne als externe) big data, creatief experimenteren en altijd blijven controleren of de verbanden die je meent te zien wel ‘echt’ zijn. In de praktijk is het behalen van succes met predictive analytics echt niet zo eenvoudig als het lijkt. Ook al laten softwareleveranciers met graagte imponerende cases zien, met geweldige mogelijkheden.
Gevarieerd crm-landschap
Om succesvol voorspellende analyses te kunnen maken, dienen bedrijven eerst hun eigen big data op orde te hebben. Ze moeten uitgebreide en goed geïntegreerde crm-pakketten hebben, zodat ze daadwerkelijk al hun beschikbare interne data kunnen inzien en analyseren. Daar ontbreekt het bij de Nederlandse retailers soms aan, merkt Ronald Teijken van IBM. Teijken adviseert retailers over het Internet of Things en analytics distribution en laat ze graag de mogelijkheden zien van de IBM-predictive software SPSS. Daarmee kun je gegevens doorgronden, trends signaleren, prognoses maken en zelfs geautomatiseerde beslissingen nemen op basis van data en analyse van sociale media.
Teijken constateert dat Nederlandse retailers nog flink wat meters moeten maken om effectief met predictive analytics aan de slag te kunnen. ‘De retail heeft het de laatste jaren moeilijk gehad door de economische situatie en ander aankoopgedrag van de consument. Dus de focus ligt vaak op andere prioriteiten, veel retailbedrijven hebben op dit moment absoluut geen financiële capaciteit voor innovaties’, zegt Teijken.
‘De grote retailers hebben vaak een landschap met allerlei verschillende crm-systemen, met mensen in dienst die daar al slim informatie weten uit te halen. Zeker in de huidige tijd is het dan geen hoofdprioriteit om het roer om te gooien en een compleet andere analysestructuur neer te zetten. Terwijl dat toch van belang is, want de software en crm-tools die retailers nu vaak gebruiken passen net niet bij de nieuwe mogelijkheden voor predictive analytics, die zich ook nog eens in rap tempo ontwikkelt.’
Oscar-uitreiking
Ook silovorming op crm-gebied is bij retailers nog steeds een probleem. Zo kan het gebeuren dat bij retailers de klant wel een trackrecord heeft bij customer service, maar dit niet in het crm-systeem zit. Of het klantcontact met de winkel bevindt zich in het ene crm-systeem en het e-commercecontact weer in een ander. ‘Soms zie je een spaghetti van verschillende systemen. Een goede integratie van al deze bestaande data is allereerst noodzakelijk wil je op een zinvolle manier werken met big data, zowel interne als externe. Veel retailers zitten nog in deze integratiefase. Het zijn geen stappen die je makkelijk maakt.’
Zelflerende Watson-portfolio
Terwijl er zoveel mogelijk is! Teijken vertelt over een grote Amerikaanse retailer die niet begreep waarom bepaalde zaken gebeurden. Ze begrepen hun klanten goed, kenden hun eigen producten en hadden alle interne analytics goed voor elkaar. Maar de retailer begreep niet waarom sommige producten opeens wel of juist niet liepen.
Teijken: ‘IBM doet veel met cognitieve informatie over grote hoeveelheden ongestructureerde data, via onze zelflerende Watson-portfolio. Zo kwamen we erachter dat weersomstandigheden van grote invloed waren op het koopgedrag van hun klanten.’
Data over het weer
Weersomstandigheden, events, de groei van e-commerce, het zijn allemaal omgevingsfactoren die meestal net buiten het eigen aandachtsgebied van een traditionele retailer vallen, maar waar hij wel rekening mee kan houden. ‘In SPSS hebben we nu een API met The Weathercompany, die het retailers en andere bedrijven makkelijk maakt vanuit hun eigen data-analyse een link te maken naar big data over het weer. Zodat ze kunnen zien hoe dat van invloed is op de verkoop.’
Sociale media niet heilig verklaren
Pas als de eigen data tiptop in orde én integraal toegankelijk zijn, is het zinvol om externe data te koppelen aan eigen data, zegt Teijken. ‘Want alles draait om de juiste kennis over het klantenbestand. Je moet weten of je klanten getriggerd worden door sociale media, maar tegelijk sociale media niet heilig verklaren.’
Jurkje
Hij noemt als mooi voorbeeld van de koppeling van externe en interne data een retailer die predictive analytics toepaste bij de laatste Oscar-uitreiking. Daar droeg een actrice een jurkje dat meteen trending topic werd op sociale media.
Teijken: ‘Een Amerikaanse retailer signaleerde dit, kwam er via sociale media achter waar het jurkje vandaan kwam en pakte het meteen op. Binnen drie weken hadden ze een kopie van het jurkje in de winkel hangen, het verkocht als een tierelier. Door gewoon een externe databron te analyseren, na te gaan welke mensen enthousiast waren en deze data te vergelijken met de modellen en analyses die bij het eigen klantenbestand passen. Op de ouderwetse manier ben je in retail dan echt éen of twee seizoenen verder voordat zo’n jurkje in de winkel hangt.’
