Met machine learning je customer lifecycle verbeteren? Maak eerst deze 3 factoren in orde

Jouw bedrijf heeft doorlopend contact met klanten: van de eerste voorzichtige kennismaking tot de meest recente aankoop. Al deze contacten leveren enorm veel waardevolle data op. Daar kun je vervolgens slimme algoritmes op loslaten, bijvoorbeeld om klantgedrag te voorspellen en daarmee je customer lifecycle te verbeteren. Pim Wennekes, Manager Data Science bij Riviq, legt in dit blog uit welke drie factoren je op orde moet hebben.

Tijdens de gehele customer lifecycle heb je allerlei contactmomenten met je klanten. Dat begint bij het overtuigen van prospects, gaat verder met de eerste ervaringen van klanten, waarna je met acties en promoties toekomstige verkopen kunt stimuleren. Alle data die daaruit voortkomt, vertelt je veel over het gedrag van jouw klanten. Hoe meer inzichten je daaruit haalt, hoe beter jij de customer lifecycle kunt optimaliseren. Maar klanten kunnen je altijd blijven verrassen. Dat kun je voorkomen door hun gedrag te voorspellen met machine learning.

De waarde van machine learning is bewezen

Machine learning is een vorm van data science waarbij je een algoritme traint met bijvoorbeeld klantdata en externe data. Op die manier kun je klantgedrag voorspellen, zodat je bijvoorbeeld vroeg signaleert welke klanten dreigen weg te gaan of effectiever klanten kunt werven. Veel bedrijven hebben er al mee geëxperimenteerd, maar alleen de grote spelers lijken het actief in te zetten. De fase van uitsluitend experimenteren zijn we nu echter wel voorbij. Machine learning is volwassen genoeg en heeft zijn waarde inmiddels bewezen. Daarom is het tijd om het een vast onderdeel te maken van je bedrijfsvoering. Dat krijg je voor elkaar met de juiste mensen, de juiste data én de juiste tools.

1. De juiste mensen: werk samen met de business

Het succes van machine learning wordt voor een deel bepaald door slimme data scientists die jouw zelflerende modellen bouwen. Maar er zijn nog twee groepen mensen die minstens zo belangrijk zijn. Ten eerste, de data engineers. De mensen die de data verzamelen en transformeren tot bruikbare data. En ten tweede, de business. De mensen die met de inzichten uit die data aan de slag gaan.

De samenwerking tussen die drie groepen is van groot belang. Niet alleen tussen data scientist en data engineer, ook al is het belangrijk dat zij elkaar vinden om de gewenste data beschikbaar te maken. Maar vooral de afstemming tussen de “data mensen” en de business is cruciaal. De uitkomst van een machine learning model is namelijk pas waardevol als het daadwerkelijk gebruikt wordt door de business. Dat vraagt om bereidheid van de business om bestaande werkwijzen aan te passen. En dat is uitdagend, want over het algemeen willen mensen wel verandering, maar willen ze niet veranderen.

Om dat toch voor elkaar te krijgen, doe je er goed aan om de business actief te betrekken. Organiseer bijvoorbeeld inspiratiesessies over de mogelijkheden van machine learning. Bedenk vooraf wat de voordelen voor de business gaan worden en hoe de resultaten van een machine learning model concreet in de praktijk kunnen worden toegepast. En vraag hen welke factoren zij denken dat het klantgedrag zullen voorspellen. Op die manier voelt het voorspelmodel sneller als een gezamenlijk gerealiseerd resultaat en verloopt de implementatie van de verandering soepeler.

Meer van dit in je mailbox?

We sturen je circa 6x per jaar een email met handpicked cases, blogs en tips.

2. De juiste data: verzamel en combineer relevante data

Voor het voorspellen van klantgedrag heb je vanzelfsprekend klantdata nodig. Helaas zit die data bij veel organisaties verstopt in meerdere losse systemen. De eerste prioriteit is dus om die data te verzamelen. Daar kun je klein mee beginnen, bijvoorbeeld door alleen online klikgedrag te verzamelen waarmee je vervolgens de eerste versie van jouw machine learning model kunt voeden. Wanneer je dat klikgedrag daarna combineert met bijvoorbeeld demografische gegevens en verkoopdata, krijg je een unieke samenvoeging van data die de voorspellingen van het model nog beter maken.
Zo kun je dus klein beginnen en stapje voor stapje toewerken naar een Customer Data Platform, waarin alle data van jouw klanten samenkomt en waarmee je diverse machine learning modellen optimaal kunt voeden.

3. De juiste techniek: tools voor data platform en data science

Ten derde moet je beschikken over de juiste tools én kennis van die tools. Er zijn heel veel programma’s om een dataplatform mee te bouwen. Ook voor machine learning is de keuze enorm. Laat je niet gek maken door het aanbod. Gelukkig kun je dankzij de cloud kiezen voor een groeimodel. Het gaat voor dit blog wat ver om daar al te diep in te duiken, maar er zijn twee belangrijke elementen die ik graag kort aanhaal:

• Bij het verzamelen van de data in je dataplatform zul je merken dat het koppelen van bronnen op klantniveau een flinke uitdaging kan zijn. Dat unieke klantnummer uit je CRM komt wellicht niet voor in je mail marketingsysteem. En een e-mail adres is vluchtiger dan je denkt. Ook moet je de veiligheid van persoonsgegevens kunnen garanderen, bijvoorbeeld door een AVG Vault te gebruiken.

• Het ontwikkelen van één machine learning model is zeker uitdagend, maar hoe zorg je er voor dat meerdere modellen dagelijks succesvol draaien én dat deze modellen nog steeds een goede voorspellende waarde hebben? Dat bereik je alleen door op een continue, gecontroleerde en geautomatiseerde manier voorspelmodellen te ontwikkelen, te onderhouden en naar productie te zetten. Gelukkig hoeft dat niet meteen. Machine learning start namelijk niet met een technisch volledig ingericht ML Ops-framework, maar het is wel goed om dat in het achterhoofd te houden.

Stappenplan naar effectief klantgedrag voorspellen

De combinatie van deze drie succesfactoren geeft je een solide basis om in alle klantkanalen al je klantcontacten te gaan verbeteren. Begin klein, maar denk groot, betrek de business en kies die use cases die daadwerkelijk waarde zullen opleveren voor de business. Maar hoe maak je nu concreet een goed functionerend machine learning model om klantgedrag mee te voorspellen? Ontdek het in mijn blog In 4 stappen naar een effectief machine learning model om klantgedrag te voorspellen.

Pim-wennekes

Meer weten? Neem vrijblijvend contact op met

meer over dit onderwerp

Send this to a friend