Predictive analytics: kijken door de glazen databol

De glazen bol. Stel nou dat er echt één zou bestaan en dat hij bij opbod verkocht zou worden op een veiling. Verschillende beroepsgroepen mochten erop bieden. Wie zou er uiteindelijk het meeste voor over hebben om in de toekomst te kunnen kijken? Effectenhandelaars? Journalisten? Verzekeraars? Of (toch) marketeers? In ieder geval komt een aantal van de meest inspirerende voorbeelden van de glazen databol, te weten predictive analytics, van buiten de muren van de marketingafdeling. En daar kunnen wij van leren.

De interesse in voorspellende vormen van data-analyse groeit. Zo voorspelde Masoud Banbersta hier onlangs al dat predictive marketing het vakgebied voorgoed zal veranderen. Xander Groesbeek klapte daar meteen overheen door het concreet te maken aan de hand van een voorbeeld, de kaasboer om de hoek. Iedereen kan aan de slag met predictive marketing, betoogde hij, zelfs een MKB’er zonder digitale verkoopgegevens.

Aan de basis van predictive marketing ligt een analysemethode die predictive analytics heet, en die al veelvuldig wordt toegepast buiten de marketingafdeling. Sterker nog: we zouden best wel eens iets kunnen leren van toepassingen in de politiek, gezondheidszorg en brandpreventie, waar data-analyses worden ingezet om de toekomst te voorspellen en te beïnvloeden.

Wat is predictive analytics?

Om predictive analytics te begrijpen, is het model dat ontwikkeld is door Gartner erg handig. Dit analistenbureau onderscheidt vier categorieën data-analyse.

Bron afbeelding: Gartner

• Descriptive analytics is de meest voorkomende vorm van informatie-analyse: je kijkt terug naar het verleden om te bepalen wat er is gebeurd, door wie en waar. Denk aan een profielanalyse van klanten of het financieel jaarverslag, dat laat zien hoeveel er is uitgegeven en binnengekomen. Niet meer en niet minder.
• Diagnostic analytics kijkt ook naar het verleden, maar zoomt in op de vraag waarom bepaalde dingen gebeurd zijn. Om dit te kunnen doen, moet je oorzaak- en gevolgfactoren kunnen testen. Om in het voorbeeld van het jaarverslag te blijven: kan de dalende verkoop in bepaalde landen worden verklaard door de slechte economische omstandigheden aldaar?
• Predictive analytics is het volgende stapje: als je weet waarom iets gebeurd is in het verleden, kun je ook proberen om de toekomst te voorspellen. Dat hoeft niet eens heel ingewikkeld te zijn: als je weet dat 50 procent van de mensen die deel 1 van de trilogie van Karl Ove Knausgård kopen binnen drie maanden ook deel 2 kopen, dan kun je op basis van de huidige verkoopcijfers van deel 1 een redelijk eenvoudige voorspelling doen van het aantal (terugkerende) kopers in het komende kwartaal. Als je op basis van een profielanalyse kunt voorspellen wie de verwachte kopers gaan zijn, dan kun je hier weer je marketing en inkoop op afstemmen.
• Prescriptive analytics is de praktische toepassing van de vorige: als je weet dat er een bepaalde groep een hoge koopintentie zal hebben van boeken van bepaalde Zweedse schrijvers, dan kun je daar gericht actie op ondernemen om de conversie te verhogen.

Maar hoe zit het in de praktijk? Het bekendste voorbeeld van predictive analytics komt ongetwijfeld van Amazon: dit bedrijf maakte eerder dit jaar bekend dat het pakketjes die nog niet besteld zijn alvast opstuurt naar distributiecentra. Maar ook wat bol.com al jaren doet, namelijk suggesties geven van boeken en cd’s op basis van je eerdere aankopen en wat klanten met soortgelijke profielen kozen, valt onder predictive analytics.

