Data ligt overal. Bedrijven beseffen het nog niet. Die data is goud waard. Of nog beter, data is zoals zuurstof. Onuitputtelijk, vrij voor handen en zonder dat we het altijd beseffen: vitaal. Vitaal voor goede resultaten. Die data moet wel goed gebruikt worden. Enerzijds moeten bedrijven ervoor zorgen dat de data gecapteerd wordt en anderzijds moet die data geanalyseerd worden. We geven 5 analysemethodes mee die helpen om sales beter te voorspellen. Met als gevolg: sales kunnen hun tijd beter spenderen en dus rendabeler worden.
Supervised of unsupervised: welke keuze maak je?
De wereld wordt elke dag “slimmer” en om aan de verwachtingen van de consument te blijven voldoen, maken bedrijven steeds meer gebruik van algoritmen voor machine learning om dingen gemakkelijker te maken. Je ziet ze dagelijks voor je neus passeren zoals de gezichtsherkenning voor het ontgrendelen van smartphones of voor het detecteren van creditcardfraude (zoals de waarschuwingen voor ongebruikelijke aankopen).
Binnen kunstmatige intelligentie (AI) en machine learning zijn er twee basisbenaderingen: supervised learning en unsupervised learning. Het belangrijkste verschil is dat de ene benadering gebruik maakt van gelabelde gegevens om resultaten te helpen voorspellen, terwijl de andere dat niet doet. Er zijn echter enkele nuances tussen de twee benaderingen, en belangrijke gebieden waarin de ene het beter doet dan de andere.
Wat is supervised learning?
Supervised learning is een benadering van machinaal leren die wordt gedefinieerd door het gebruik van gelabelde datasets. Deze datasets zijn ontworpen om algoritmen te trainen of te “begeleiden” bij het classificeren van gegevens of het accuraat voorspellen van resultaten. Met behulp van gelabelde inputs en outputs kan het model zijn nauwkeurigheid meten en in de loop van de tijd leren.
Supervised learning kan bij datamining worden onderverdeeld in twee soorten problemen: classificatie en regressie:
– Bij classificatieproblemen wordt een algoritme gebruikt om testgegevens nauwkeurig in specifieke categorieën in te delen, zoals het scheiden van appels van sinaasappels. Of, in de echte wereld, kunnen algoritmen voor supervised learning worden gebruikt om spam te classificeren in een aparte map van je inbox. Lineaire classifiers, support vector machines, beslisbomen en random forest zijn veel voorkomende types classificatiealgoritmen.
– Regressie is een ander type van supervised learning-methode waarbij een algoritme wordt gebruikt om de relatie tussen afhankelijke en onafhankelijke variabelen te begrijpen. Regressiemodellen zijn nuttig voor het voorspellen van numerieke waarden op basis van verschillende gegevenspunten, zoals prognoses van de verkoopopbrengsten voor een bepaald bedrijf. Enkele populaire regressiealgoritmen zijn lineaire regressie, logistische regressie en polynomiale regressie.
Wat is unsupervised learning?
Bij leren zonder toezicht worden algoritmen voor machinaal leren gebruikt om ongelabelde gegevensreeksen te analyseren en te clusteren. Deze algoritmen ontdekken verborgen patronen in gegevens zonder dat menselijke tussenkomst nodig is (vandaar dat ze “niet onder toezicht” staan).
Modellen voor leren zonder toezicht worden gebruikt voor drie hoofdtaken: clusteren, associëren en dimensionaliteitsvermindering:
– Clustering is een dataminingtechniek om ongelabelde gegevens te groeperen op basis van hun gelijkenissen of verschillen. Bijvoorbeeld, K-means clusteringalgoritmen wijzen gelijkaardige gegevenspunten toe in groepen, waarbij de K-waarde de grootte van de groepering en de granulariteit weergeeft. Deze techniek is nuttig voor marktsegmentering, beeldcompressie, enz.
