Affärsvärde trumfar förklaringsvärde.
Hur bra en prediktiv analys är beror nästan uteslutande på vilket affärsvärde som kan utvinnas om prediktionernas superkraft tillämpas. Det är egentligen ganska självklart när man tänker efter, ändå lägger många ner mer energi på att preparera data och trimma modellen än på att förstå affären och vad man egentligen behöver förutspå för att leverera affärsnytta och högre måluppfyllelse.
Om du till exempel jobbar med att ta in nya kunder så kan det intuitivt verka givet att högst affärsvärde uppnås genom att sätta upp respons- och konverteringsmål och predicera vilka som kommer att respondera på erbjudandet. Om det övergripande affärsmålet är tillväxt och att ta in så många nya kunder som möjligt med given budget, ja då är intuitionen rätt. Men… om du får reda på att det finns en hög kostnad förknippad med onboarding av just dessa kunder och att många av dem bara stannar en kortare tid?
I detta fall är ju svaret inte längre lika givet… Affärsvärdet är ju då beroende av att marknadsinvesteringen attraherar kunder som tenderar att generera lönsamhet över tid, snarare än av respons- och konverteringsgraden allena. Kontentan är att ett tydligt mål och att veta vad man frågar efter skapar grunden för en prediktiv modell som syftar till affärsvärde.
Många organisationer har stora utmaningar med att just behålla befintliga kunder aktiva och förhindra avhopp. För att förstå vilka kunder som bär högst risk för churn tillämpas ofta prediktiva analyser. Med hjälp av dessa kan man veta vilka kunder man skall fokusera resurser på, men är det självklart att detta i sig ger något affärsvärde?
Svaret är att affärsmålet ofta är kopplat till att behålla en högre del av kunderna, därför behöver du, förutom att se till vilka som är mest avhoppsbenägna, också ta hänsyn till vilka som är påverkbara och kommer att svara på dina churn-preventiva processer.
I många organisationer kan man inte enkelt identifiera churn genom ett avslutat abonnemang. Ofta definieras istället churnade kunder med en regel som t ex ”de kunder som inte gjort ett köp de senaste 18 månaderna”. Det är heller inte ovanligt att man i sin Churn-prediktion samtidigt använder ”tid sedan senaste köp” som förklaringsvariabel. Det blir då rätt självklart att man får prediktionsmodeller med högt förklaringsvärde – de med högst risk att churna blir enligt modellen de som inte gjort ett köp de senaste 17 månaderna. Det kunde man ju i och för sig räkna ut med tummen, så vilket inkrementellt affärsvärde adderar då den prediktiva analysen?
Om man istället skulle fokusera på affärsnyttan och att hålla kunderna aktiva längre för att öka CLV behöver prediktionsmodellen svara på vilka som, efter sitt första köp, kommer vara churnade om 18 månader. Då skulle affärsvärdet av en prediktionsmodell kunna vara enormt även om modellens förklaringsvärde är relativt lågt. Kontentan är att affärsnytta trumfar förklaringsvärde varje gång.
Om en modell svarar till affärsnyttan, men förklaringsvärdet är lågt finns tillvägagångssätt att öka förklaringsvärdet. Ett av de mest effektiva är att addera relevant data som har en påverkan på fenomenet som efterfrågas. Under nästa inlägg om prediktiv analys kommer vi att gå igenom just hur man kan öka modellens relevans och förklaringsvärde genom mer och rätt data.
Vikten av att svara till affärsnyttan i prediktiv analys ger oss inte bara verktygen att se in i framtiden utan även med röntgensyn zooma in på det som är verkligt viktigt. Och låt oss vara ärliga, det är lite av en superkraft.