Prediktiv analys
Prediktiv analys – insikternas superkraft
Det är inte för ingenting som det pratas flitigt om prediktiv analys inom marknadsföringsvärlden just nu, ofta i termer av modeorden AI (Artificiell Intelligens) eller Maskininlärning (ML). Användningen av analysmetoder av prediktiv art ökar och en positiv framtid spås för all typ av prediktion. Just denna typ av analys syftar till att göra just det: förutspå framtiden.
Vad är prediktiv analys?
Prediktiv analys är ett brett begrepp som innefattar alla analytiska metoder som används för att förutse beteenden och trender. Genom att ha en förståelse för vilka som har högst sannolikhet att respondera på din kampanj, eller vilka som bär högst risk för churn, kan din marknadsbudget spenderas mer effektivt.
A och O i prediktiv analys är bra data. Hela syftet med prediktiv analys är att arbeta från de trender som går att hitta i datat och dålig datakvalitet kan medföra att de trender som identifieras pekar åt fel håll. Datakvalitet tar dig bara det första väldigt viktiga steget. Med bra datakvalitet men utan en affärsförståelse för vad som är viktigt att predicera och ett tydligt mål med analysen blir även det bästa data irrelevant. Bra data innebär därför både bra datakvalitet och bra data för ändamålet. Resultatet blir en indikation av framtiden och vad som är sannolikt att hända vid viss bearbetning. Grunden ligger i att använda historisk data för att förutspå framtiden.
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.
Prediktionsmodeller som svarar på Churn
I många organisationer kan man inte enkelt identifiera churn genom t ex 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”. I ett antal fall där vi stött på dessa förutsättningar för Churn-prediktion har man samtidigt använt ”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 på att hålla kunderna aktiva längre för att öka CLV, då behöver prediktionsmodellen svara på vilka som, efter sitt första köp, kommer vara churnade om 18 månader. I detta fall skulle affärsvärdet av en prediktionsmodell kunna vara enormt även om modellens förklaringsvärde är relativt lågt. Kontentan är att affärsnytta trumfar förklaringsvärde varje gång.
Börja med det som faktiskt räknas
Utmaningen idag är ofta att man börjar i fel ände och låter såväl mål och KPI:er som den prediktiva frågeställningen definieras utifrån vilka frågor ens eget data kan svara på, snarare än att ställa sig frågan vad man behöver för data för att verkligen kunna följa upp och svara på affärsfrågorna.
Vad bör då tågordningen vara?
- Definiera målet och frågeställningen utifrån att maximera affärsvärdet
- Komplettera med de data du behöver för att svara på frågeställningen
- Starta din prediktiva resa mot högre affärsnytta
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.