Een aantal van de meest inspirerende voorbeelden van predictive analytics komt van buiten de muren van de marketingafdeling. Niet heel vreemd, natuurlijk, want in die glazen bol wil iedereen wel kijken.

Voorspellen van machineonderhoud

Predictive maintenance is een praktische toepassing van analyse in het machineonderhoud. Het doel: het voorspellen van noodzakelijk onderhoud aan complexe machines en installaties om zo incidenten en onverwachte downtime te voorkomen. Zo kun je reserveonderdelen al in huis halen voordat een storing daadwerkelijk optreedt.

Data voor predictive maintenance worden geleverd door sensoren, maar ook historische (onderhouds)data worden erin meegenomen.

Voorspellen van misdaad

Misschien iets minder onbekend, maar wel heel indrukwekkend: Blue C.R.U.S.H. van de Memphis Police. Door historische data te combineren met realtime data, adviseert het systeem op welke plaatsen in de stad haar (preventieve) aanwezigheid het meest effectief is.

Het systeem ontdekt patronen in bijvoorbeeld geografische hotspots en voorspelt daarmee tijdstippen waarop de kans op misdaden het grootst is.

Voorspellen van branden

De brandweerbrigade van Londen gebruikt predictive analytics om te voorspellen welke panden het meeste risico lopen op brand. Niet omdat ze dan alvast met de bluswagen langs kunnen rijden, maar om gericht inspecties uit te voeren.

Als input worden zestig verschillende parameters gebruikt, waaronder het bouwjaar, de bestemming en het aantal brandincidenten in de buurt. De software levert een lijst met panden op die een hoger risico hebben op branden en deze worden als eerste bezocht tijdens inspecties.

Voorspellen van uitbraken van ziektes

Door populatie-analyse te combineren met berekeningen en algoritmen van ziekteverloop, kunnen wetenschappers realistische modellen voor deze ziektes ontwikkelen en uitbraken in een vroeg stadium vaststellen. Verspreiding kan op deze manier beter gecontroleerd worden en hulpmiddelen effectiever ingezet. Zo zijn wetenschappers nu druk bezig om de verdere verspreiding van Ebola te voorspellen en in kaart te brengen.

Voorspellen van verkiezingsuitslagen

Nu doet Maurice de Hond natuurlijk niet anders dan voortdurend de uitslagen van verkiezingen voorspellen (ook als ze er niet zijn), maar volgens sommige politieke experts heeft Obama zijn overwinning in 2012 te danken aan predictive analytics: hij huurde zelfs datawetenschappers in om te voorspellen welke kiezers het beste konden worden benaderd door zijn campagneteam.

Glazen bol én boerenverstand

Wat al deze voorbeelden laten zien, is dat je met gezond verstand misschien wel meer dwarsverbanden en correlaties kunt vinden dan je in eerste instantie misschien zou denken. Als marketeer kun je niet alleen inzicht krijgen in welke producten en diensten in de toekomst het meest winstgevend zullen zijn, maar ook wat het risico is dat klanten afvallen (churn-voorspellingen), wie de meest winstgevende klanten zullen worden (profileringen), onder welke doelgroep je nieuwe producten/diensten het beste kunt introduceren en ga zo maar door.

Wel is het belangrijk om naast de glazen bol ook altijd je boerenverstand erbij te houden. Het is verleidelijk om cijfers te geloven, maar ook cijfers kunnen een vertekend beeld geven. Als je je volledige marketingstrategie ophangt aan data en de voorspellingen die je daaruit kunt halen, verlies je de flexibiliteit, creativiteit en alertheid die nodig zijn om in te spelen op onverwachte zaken. Want hoeveel je ook weet, er zijn altijd nog heel veel factoren die je niet weet of kunt meten.

Dat is dan wel weer het mooie van een glazen bol: als je hem af en toe uitzet, kun je er dwars doorheen kijken en dan zie je de echte wereld.