Bol.com
Bol.com is een van de koplopers in Nederland op het gebied van predictive analytics. Deze e-retailer doet niet anders. Bol.com tipt de klant vergelijkbare, alternatieve producten of juist accessoires bij een product, op uitgekiende momenten. Snel ook, want de moderne klant heeft weinig geduld tot alle algoritmes zijn uitgerekend. Snelheid gaat boven precisie.
Het Amerikaanse e-commercebedrijf Amazon kwam drie jaar geleden in het nieuws vanwege de goedkeuring op een patent op ‘anticiperende verzending’, een methode om pakketjes vast te versturen zelfs voordat de klant op ‘buy’ heeft gedrukt. Daarna hebben we er nooit meer iets van vernomen. Maar we kunnen ons voorstellen dat Bol.com likkebaardend naar dergelijke ontwikkelingen kijkt. We vragen het Jens Waaijers, directeur shopping experience van Bol.com.
Miljoenen zoekvragen
‘Het is een interessante beweging, maar voor ons nog niet direct toepasbaar. Wij hebben slechts één distributiecentrum, Amazon heeft er vele in de VS. Daar is het wel interessant om vast spullen van het ene naar het andere distributiecentrumcentrum te sturen, omdat je in een bepaald deel van het land meer vraag verwacht. Bol.com doet eigenlijk hetzelfde met de supply chain. In onze zoekmachine laten klanten wekelijks miljoenen zoekvragen achter. Wij kunnen eenvoudig zien dat de klant op zoek is naar producten die nog niet in ons assortiment zitten. Dat koppelen we aan onze supply chain en sourcingstrategie, om te zorgen dat we deze producten wél bieden.
Reisboeken
‘Bol.com gebruikt predictive analytics om bijvoorbeeld vraag te voorspellen om zo klanten nog beter te kunnen bedienen. Het voordeel van predictive analytics is dat je niet hoeft te wachten tot de grote vraag naar boven komt. Je kunt algoritmes inzetten die snel opkomende items onderkennen, zonder dat een product eerst in een toptien hoeft te komen. De meest verkochte reisboeken gaan bijvoorbeeld over Italië, Frankrijk, Spanje en Thailand, over Trinidad en Tobago verkopen we er slechts enkele. Maar het kan best zijn dat Trinidad snel een nieuwe trend wordt. Wij kunnen dat van tevoren inschatten. Daarom zetten we er een trending algoritme op, waarmee we kijken of het beter loopt dan de oorspronkelijke verkoopverwachting.’
Oefenen met DWDD
Trending algoritmes zijn belangrijk voor Bol.com. De data-analisten van de e-retailer mogen er graag mee experimenteren en bekijken dagelijks of ze hiermee extra relevantie kunnen creëren in de winkel. Vaak worden experimenten ook snel live gezet in een test. Jens Waaijers prikkelt de data-analisten. Zo heeft hij de analisten uitgedaagd een trendalgoritme te schrijven, dat binnen een uur zelfstandig kan bepalen welke drie boeken de vorige avond bij De Wereld Draait Door werden genoemd. Het algoritme genereert een boekentoptien van binnenkort populaire boeken en het is gelukt om daarin altijd de boeken uit DWDD te krijgen.
Met dit soort algoritmes kan de klantbehoefte snel worden geïdentificeerd en speelt Bol.com daar direct op in. Zo creëert het relevantie voor de klant. En dat is precies waar deze retailer predictive analytics het meest voor inzet: relevantie voor de klant.
Waaijers: ‘De complexiteit van Bol.com is dat we 6,5 miljoen klanten hebben en 11,5 miljoen producten. Die komen allemaal op een scherm waar hooguit 20 plekken zijn om zaken te kunnen laten zien. Sterker, de trend naar aankopen met mobiel is enorm, dus dan heb je nog minder plekken. Dus we hebben predictive analytics echt nodig om te bepalen wat relevant is voor de klant op het juiste moment. We testen zowel alle nieuwe ideeën als de effecten van onze voorspellingen, we draaien continu 20 tot 40 testen om te kijken wat werkt en wat niet.
Snelheid
‘De grootste uitdaging is daarbij niet de complexiteit van algoritmes en het bepalen van het juiste moment waarop je de klant iets laat zien, maar snelheid. We moeten onmiddellijk de klant de juiste inspiratie voor bijvoorbeeld een alternatief of bijbehorend product kunnen geven. De statistische zekerheid op een ultieme suggestie moet voor de klant wel in balans zijn met de snelheid van het antwoord. Een klant wil gewoon niet tien seconden zitten wachten tot een algoritme helemaal is uitgerekend en met precies de juiste suggestie komt.’
Dit artikel staat in Tijdschrift voor Marketing nummer 9
Geïnteresseerd in marketingtechnologie? Kom naar het congres 'Marketing Technoloy' op 6 december