– Associatie is een ander type van leertraject zonder toezicht, waarbij verschillende regels worden gebruikt om relaties te vinden tussen variabelen in een gegeven dataset. Deze methoden worden vaak gebruikt voor marktmandanalyse en aanbevelingsmotoren, in de trant van “Klanten die dit artikel kochten, kochten ook” aanbevelingen.
– Dimensionaliteitsreductie is een leertechniek die wordt gebruikt wanneer het aantal kenmerken (of dimensies) in een gegeven dataset te groot is. Het aantal gegevensinputs wordt gereduceerd tot een hanteerbare grootte, terwijl ook de gegevensintegriteit behouden blijft. Vaak wordt deze techniek gebruikt in het stadium van de voorbewerking van gegevens, zoals wanneer autoencoders ruis verwijderen uit visuele gegevens om de beeldkwaliteit te verbeteren.
Vijf concrete voorbeelden analysemethodes voor sales
Voorbeeld 1: Hoeveel sales zullen we volgend kwartaal afsluiten?
Type: Supervised learning op basis van regressie
Daarvoor maken we gebruik van de beschikbare verkoopgegevens. Dit zou bijvoorbeeld de maandelijkse verkoop bij een klant kunnen zijn. De gegevens komen dan uit hun ERP-systeem.
Hoe kan dit leiden tot meer verkopen? Verkoopprognose met regressie helpt om beter realistische doelen op te stellen en op deze manier ook een sales team beter te motiveren.
Lineaire regressie wordt het meeste gebruikt. Dit is vrij makkelijk om uit te rekenen. Sales managers kunnen dit met behulp van Excel. Lineaire waardeschatting helpt verkoopdoelen beter te schatten en zo kunnen sales managers een sales team van eerlijke, realistische maar ook zeker ambitieuze doelen voorzien. Realistische doelen stellen zorgt voor een werkomgeving met een team dat betrokkener is en dus ook productiever zal worden. Datamining met behulp van regressie is een methode waarbij geprobeerd wordt om een numerieke waarde in te schatten voor een variabele. In dit voorbeeld is dat dan de opbrengst per klant. Sales managers kunnen met die gegevens een analysemodel opstellen waarbij klanten en de historische ERP-transacties worden bekeken. Regressie schat altijd de totale inkomsten op periodieke basis door middel van verkoopgegevens.
Voorbeeld 2: “Zal de klant overgaan tot bestellen wanneer hij benadert en bezocht wordt?”
Type: Supervised op basis van classificatie
Hier kan je het aanpakken met een combinatie van data uit je CRM en je ERP. Key account managers zullen zich focussen op de klanten waarbij er een grote kans is op het plaatse van een order. Op periodieke basis zal de closing rate verbeteren.Schatting van de waarschijnlijkheid per klasse. Hierdoor kan je closed sales een hoge vlucht nemen.
Een goed voorbeeld van een predictieve methode van analytics voor een probleem dat gaat over classificatie is het classificeren van accounts op grond van de vraag of ze tot aankoop over zullen gaan of niet. Het benaderen en bezoeken van een klant kan in B2B redelijk duur zijn, daarom kijken Key Account Managers naar hoe waarschijnlijk het is dat een klant overgaat tot het plaatsen van een order.
Dit voorbeeld gaat uit van twee klassen; ‘zal wel kopen’ en ‘zal niet kopen’. Het model zal bekijken en voorspellen tot welke groep een klant behoort. Het toepassen ervan zal de verkoop versnellen door de middelen die je hebt, die overigens al beperkt zijn te richten op dat wat veelbelovend is. Classificeren is enigszins verwand aan regressie, maar de twee verschillen nogal. Informeel gezien zal classificiatie voorspellen of er iets wel of niet gebeurt, terwijl regressie de hoeveelheid ervan voorspelt.
Voorbeeld 3: “Zijn er segmenten klanten waarbij het risico is dat ze afhaken?”
Type: Unsupervised met clustering
Door middel van de ERP-transacties en de CRM-gegevens kan er gezorgd worden voor een lagere uitval van klanten. Klantenbehoud aanzienlijk verbeter is interessant voor zowel sales als marketing.
