Je wil van jouw klanten graag trouwe fans maken. Door klantgedrag te voorspellen met machine learning komt de vervulling van die wens vele malen dichterbij. Maar hoe kom je nou tot een operationeel machine learning model dat daadwerkelijk onderdeel uitmaakt van je business? Pim Wennekes, Manager Data Science bij Riviq, licht het stap voor stap toe.

Ieder klantcontactmoment is een gelegenheid om een klant voor je te winnen. Hoe beter je dat lukt, hoe groter de kans is dat een klant je trouw blijft. Door klantgedrag te voorspellen met machine learning kun je beter inspelen op de wensen en behoeften van klanten. In het blog (deel 1) ‘Met machine learning je customer lifecycle verbeteren? Maak eerst deze 3 factoren in orde’ las je al dat de juiste mensen, data en techniek daarin onmisbaar zijn.

Stap 1 – Bepaal en prioriteer de business uitdagingen

Je begint met het bepalen van de uitdagingen die je met machine learning wilt aanpakken. Dat doe je samen met de business. Willen jullie klantenwerving verbeteren? Willen jullie de kans op cross-sell vergroten? Of willen jullie juist weten welke waardevolle klanten op het punt staan te vertrekken? En hoe waardevol zou het zijn om dat te kunnen voorspellen?

Voor al die toepassingen dien je ook een gevoel te krijgen hoe realiseerbaar die zijn: beschikken jullie over genoeg data om dat te voorspellen? Moet de uitkomst van het voorspelmodel nog worden gekoppeld met een systeem? En sluit de uitkomst van het model wel aan op bestaande processen en organisatie? Stel je voor dat je kunt voorspellen of bepaalde klanten liever chatten in plaats van bellen als ze een storing hebben, terwijl de supportafdeling alleen maar beschikt over e-mail? Dan zal het toch een flinke uitdaging worden om deze businesscase tot een succes te brengen! Neem de mate van uitvoerbaarheid dus mee in je overweging. De uitkomst van deze stap is een geprioriteerd overzicht van businesscases op basis van waarde en haalbaarheid.

Stap 2 – Maak een proof of concept

Of een businesscase inderdaad haalbaar is, onderzoek je in deze tweede stap. Je ontwikkelt in korte tijd een proof of concept, bestaande uit een dataset en een machine learning model. Die hoef je nog niet heel netjes te programmeren. Het gaat namelijk om een eenmalige actie met slechts één doel: uitzoeken of er voldoende voorspellende waarde in de data zit. Dat bepaal je op basis van evaluatie criteria van het model: performed het model voldoende?

Ook kun je vast de uitkomsten van het model met de business delen, zodat zij het eens kunnen testen binnen de beoogde klantcontext. Slaat het niet aan bij de klanten of bevat de data eenvoudigweg te weinig voorspellende kracht? Dan is het kort balen en op naar de volgende businesscase. Is het concept juist wel bewezen? Dan maak je er een minimum viable product van.

Stap 3 – Creëer een minimum viable product

Het maken van een minimum viable product is aanmerkelijk meer werk dan een proof of concept. De programma’s die je maakt om de datasets te maken, dienen nu wél van goede kwaliteit te zijn. Ze moeten herhaalbaar te draaien zijn en tegen een stootje kunnen. Ook het machine learning model moet van hogere kwaliteit zijn. Dit is ook het moment om versie-management controleerbaar te maken. Meer werk dus, maar gelukkig is het resultaat er dan wel naar: een echt bruikbaar dataproduct.

Ben je er dan? Misschien. Maar het woord ‘minimum’ in minimum viable product geeft al aan dat er nog ruimte is om het model te verbeteren. Hoe lang je doorgaat met verbeteren, hangt af van de wensen en prioriteiten van de business. Soms is het zinvoller om na een aantal iteraties de volgende businesscase op te pakken. Maar voordat je dat doet, doorloop je eerst een cruciale stap. Zonder die stap creëer je namelijk nog steeds geen waarde.

Stap 4 – Implementeer in de business

Heb je een model dat zeer accurate voorspellingen oplevert, maar die niet zijn opgenomen in een businessproces? Dan levert dat model exact nul euro voordeel op. Leuk dat je een mooi model hebt dat een hoge performance kent, maar waarde creëren doe je niet. Je zult dus aan slag moeten met het aanpassen van systemen, aanpassen van bestaande processen en het aanpassen van de mindset van mensen. ‘Omdat de computer het zegt’ is niet zo’n krachtig argument, blijkt dan al snel. ‘Omdat we samen met het datateam dit hebben ontwikkeld’ zal veel sneller worden geaccepteerd.

Daarom is het zo belangrijk om de business te betrekken in alle stappen: van het bepalen van de businesscase, het genereren van ideeën hoe het model gevoed moet worden tot hoe de uitkomst ingepast kan worden: hoe beter je de business betrekt, hoe sneller en gemakkelijker je voorspellingen kunt implementeren in business processen.
En hoe sneller je dus wél waarde creëert. De uitkomst van deze vierde stap is een aangepast proces dat nu gebruikmaakt van machine learning, maar bovenal een verbeterde klantinteractie en -beleving!

Van sporadische kopers naar trouwe fans

Doorloop deze overzichtelijke stappen en je komt doelgericht tot een effectief machine learning model om klantgedrag te voorspellen. Daar plukt de business de vruchten van, mits je de voorspellingen weet te implementeren in de business processen. Wanneer dat lukt, weet jouw bedrijf binnen afzienbare tijd nóg beter in te spelen op klantwensen en -behoeften, en van sporadische kopers je grootste fans te maken.

meer over dit onderwerp