B2B-cross-selling met voorspellend scoren
Context en doelstellingen
Een B2B-servicesbedrijf moest meer analytische flexibiliteit ontwikkelen en efficiënter werken om commerciële resultaten te behalen.
Het bedrijf wilde contact opnemen met klanten die geïnteresseerd zouden kunnen zijn in aanvullende producten en diensten. De uitdaging lag echter in het identificeren van cross-selling mogelijkheden voor bestaande klanten om effectief te benaderen tijdens campagnes. En weten waar je tijd en moeite in moet steken is cruciaal voor de winstgevendheid. Met gegevens in meerdere bronnen en systemen konden ze niet al deze elementen samenbrengen om er waardevolle commerciële inzichten uit te halen.
Het marketingteam maakte vroeger zelf de contactlijsten voor de cross-selling campagnes. Ze besteedden dus elk jaar veel mandagen aan het analyseren en verzamelen van een lijst met potentiële klanten.
Daarom wilde onze klant zich richten op cross-selling en aanbevelingen om de efficiëntie, winstgevendheid en klantprestaties te verbeteren. Ze deden een beroep op Agilytic om snel een oplossing te leveren waarmee ze zich konden richten op cases met een hogere kans op cross-selling, terwijl ze het commerciële team de beste tactieken konden aanbevelen.
Benadering
We werkten samen met het data-, strategie- en marketingteam om ervoor te zorgen dat onze inspanningen een significante impact zouden hebben. Voordat we van start gingen, hielden we een workshop met eigenaren van gegevensbronnen om relevante gegevens te identificeren.
Eerst verzamelden we gegevens om het gedrag van klanten te voorspellen en ideale klantprofielen te identificeren. We werkten met vier gegevensbronnen, een CRM, backorderverwerkingstool, ticketingtool en mailingautomatiseringstool, om het gedrag en de koopgewoonten van klanten te beschrijven en het proces van het scoren van klanten te vergemakkelijken.
Na deze fase van gegevensverzameling en analytische gegevensopbouw hebben we de klanten een score gegeven. We hebben gegevensextractie uitgevoerd uit verschillende systemen en gegevensanalyse (verkoopseizoensgebondenheid, gegevenskwaliteit), feature engineering (aggregaties, samenvoegen uit verschillende bronnen, opschonen, doeldefinitie en -creatie), modellering, voorspelling en tot slot modeluitleg.
Uiteindelijk hebben we drie modellen gemaakt. Elk model gaf ter illustratie een cross-selling score voor een ander product en op een andere tijdshorizon:
Zal de klant (product 1) kopen in de komende 12 maanden?
Zal de klant (product 2) kopen in de komende drie maanden?
Zal de klant (product 3) kopen in de komende 12 maanden?
Tijdens dit proces hebben we nauw samengewerkt met onze klant om het resultaat te valideren. Samen beoordeelden we de werkaannames om de uiteindelijke kwaliteit van het model en de acceptatie door onze klant te garanderen. We hebben het model getest om de betrouwbaarheid in de loop van de tijd te beoordelen. Naast het volledig implementeerbare algoritme heeft onze klant gedetailleerde uitleg gekregen over de beïnvloedende factoren.
We hebben het volgende geleverd:
Cross-selling scores per klant (.csv)
Gedocumenteerde code op de VM waar de modellen zijn gemaakt (.py, .ipynb, .md)
Modellen beschrijving en aanbevelingen (.ppt)
Resultaten
In minder dan 26 dagen werk ontwikkelden we een model dat...
haalt gegevens uit verschillende bronnen,
analyseert gegevens,
modellen,
laat voorspellingen zien,
en biedt uitleg
Door de cross-selling modellen te gebruiken, zal het marketingteam van de klant veel tijd besparen met een meer analytische aanpak. Onze klant kan nu vertrouwen op de voorspelde scores van het model om klanten te targeten tijdens hun cross-selling campagnes.
