Wie grenzen wil verleggen, moet zijn algoritme onderhouden! volgens Albert Derasse

Klanten zijn onvoorspelbaar, of hun gedrag is in ieder geval steeds moeilijker te lezen. Tegenwoordig kijkt niemand nog raar op wanneer hij iemand met een bescheiden wagen een vijfsterrenhotel ziet binnengaan of wanneer hij een glimmende Duitse auto op de parking van een discountzaak ziet staan. Iedereen spendeert zijn geld hoe hij dat wil... complexloos. En zo hoort het ook!

Consumenten zijn gediversifieerder en vluchtiger dan ooit. Daarom nemen marketeers hun toevlucht tot algoritmes die hen helpen het koopgedrag, de kans op een herhaalaankoop en het verloop van hun consumenten te voorspellen.

Het algoritme identificeert 'onderscheidende' kenmerken

Na analyse van verschillende soorten indicatoren (sociodemografische, transactie- en gedragsgegevens enz.) leggen de algoritmes de 'onderscheidende' kenmerken bloot die het onderzochte gedrag kunnen verklaren. Bij de uitwerking van de modellen kent men aan elk van die kenmerken een gewicht toe. Zo kunnen die modellen voor iedereen in de database analyseren in hoeverre elk individu 'geneigd' is om dat gedrag te vertonen.

Een voorbeeld uit de voetbalwereld... Beeld je in dat een club algoritmes gebruikt om te weten of de abonnees naar het stadion zullen afzakken. Een voorspellend model zou die neiging kunnen berekenen, bijvoorbeeld op basis van onderscheidende kenmerken zoals geslacht of leeftijd van de abonnee, afstand woonplaats-stadion, de plaats in de rangschikking van beide ploegen enz. Die score zou een mooi idee geven tot een of ander element 'zand' in de machine zou strooien... Zo werd ons land eind februari geteisterd door een historische koudegolf. De criteria 'leeftijd van de abonnee' en 'afstand woonplaats-stadion' namen ogenblikkelijk in gewicht toe, als gevolg van die Siberische kou.

Machine learning maakt het algoritme nog beter

Dat is waar machine learning zo'n belangrijke rol in heeft te spelen. De nieuwe voorspellingstechnieken die marketeers hanteren, zullen constant de kwaliteit van het model aftoetsen aan de resultaten (in dit geval: komt de abonnee naar het stadion of niet?) en een nieuw gewicht aan de variabelen toekennen op basis van eerdere vaststellingen. Het algoritme 'leert', past zich aan en verbetert.

In dit voorbeeld zouden de algoritmes, als gevolg van de analyses van de resultaten van eind februari, zeker het gewicht van bepaalde criteria hebben aangepast. Waarschijnlijk zouden de 'leeftijd van de abonnee' en de 'afstand woonplaats-stadion' belangrijker zijn geworden, waarna de situatie zich na het wegtrekken van de koudegolf min of meer tot de oorspronkelijke situatie zou normaliseren.

Een voorspellend model onderhouden: waarom het zo belangrijk is

Een model bouwen is een eenmalig iets. En voor een One Shot-action hoeft u dat model uiteraard niet te onderhouden. Anders is het wanneer een marketeer van dat model wil vertrekken om een herhaalde actie op te zetten of aan trigger marketing te doen (bijvoorbeeld, elke ochtend een specifieke e-mail versturen naar de risicoprofielen). Dan moet het model absoluut onderhouden worden, als men wil vermijden dat men een minder relevante actie stuurt naar 'profielen' die minder geneigd zijn om het beoogde gedrag te vertonen.

Ook met het oog op inbound marketing (callcenter bellen, kijkje nemen op een website, agentschap bezoeken enz.) is onderhoud een noodzaak. Met andere woorden: een model moet regelmatig worden bijgewerkt, net als de gebruikte gegevens overigens, om er zeker van te zijn dat het gedane voorstel steeds relevant is, doordat er een doeltreffend voorspellend model achter zit!

Met de 'nieuwe generatie' oplossingen voor voorspellende modellen kunt u de frequentie ervan instellen (eenmalig, dagelijks, wekelijks, maandelijks) om een doeltreffende marketingstrategie te voeren.

Meer weten?

Benieuwd hoe u voorspellende algoritmes en machine learning kunt inpassen in moderne marketing? Volg onze nieuwe Master Class « Predictive Marketing"