Machine Learning in Marketing en Sales

Written by
Elmo Wieland
On
July 30, 2020

Al eerder schreef ik over de vele opties om met machine learning modellen in marketing en sales meer te kunnen doen, met name in het nemen van beslissingen. Hoe mooi zou het zijn om eenvoudig en snel verbanden te vinden uit je data en daarop vervolgens een beslissing nemen? Dit kan natuurlijk al maar het wordt ook steeds makkelijker.

Voorspelmodellen voor beslissingen

Tijdens de uitreiking van de “Slimsteorganisatie van Nederland” gaf de winnaar van de avond, Fietsenwinkel.nl enkele voorbeelden. Click gedrag op de modellen op de website wordt gebruikt om de bestellingen per model en kleur vast te stellen (betere verkoopvoorspellingen). Sales data dan. U kunt modellen bouwen met de data van verloren klanten (bepalen van kans op “churn” van bepaalde klanten). Als u het groeipad van uw beste klanten weet kan u ook achterhalen wat de “ideale” aanpak is vanaf eerste contact tot aan fase "beheer topklant". Nog eenvoudiger is om op basis van uw historische gegevens van de huidige klanten te bepalen wat een goede aankoopaanbeveling is als vervolg op een eerste aankoop.

Mogelijk nog interessanter is om de relatie tussen allerlei factoren en de tevredenheid en/of de uiteindelijke omzet. Dit worden ook wel de ‘predictors’ genoemd. Intuïtief zien wij wel de nodige relaties maar met het bouwen van modellen met de huidige techniek is het mogelijk om dit ook daadwerkelijk te toetsen. Stel je voor dat je per bezoeker op je site kunt voorspellen (tussen 0% en 100%) wat de kans op een aankoop is. En ook op basis van welke factoren/predictors dit gebaseerd is. Als voorbeeld: een aankoop op een site is het meest afhankelijk van de pagevalue waarde en hoe recent de bezoeken zijn geweest. Met deze informatie zou je het moment en de soort boodschap af kunnen stemmen op de waardes die uit je voorspelmodel komen zoals boodschap A naar de groep met aankoopkans boven 70%, boodschap B naar…enz.

Power BI Auto ML

Het afgelopen jaar heb ik de ontwikkeling van bijvoorbeeld PowerBI gezien. Dit was al een mooie oplossing om een set aan rapportages te bouwen om hiermee de business te voorzien van de juiste data in de beste visuals (of de business dit deels zelf laten doen). Met de komst van AutoML is er nu een heleboel meer mogelijk, al kon je al je ‘R’ of ‘Python’ scripts in PowerBI inladen als je zelf al algoritmes/modellen had gemaakt.

Nu kun je met PowerBI de AutoML (automatic machine learning )functie aanroepen en deze helpt je dan stap voor stap door het proces waarmee jij je voorspelmodel gaat bouwen. De eerste stap zie je hieronder, een uitleg over wat je in elke stap gaat doen. Voor meer info over elke stap.

Vervolgens selecteer je de dataset waarop je het model wilt bouwen. Vervolgens het model waarbij PowerBI alleen de relevante modellen aanbiedt. PowerBI gaat daarna zelf een optimaal model bouwen (train your model) en zal het gekozen model (bijna altijd een mix van diverse beschikbare modellen) ook toelichten. Deze toelichting is zeer uitgebreid en is voorzien van goede uitleg over de uitkomsten en de betrouwbaarheid. Een voorbeeld van de uitkomsten is hieronder weergegeven.

Veel potentie

Enkele voorbeelden van wat je allemaal zou kunnen voorspellen (als je de data hebt natuurlijk):

·       Conversies en opbrengsten op websites

·       Het verwachte effect van een promotionele actie van een concurrerend merk

·       De kans dat een verkoper zijn target haalt (en op basis van welke factoren)

·       De kans dan een klant gaat opzeggen (en op basis van welke factoren)

·       Verwachte aantal bezoekers gegeven de dag, het weer en andere factoren

Daarnaast biedt de AutoML functie in PowerBI ook al modellen om tekst en beeld analyses toe te passen. Denk hierbij aan sentiment analyse (tevredenheidsscores uit teksten halen) of beeldherkenning. Een mooie nieuwe ontwikkeling die ook vast nog veel verder zal worden ontwikkeld de komende jaren.

