Predictive analytics: de glazen bol van het bedrijfsleven
Terug naar overzicht
blog

Predictive analytics: de glazen bol van het bedrijfsleven

Predictive analytics is de glazen bol van het bedrijfsleven: u kunt hiermee vaak bijvoorbeeld voorspellen hoe groot de kans is dat een klant insolvent wordt of besluit te stoppen met de bedrijfsvoering en het helpt u met beslissen over zakendoen met een veelbelovende start-up. Met deze glazen bol heeft u als credit manager of marketeer dus goud in handen. Maar hoe zet u predictive analytics in en op welke momenten?

Predictive analytics begint met het verzamelen van data, waarbij u moet zorgen voor een effectief datamanagementbeleid. Deze data kan uit uw eigen bedrijf komen, waar al veel klantinformatie beschikbaar is over onder andere loyaliteit, het aantal contracten, omzet en klantbezoeken. Het nadeel hiervan is wel dat uw opgeslagen data vaak subjectief of onvolledig is. Daarom is het aan te raden om interne informatie aan te vullen met data uit externe bronnen en uw database te laten doorlichten. Denk hierbij aan het volledig maken van uw klantendatabase met demografische kenmerken en credit scores, het profiel van uw beste klant en cross- en upsell kansen. Hoe meer data u kunt verzamelen, hoe nauwkeuriger uw voorspellingen zullen zijn.

Herkennen van correlaties

Heeft u voldoende data bij de hand? Zo ja, zoek dan naar patronen of correlaties. Maar wees daarin niet te intuïtief. Neem bijvoorbeeld de volgende situatie. U ziet dat er een connectie is tussen de orders die door een klant zijn geplaatst en het aantal keer dat ze worden bezocht door hun accountmanager. Afgeleid door deze enkele correlatie kunt u overhaaste conclusies uit uw observaties trekken. Dit is waar predictive analytics om de hoek komen kijken: deze helpen u met het vinden van patronen en verbanden die niet direct waarneembaar zijn.

Op deze manier kunt u minutieus voorspellen hoe groot de kans is dat new business prospects daadwerkelijk uw klanten worden. U zult zien dat uw klanten op elkaar lijken. Vergelijk dus uw ‘gemiddelde’ klant met uw prospect. Hoe meer overeenkomstige kenmerken, hoe groter de kans dat uw lead ook klant wordt.

Predictive analytics nauwkeurig uitvoeren

Een goed praktijkvoorbeeld van predicitive analytics is Walmart. Zij ontdekten dat consumenten bij naderend slecht weer peperkoek, reservebatterijen en zaklampen inslaan. Deze informatie zorgde ervoor dat Walmart meer sales kon genereren. Als gevolg van hun predictive analytics vult Walmart bij slecht weer haar schappen aan met zaklampen.

Het voorbeeld geeft aan dat het verzamelen van data u verrassende inzichten kan geven. Maar uw bedrijf kan er alleen van profiteren als u snel handelt op basis van de voorspellingen – ook als de voorspellingen negatief zijn. Zo kunt u direct actie ondernemen om mogelijke schade tegen te gaan. Predictive analytics helpen u dus om te anticiperen op toekomstige gebeurtenissen.  

Het is goed om te weten dat hoe vaker u predictive analytics gebruikt, hoe betrouwbaarder de resultaten worden. U kunt ook controleren of de voorspellingen uiteindelijk klopten, door de resultaten toe te voegen aan uw bestaande database. Zo wordt uw systeem nóg intelligenter en worden uw voorspellingen nóg preciezer.

Graydon rating

Predictive analytics spelen ook een grote rol bij Graydon. Een voorbeeld hiervan is de Graydon rating, die de kans op wanbetaling voorspelt. Deze kans wordt berekend aan de hand van geavanceerde statistische modellen op basis van de jaarrekening, het betaalgedrag, demografische kenmerken van het bedrijf (zoals de omvang, leeftijd en branche) en uitzonderlijke situaties binnen een bedrijf. Hier komt de Graydon rating uit, die de kans op insolventie binnen 1 jaar uitdrukt. Vervolgens wordt de rating onderverdeeld onder een van de 11 mogelijke ratings, bestaande uit: AAA, AA, A, BBB, BB, B, CCC, CC, C, D, NR. Hierin heeft AAA het laagste kredietrisico, geeft D aan dat het bedrijf insolvent is en is er bij NR geen rating vastgesteld.

Gelijkaardige publicaties