Geachte BI collega’s,
Eén van de meest uitdagende dingen in het leven is het voorspellen van de toekomst. Al sinds de oudheid wordt hier grote aandacht aan besteed. Voorkennis biedt immers de gelegenheid om een profijtelijke positie in te nemen. De gebruikte technieken hebben zich sinds de oudheid ontwikkeld van koffiedikkijken, handlezen en een kaartje leggen, tot technische analyse van beursgegevens voor de moderne mens.
Nou is het voorspellen van de toekomst heel simpel, en iedereen kan het. Grote kans bijvoorbeeld dat het vriest in de winter, of dat je morgenochtend in de auto of de trein zit en daarna op je werk twee koppen koffie drinkt.
Van dergelijke voorspellingen wordt alleen niemand wijzer. De ruime beschikbaarheid van deze informatie en de efficiency van het marktmechanisme zullen ervoor zorgen dat deze kennis nooit profijtelijk wordt. Iedereen kan het immers.
Interessanter wordt het als we voorspellingen kunnen doen die een kleinere kans hebben om bewaarheid te worden. Bijvoorbeeld: wat zullen de buren morgenavond eten? Zal er morgen veel file staan? Schijnt de zon komend weekend? Zal het aandeel KPN dalen?
Eén van onze opdrachtgevers heeft een dappere poging gestart om de toekomst te voorspellen. Zonder gebruik van nachtelijke sessies met geestverruimende middelen, maar met een data warehouse over jarenlang individueel klantgedrag. Ook in dit geval gaat het erom voorspellingen te doen die een kleine kans hebben om bewaarheid te worden. Welke individuele artikelen zal een specifieke klant morgen bij me kopen, en in welke hoeveelheden? Listige problematiek, aangevlogen met zwaar ijzer, slimme software en combinaties van statistische en intelligente technieken.
Voor dit project ben ik op zoek naar een benchmark. Kent iemand een organisatie die daadwerkelijk succesvol is in het voorspellen van individueel klantgedrag op basis van historische transacties? Ik houd me aanbevolen.
Vriendelijke groet, Robert.
Hoi Robert,Ik ben wel heel erg benieuwd wat je zou willen benchmarken in deze situatie. De uiteindelijke effectiviteit hangt toch m.n. af van de kwaliteit van de gegevens en de kwaliteit van het model? Het is toch zinloos om de tools of het proces zelf te gaan benchmarken?
Ik ken verschillende banken en telco’s die predictive modeling technieken gebruiken om:- churn te voorspellen- cross/deep selling kansen te voorspellen- credit defaults te voorspellenHierbij gebruiken ze onder meer historische transacties om toekomstig gedrag te voorspellen.Bij jouw klant (ik heb zomaar een idee welke dat is) zal de enorme complexiteit aan factoren die gedrag beïnvloeden het op zich moeilijker maken om deze technieken toe te passen, maar het is zeker de moeite waard om eens bij de marketing intelligence of risk management afdelingen van onze banken en telco’s te gaan kijken. Voor de liefhebber: http://users.ox.ac.uk/~mast0315/EWQRSupmktSales.pdf
Leuk verhaal. Koopgedrag voorspellen, de voorspelling bewaren en het vervolgens verifieren aan de hand van de werkelijke uitkomst is, zodat je een betrouwbaar model kunt ontwikkelen. Ik zie een explosie naar vele Terabytes, zie vele mensen op dit project zitten, datamining goeroes, retail experts, vele uren studie om met zaken te komen die verder gaan dan “luiers en bier”. Ik heb nog een idee: maak er een realtime app van, waarbij de klant in de winkel loopt, zodra hij een artikel in zijn mandje stopt, gaan er in een ander gangpad bellen rinkelen, bij het schap met bijpassende artikelen.Robert, misschien zou je nog even wat meer kunnen vertellen over de business case ?
Interessant, voorspellen… en die ook nog benchmarken… Zoals Freddy zegt het hangt af van een aantal zaken zoals bv datakwaliteit, dit is slechts een van de voorwaarden.Wanneer je gaat benchmarken zul je toch echt bij de concurrentie moeten gaan kijken het gaat om vergelijkbare scenario’s, appels met peren vergelijken heeft geen zin. Ik begrijp dat je de praktijk wilt zien dat is een kwestie van je ogen openen een supermarkt binnenlopen en eens stil staan bij de produkten uit het assortiment.Mijn advies is om eerst de organisatie te benchmarken, begin bij de statistici, R&D en ook de marketing afdeling moet er klaar voor zijn.Men hoort en leest wat over intelligence en denkt dit aan de hand van best practices te kunnen implementeren, hiermee wil ik niet zeggen dat dit ook voor jullie geldt, maar succes is een samenloop van omstandigheden en niet een kunstje dat te kopieren valt.Jammer dat je het listige problematiek noemt, dat valt allemaal wel mee, je moet weten waarmee je bezig bent, voor mij is een auto ook listige problematiek… Ik denk dat al op de helft bent als je kunt voorspellen of dit project succesvol gaat worden 😉 Succes.