Dit artikel is overgenomen van Salesgids

Written by
Elmo Wieland

Machine Learning in Marketing en Sales

Al eerder schreef ik over de vele opties om met machine learning modellen in marketing en sales meer te kunnen doen, met name in het nemen van beslissingen. Hoe mooi zou het zijn om eenvoudig en snel verbanden te vinden uit je data en daarop vervolgens een beslissing nemen? Dit kan natuurlijk al maar het wordt ook steeds makkelijker.

Voorspelmodellen voor beslissingen

Tijdens de uitreiking van de “Slimsteorganisatie van Nederland” gaf de winnaar van de avond, Fietsenwinkel.nl enkele voorbeelden. Click gedrag op de modellen op de website wordt gebruikt om de bestellingen per model en kleur vast te stellen (betere verkoopvoorspellingen). Sales data dan. U kunt modellen bouwen met de data van verloren klanten (bepalen van kans op “churn” van bepaalde klanten). Als u het groeipad van uw beste klanten weet kan u ook achterhalen wat de “ideale” aanpak is vanaf eerste contact tot aan fase "beheer topklant". Nog eenvoudiger is om op basis van uw historische gegevens van de huidige klanten te bepalen wat een goede aankoopaanbeveling is als vervolg op een eerste aankoop.

Mogelijk nog interessanter is om de relatie tussen allerlei factoren en de tevredenheid en/of de uiteindelijke omzet. Dit worden ook wel de ‘predictors’ genoemd. Intuïtief zien wij wel de nodige relaties maar met het bouwen van modellen met de huidige techniek is het mogelijk om dit ook daadwerkelijk te toetsen. Stel je voor dat je per bezoeker op je site kunt voorspellen (tussen 0% en 100%) wat de kans op een aankoop is. En ook op basis van welke factoren/predictors dit gebaseerd is. Als voorbeeld: een aankoop op een site is het meest afhankelijk van de pagevalue waarde en hoe recent de bezoeken zijn geweest. Met deze informatie zou je het moment en de soort boodschap af kunnen stemmen op de waardes die uit je voorspelmodel komen zoals boodschap A naar de groep met aankoopkans boven 70%, boodschap B naar…enz.

Power BI Auto ML

Het afgelopen jaar heb ik de ontwikkeling van bijvoorbeeld PowerBI gezien. Dit was al een mooie oplossing om een set aan rapportages te bouwen om hiermee de business te voorzien van de juiste data in de beste visuals (of de business dit deels zelf laten doen). Met de komst van AutoML is er nu een heleboel meer mogelijk, al kon je al je ‘R’ of ‘Python’ scripts in PowerBI inladen als je zelf al algoritmes/modellen had gemaakt.

Nu kun je met PowerBI de AutoML (automatic machine learning )functie aanroepen en deze helpt je dan stap voor stap door het proces waarmee jij je voorspelmodel gaat bouwen. De eerste stap zie je hieronder, een uitleg over wat je in elke stap gaat doen. Voor meer info over elke stap.

Vervolgens selecteer je de dataset waarop je het model wilt bouwen. Vervolgens het model waarbij PowerBI alleen de relevante modellen aanbiedt. PowerBI gaat daarna zelf een optimaal model bouwen (train your model) en zal het gekozen model (bijna altijd een mix van diverse beschikbare modellen) ook toelichten. Deze toelichting is zeer uitgebreid en is voorzien van goede uitleg over de uitkomsten en de betrouwbaarheid. Een voorbeeld van de uitkomsten is hieronder weergegeven.

Veel potentie

Enkele voorbeelden van wat je allemaal zou kunnen voorspellen (als je de data hebt natuurlijk):

·       Conversies en opbrengsten op websites

·       Het verwachte effect van een promotionele actie van een concurrerend merk

·       De kans dat een verkoper zijn target haalt (en op basis van welke factoren)

·       De kans dan een klant gaat opzeggen (en op basis van welke factoren)

·       Verwachte aantal bezoekers gegeven de dag, het weer en andere factoren

Daarnaast biedt de AutoML functie in PowerBI ook al modellen om tekst en beeld analyses toe te passen. Denk hierbij aan sentiment analyse (tevredenheidsscores uit teksten halen) of beeldherkenning. Een mooie nieuwe ontwikkeling die ook vast nog veel verder zal worden ontwikkeld de komende jaren.

Dit artikel is overgenomen van Salesgids

Posted by
Elmo Wieland
On
July 30, 2020