Voorspellende analyses in het loyaliteitsprogramma: Verloop voorspellen

In de detailhandel en de horeca zegt niemand op. Klanten komen gewoon minder vaak langs. Pas maanden later valt de omzetdaling op. Precies hier komt Predictive Analytics om de hoek kijken: in plaats van terug te kijken, kijkt het vooruit. Het schat in hoe waarschijnlijk het is dat iemand de komende weken wegblijft. En jouw loyaliteitsprogramma levert daarvoor de beste gegevens die je maar kunt hebben.

In deze gids lees je hoe dit in de praktijk werkt. Je ontdekt hoe je klantverloop zonder contract kunt definiëren, welke signalen je nu al opmerkt en welk uitbreidingsniveau bij jouw bedrijf past. Daarnaast vind je hierover begrijpelijke kengetallen, een vijfstappenplan en de belangrijkste richtlijnen met betrekking tot de AVG.

Wat voorspellende analyses onderscheidt van klassieke analyses

De meeste bedrijven voeren al een nauwkeurige meting uit. Ze kennen hun omzet, hun gemiddelde bonbedrag en vaak ook hun churn rate, oftewel het percentage klanten dat in een bepaalde periode is weggevallen. Deze cijfers geven weer wat er is gebeurd. Ze zijn als een achteruitkijkspiegel. Predictive Analytics is de vooruitblik: het vertelt je wie er waarschijnlijk als volgende zal vertrekken. Beide horen bij elkaar, want zonder een nauwkeurige terugblik is er geen betrouwbare prognose mogelijk.

Het verschil klinkt technisch, maar heeft zeer praktische gevolgen. Een churn rate van 20 procent vertelt je niet wie je moet bellen. Een ranglijst met de 300 meest risicovolle leden geeft je daar heel precies antwoord op.

Wanneer wordt een klant zonder contract beschouwd als vertrokken?

Dat is de vraag waar de meeste projecten op vastlopen. Een sportschool merkt dat klanten weglopen aan de opzegging. Een bakkerij krijgt daar nooit een signaal van. Daarom heb je een eigen definitie nodig, en die kun je het beste afleiden uit je eigen ritme.

Het is belangrijk om dit per geval te bekijken. Een vaste waarde voor iedereen benadeelt de kopers die minder vaak iets kopen en houdt geen rekening met de dagelijkse gasten. Als uitgangspunt kun je een grove indeling per branche gebruiken. De volgende waarden zijn vuistregels uit de praktijk, geen onderzoeksresultaten. Toets ze zeker aan de hand van je eigen gegevens.

Welke signalen je loyaliteitsprogramma nu al geeft

Het grote voordeel van een digitaal loyaliteitsprogramma: het verzamelt precies de gegevens die nodig zijn voor een prognose. Niet meer dan dat, maar doelgericht de juiste. Een papieren kaart weet niets over je. Een app weet wanneer iemand er voor het laatst was, wat hij heeft verzameld en of hij op berichten reageert. Uit deze sporen ontstaan de zogenaamde kenmerken, in vakjargon ‘features’ genoemd. Elk kenmerk is een kolom in je gegevenstabel.

Je hebt niet alle groepen vanaf het begin nodig. De ervaring leert dat koopgedrag en programmagebruik het grootste deel van de informatie opleveren. Al het andere is bijschaven.

Drie ontwikkelingsfasen: van regel naar model

Predictive Analytics klinkt als een datateam en een groot project. Dat hoeft niet zo te zijn. In de praktijk zijn er drie niveaus, en het eerste kun je binnen een paar uur implementeren. Het is belangrijk dat je begint op het niveau dat past bij je hoeveelheid gegevens en je team.

Zo stel je in vijf stappen je eerste prognose op

De werkwijze is in elke fase hetzelfde. Alleen de hulpmiddelen verschillen. Houd je aan deze volgorde, dan voorkom je de typische denkfouten.

