Stel dat je op Amazon groene thee gaat kopen – Amazon raadt je misschien een mok en een waterkoker aan die erbij horen. Als je een laptop koopt bij MediaMarkt, kan de winkel u een laptopstandaard en een draagtas aanraden. Als je ooit de vraag hebt gekregen: “Wil je daar frietjes bij?”, dan ben je al bekend met het idee van crossselling. Crossselling is simpelweg wanneer je een item verkoopt naast een ander item dat een klant al van plan was te kopen.
De complexiteit van crossselling
Het is echter niet zo eenvoudig als het op het eerste gezicht lijkt, vooral wanneer je te maken hebt met veel producten. Hoe weet je precies wat het beste product is om aan te bevelen, en aan wie van je klanten moet je het aanbevelen? Moet je een bepaald product of een bepaalde dienst aanbevelen, of zou het een afknapper zijn? Die grote hoeveelheden gegevens analyseren om de mogelijkheden voor crossselling te optimaliseren, daar kan een AI platform als Trendskout bij helpen.
Berekening van de toegevoegde waarde van crossselling
Als je nog meer overtuigd moet worden van de toegevoegde waarde van crossselling, overweeg dan deze bevinding van McKinsey:
“35 procent van wat consumenten kopen op Amazon en 75 procent van wat ze bekijken op Netflix komt van productaanbevelingen op basis van dergelijke algoritmen.”
Dit zijn ongelooflijke percentages, en ze kunnen een make-or-break verschil zijn voor kleinere e-commerce winkels. Er is bijna niets dat meer impact heeft voor jouw (e-commerce) winkel dan het optimaliseren van crosssales.
No-Code AI om mogelijkheden voor crossselling te vinden
Laten we Trendskout gebruiken om crossselling kansen te voorspellen op basis van gegevens van verzekeringsmaatschappijen. In een fictieve dataset zitten klanten met ziektekostenverzekeringen, en we willen weten of een nieuwe klant geïnteresseerd zou zijn in een autoverzekering.
De informatie in de dataset omvat demografische info (zoals de leeftijd, het geslacht en de regio van de klant), voertuiginfo (zoals de leeftijd van het voertuig en de schade), en polisinfo (zoals de premie, het aankoopkanaal en de duur van de klant).
Onze KPI, of de waarde die we willen voorspellen, heet “Reactie.” Deze kolom heeft de waarde “1” als een klant geïnteresseerd is in een verzekering en de waarde “0” als de klant niet geïnteresseerd is in een verzekering.
Door deze dataset te koppelen aan Trendskout, kunnen we evalueren hoe elk klantkenmerk van invloed is op de waarschijnlijkheid dat ze geïnteresseerd zijn in een autoverzekering.
Daarbij zullen wij vaststellen dat de duur van de klant uiterst belangrijk is om te voorspellen hoe groot de kans is dat de crosssale een succes wordt. Hoe langer een klant bij het bedrijf was, hoe groter de kans dat hij interesse heeft in een autoverzekering.
In volgorde van afnemend belang zien we dat de leeftijd van de klant, de jaarlijkse premie en het verkoopkanaal ook voorspellend zijn. Met name oudere klanten (die waarschijnlijk welvarender en risicoavers zijn) en klanten met lagere premies zijn meer geïnteresseerd in autoverzekeringen.
Crosssale schalen met Trendskout
Iedereen is het erover eens: crossale is voor heel veel bedrijven een absolute meerwaarde. Om alles beheerbaar te houden, biedt artificiële intelligentie een absolute troef. Probleem waar veel kleine, middelgrote en soms zelfs grote bedrijf meekampen: een gebrek aan kennis. Je kan op zoek gaan naar een data scientist. (Zoek maar eens op de jobplatformen hoeveel bedrijven smeken om een data scientist). Of je kan opteren voor een plug and play platform.
Door goed te luisteren naar de markt, ontwikkelden we een flexibele en efficiënte oplossing. Met het Trendskout platform connecteer je je data (uit je ERP, CRM, een Excel,…) laat je tal van AI en ML-modellen los en stuur je de output door naar waar je maar wil. Zonder nood aan een interne data scientist. Boek nu een gepersonaliseerde demo en ontdek de mogelijkheden voor jouw bedrijf.