Clustering is een methode waarbij een sales director waardevolle input voor het maken van besluiten krijgt en weet waar de prioriteiten liggen. Het terugwinnen van een klant in B2B is kostbaar, daarom kun je met clustering de verkoop versnellen door verspilde middelen te vermijden. Dit is een voorspellende analysemethode die gecombineerd wordt met machine learning die voor analytics bijzoder goede resultaten biedt.
Clustering verdeelt klanten in groepen door gelijkenissen die meestal niet over een specifiek doel gaan. Unsupervised data mining kan in sommige gevallen ontdekken of er segmenten van accounts zijn die het risico lopen op verandering.
Voorbeeld 4: “Bestaat er een causaal verband tussen verkoopacties en het verbeteren van de verkoopcijfers?”
Type: Supervised
Data die nodig is voor succes: CRM verkoopactiviteit. Het model kan door middel van ERP gegevens worden vebeterd. Hoe kan de methode leiden tot betere verkoopcijfers? Sales directors kunnen verkoopacties die de beste resultaten genereren identificeren. Een sales director zou bijvoorbeeld vast kunnen stellen of er een bepaald segment bestaat dat vaker tot aankoop overgaat na de targeting. Was dit omdat het telefoontje of bezoek invloed heeft gehad in de verkoopbeslissing? Of heeft het model gewoon door middel van identificatie gewoon goed zijn werk gedaan en is er van andere invloed geen sprake?
Causale modellering kan als counterfactual worden opgevat. Dit type van modelling probeert uit te maken wat de verschillen zouden tussen tegengestelde verkoopacties, als ze niet of wel zouden plaatsvinden. Een voorspellende analyse kan de verkoop versnellen door schijnbare relatie te ontdekken tussen verkoopactiviteit en verkoopresultaat. Causaliteit kan een oorzaak-gevolg principe impliceren. Het helpt te begrijpen welke verkooop acties te resultaten daadwerkelijk beïnvloeden.
Voorbeeld 5: “Welk gedrag maakt van die ene key account manager de succesvolste?”
Type: Unsupervised
Voorbeeld van beschikbare verkoopgegevens: CRM. Daarnaast kunnen er ERP gegevens zijn die kunnen helpen om het model te beteren. Hoe brengt deze analyse meer verkopen met zich mee? Sales directors kunnen succesvol gedrag identificeren en hiermee gerichter stimuleren.
Gedrag binnen de verkoop is eigenlijk nooit eenvoudig, het aantal follow-ups, verstuurde aanbevelingen, het aantal bezoeken, tijd van verkoopgesprekken, bezochte klanten, sociale media, enzovoorts. Even als voorbeeld, wanneer een sales manager weet dat de meest succesvolle key account managers enkel beperkt gerichte bezoeken afleggen dan kan hij/zij incentives instellen die op kwaliteit gebasseerd zijn. Wanneer de focus gelegd wordt op kwaliteit van een gericht aantal bezoeken dan zal de verkoop op zijn beurt verbeteren.
Boeiend? Er is meer!
Vraag is nu maar: hoe zet je die analyses op? Het is makkelijker dan je denkt. Het Trendskout platform koppelt data, zoals CRM- en ERP-gegevens, aan algoritmes. Op het platform worden in sneltempo alle mogelijke algoritmes doorlopen tot de beoogde output bereikt wordt. Met die output kan je, zoals in de voorbeelden hierboven per direct aan de slag. Met andere woorden: je hoeft geen eindeloze Excels op te bouwen, zelf hoef je geen kennis in huis te halen van datawetenschappers en de output is razendsnel beschikbaar.
Nog wat onduidelijk? Zie het als de spelregels van een gezelschap spel, moeilijk uit te leggen maar je hebt ze snel door eens je begint te spelen. Daarvoor organiseren we graag een demo. Gestoeld op een use case die sterk aanleunt bij jouw wensen. Boek vandaag nog een demo en begrijp de grote meerwaarde voor jouw bedrijf!