1. Stel het doel en het tijdsbestek vast. Bepaal voor welke periode je een prognose wilt maken, bijvoorbeeld de komende 60 dagen. En definieer wat personeelsverloop in jouw bedrijf precies inhoudt.
2. Controleer de database. Zonder gekoppelde aankoopgeschiedenis lukt het niet. Controleer of de kassagegevens, app-gegevens en programmagegevens echt naar dezelfde persoon verwijzen en hoe ver je geschiedenis teruggaat.
3. Kenmerken en gevallen vaststellen. Kies voor de kenmerken een afgebakende periode uit het verleden. De periode daarna gebruik je om aan te geven wie er daadwerkelijk weg is gebleven. Dit onderscheid is cruciaal, anders beïnvloed je je eigen beoordeling.
4. Evalueer en kies een drempelwaarde. Test op gegevens die het model niet kent. Kies de drempelwaarde niet op basis van het mooiste percentage, maar op basis van het economische voordeel.
5. Maatregelen doorvoeren en monitoren. Stel voor elk risiconiveau een actie vast, houd een controlegroep zonder maatregelen achter de hand en controleer maandelijks of de prognose nog klopt.

Hoe goed is goed? Nauwkeurigheid op een begrijpelijke manier uitgelegd

Bij prognoses worden al snel Engelse vaktermen gebruikt. Er zijn er twee die je moet kennen, omdat ze bepalen hoeveel een campagne je kost en hoeveel gevallen je over het hoofd ziet.

Het afwegen van beide waarden is geen wiskundige opgave, maar een afweging. Een voorbeeld met willekeurige aannames laat zien waarom: stel dat je terugwervingsactie 4 euro per persoon kost, en dat een teruggewonnen persoon je 90 euro jaaromzet oplevert. Dan kun je gerust negen mensen gratis benaderen om er één te behouden. In dit geval is een hoge dekkingsgraad belangrijker dan trefzekere resultaten. Bij een dure maatregel, zoals een persoonlijk telefoontje, keert de verhouding zich om.

Van prognose naar maatregel

De meest voorkomende fout bij voorspellende projecten is een rapport dat niemand helpt. Een score heeft pas effect als voor elke fase duidelijk is wat er gebeurt, wie dit in gang zet en hoe vaak. Deze vier fasen zijn een beproefde, werkbare indeling gebleken.

AVG: Wat geldt voor geautomatiseerde risicoscores

Een verloopscore is een beoordeling van personen. Daarmee valt deze onder wat de Algemene Verordening Gegevensbescherming ‘profilering’ noemt: de geautomatiseerde analyse van persoonsgegevens om eigenschappen of gedrag te voorspellen. Dat is niet verboden, maar er gelden wel regels voor. Je dient deze punten met je functionaris voor gegevensbescherming of je advocaat te bespreken voordat je begint.

• Bepaal de rechtsgrondslag. Meestal is een interne score gebaseerd op het gerechtvaardigd belang of op toestemming. Leg vast welke grondslag je hanteert en waarom.
• Zorg voor transparantie. In het privacybeleid moet staan dat je gebruiksgegevens analyseert om aanbiedingen en herinneringen op maat te tonen.
• Geen ingrijpende beslissingen op eigen houtje. Artikel 22 van de AVG beschermt mensen tegen volledig geautomatiseerde beslissingen met ingrijpende gevolgen. Een score die alleen bepaalt welk bericht iemand ontvangt, valt daar doorgaans niet onder. Zodra er uitsluitingen of duidelijke nadelen aan verbonden zijn, ligt de situatie anders.
• Neem gegevensminimalisatie serieus. Neem alleen kenmerken op die je echt nodig hebt. Gezondheidsgegevens en andere bijzonder beschermde categorieën horen niet thuis in een marketingscore.
• Verwijderingstermijnen vaststellen. Bepaal wanneer inactieve profielen worden verwijderd en houd je daaraan.
• De scorelogica vastleggen. Leg schriftelijk vast welke kenmerken worden meegewogen en hoe ze worden gewogen. Dit heb je nodig voor informatieverzoeken.

Dit is geen juridisch advies, maar een leidraad op basis van praktijkervaring met projecten. De concrete beoordeling hangt altijd af van het doel waarvoor je het wilt gebruiken.

Zes fouten die prognoses onbruikbaar maken