Wij kijken vooruit

de kracht van predictive datamodellen

Predictive Marketing
Er is in het afgelopen jaar enorm veel geschreven over machine learning, artificial intelligence, algoritmes en het belang van data. Maar wat wij veel interessanter vinden: hoe is dit toepasbaar op de automotive branche? En hoe kunnen wij, als jouw digital partner, het ontastbare tastbaar maken? Hoe kunnen we data zó inzetten, dat je kunt voorspellen wat je klant gaat doen? Oftewel, hoe maak je de stap naar predictive marketing…

Automatiseren én personaliseren
Dit doen we onder andere met behulp van ons Data Lake. Een mooi voorbeeld van hoe wij op praktische wijze data centraal stellen voor onze klanten. Alle ‘silo’s’ met informatie over de consument brengen wij samen, om hier vervolgens marketing mee te automatiseren én te personaliseren. En niet alleen de silo’s zelf, ook de bedrijven achter het ontstaan van deze silo’s zijn enorm interessant. Zo zijn we onlangs een waardevolle samenwerking gestart met CDK Global, waardoor we data uit bijvoorbeeld Autoline kunnen ontsluiten.

Onderbouw je strategie met feiten en data
Maar hoe maak jij als autobedrijf nou de stap naar predictive marketing? We zien in de praktijk dat autobedrijven nu enorm veel verschillende rapportages gebruiken. Hier halen managers vervolgens inzichten uit, of laten verkopers hun eigen ‘predictive model’ op los. Denk bijvoorbeeld aan ‘wie van mijn klanten is mogelijk in de markt voor een nieuwe auto?’ Dit baseren we nu (nog) op de ervaring van de verkoper/ sales manager in combinatie met een Excel document. Maar waar we naartoe willen, is minder afhankelijk zijn van een onderbuikgevoel en onze strategieën en ons handelen onderbouwen met feiten en data.

Patronen herkennen
Dit betekent in de praktijk overigens weinig anders dan patronen herkennen. En dan bedoelen we patronen over alle cijfers heen. Bijvoorbeeld de verkoopcijfers tegenover klantdata, aangevuld met externe gegevens (zoals leeftijd, gezinssamenstelling en inkomen). Daarmee kunnen we over de historie heen, een aankoopkans / engagement berekenen. Op basis hiervan creëer je een model dat kan bepalen welke klant in de markt is voor een nieuwe auto. 

Investeer je in de juiste klanten?
Ook kun je data gebruiken om de klantwaarde te bepalen. Wie zijn je meest waardevolle klanten en wie zijn klanten die je relatief weinig opleveren? In de regel worden er evenveel middelen ingezet voor beide soorten klanten. Echter is dit wel logisch? Idealiter investeer je je middelen in de klanten die je als organisatie het meeste opleveren, toch? Deze klantgroep wil je immers behouden en uitbouwen. Op basis van verschillende soorten data kan bepaald worden wat de waarde is van een klant. Door te sturen op klantwaarde kunnen budgetten op deze manier veel effectiever worden ingezet.

Voorspel het onderhoud
Ook een fijne toepassing van data, het voorspellen van onderhoud. Op basis van verschillende variabelen kan voorspeld worden wanneer een klant toe is aan onderhoud. Dit kan o.a. op basis van KM-stand tijdens een werkplaatsafspraak, maar kan ook opgemaakt worden door andere variabelen als leeftijd van de bestuurder, soort auto en het gebruiksdoeleinde van de auto (woon/werk, boodschap auto). Op basis van deze variabelen wordt voorspeld wanneer iemand voor onderhoud moet komen en kan diegene zo pro-actief benaderd worden.

Blijf je gezond verstand gebruiken
Natuurlijk blijft het belangrijk om je niet blind te staren op cijfertjes zonder je gezond verstand te blijven gebruiken. Is de ingevoerde data namelijk foutief, dan zal de uitkomst dat ook zijn. Een typisch voorbeeld hiervan is de rekruteringstool die Amazon enkele jaren geleden ontwikkelde. Het zogenaamde ‘ai-model’, moest op basis van een groot aantal cv’s de beste kandidaten voor een job selecteren. De tool werd getraind door datapatronen te identificeren in een grote hoeveelheid historische data. De focus lag met name op cv’s die in de voorbije tien jaar behandeld waren. Helaas bleek uit de data dat in die periode vooral mannen waren geworven, waardoor de tool automatisch vrouwelijke kandidaten ging discrimineren. Het bewuste ai-model heeft het, hoe verrassend, niet gehaald.
(bron = computable, 2-12-20)

Centraliseer je data
Om écht predictive te kunnen worden, zal je moeten gaan werken vanuit een data gecentraliseerde organisatie. Het is namelijk cruciaal dat je verbanden kunt herkennen en de data kan ‘lezen’. Wil je weten wat dit voor jouw bedrijf betekent en hoe je de eerste stap richting predictive marketing zet? Wij helpen je graag door het geven van advies of met behulp van praktische handvatten en tools.

Word 'predictive'

Wij helpen je graag op weg! Neem contact met ons op voor persoonlijk advies.

Ook interesse in een samenwerking?

Wij werken samen met o.a.:
Logo Hubspot Logo Active Campaign Logo Google Partner Logo Bing Ads Logo Visual Website Optimezer Logo Visual Website Optimezer