Sådan bruger du machine learning til at komme foran dine kunder og dit marked

Vi tænker ikke så meget over det i hverdagen, men faktisk er vejrudsigten en af de ældste, mest udbredte og hyppigst anvendte forudsigelser af begivenheder i en nær forestående fremtid. Det er sket forholdsvis meget siden de gamle danske vejrvarsler som “en tør januar varsler ganske ofte en våd juli” til de nuværende komplekse og avancerede prædiktive modeller, der på baggrund af monitorering og indsamling af talrige observationer og ekstremt store datamængder analyserer og forudsiger morgendagens vejr. Og som typisk anvender et gennemsnit af en stor mængde forskellige modellers forudsigelser.

Ved du, hvilke af dine kunder der er i risikozonen for at forlade dig?

Tilbage til salg og marketing. En væsentligt, og ofte kritisk forudsigelse, er churn – altså kunde- eller medlemsafgang. Det er almindelig kendt at mange virksomheder investerer markant mere i at tiltrække nye helt kunder end i at fastholde de eksisterende. Det skyldes blandt andet at det kan være umiddelbart vanskeligt at identificere de kunder eller medlemmer, der befinder sig i en risikozone – og samtidig at vurdere graden og niveauet af den aktuelle risiko. Resultatet er at virksomhederne enten vælger at gøre ingenting eller at håndtere alle kunder ens. Begge dele koster penge på bundlinjen.

Med en prædiktiv churn-model får virksomhederne indblik i – og overblik over – risikoen for churn og helt konkret viden om hvilke enkeltstående kunder eller kundegrupper, der har brug for ekstra opmærksomhed og kærlighed.

Hvilke ejerboliger har størst sandsynlighed for at komme til salg?

Undervejs i et livsforløb tager vi som forbrugere rigtige mange beslutninger, som er interessante for virksomheder at kende – og ikke mindst at kunne forudsige. En af de største og helt centrale beslutninger handler om køb og salg af ejerboliger. Og tænk hvis ejendomsmæglere, banker og realkreditinstitutter havde nøjagtig fortegnelse over de boliger, som inden for kort tid bliver sat til salg.

Boligen er, sammen med bilen og sommerhuset, blandt danskerne største fysiske investeringer. Det er typisk i forbindelse med bolighandlen, at mange overvejer og revurderer relationen til deres bank, realkreditinstitut og forsikringsselskab.

Samtidig viser alle erfaringer, at skift af bolig samtidig udløser et behov for at kigge nærmere på husstandens abonnementer på aviser, telefoni, internet, streamingtjenester, måltidskasser, energi- og varmeforsyning og på ikke mindst på et lækkert nyt køkken, hårde hvidevarer, endnu en fladskærm eller en designersofa med plads til hele familien.

Prædiktion af bolighandel er omdrejningspunkt for BoligScore – en helt ny prædiktiv model udviklet af Ambition i samarbejde med Boligsiden. BoligScore forudsiger med stor præcision hvilke ejerboliger, der med størst sandsynlighed bliver sat til salg inden for en kort årrække.

Ved hjælp af avanceret machine learning scores samtlige ejerboliger i forhold til sandsynligheden for at de bliver sat til salg, sandsynlig liggetid og sandsynlig salgspris. Her er sandsynligheden helt optil 84,1% for den mest sandsynlige bolig – og i gennemsnit 47,6% for de eksempelvis 10.000 mest sandsynlige boliger. Det betyder at modellen identificerer 10.000 ejerboliger, hvor sandsynlighed for at de pågældende boliger bliver sat til salg, er mere end 3 gange større end den er for markedet i alt almindelighed.

BoligScore er bare et eksempel på prædiktion – og der er mulighed for udvikling af tilsvarende modeller til forudsigelse af f.eks. køb af nye biler, køb af nye briller eller af destinationen og varigheden af en for kommende ferierejser.

Prædiktion er ikke længere kun for de få…

Udviklingen går virkelig stærkt inden for prædiktion. Flere og flere CRM-systemer og marketing automation-platforme tilbyder indbyggede løsninger til prædiktion af churn og CLV (customer liftetime value). Flere og flere virksomheder har fået øjnene op for brugen af en CDP (customer data platform) hvor alle tilgængelige kundedata kan samles – og prædiktionsmodeller kan bygges og operationaliseres. Med andre ord, hvor det før var forbeholdt mastodonterne inden for den finansielle sektor at arbejde med AI og machine learning, er det nu også den lille webshop med få tusinde kunder, som kan udnytte de mange muligheder for at forudsige kundernes fremtidige adfærd.

De prædiktive modeller sætter fremtiden på formler – og åbner dermed direkte muligheder for at optimere og øge fokus på de nuværende og potentielle kunder, hvor sandsynligheden for en given adfærd over tid er størst.

En forudsigelse herfra er, at Machine Learning og prædiktive modeller er kommet for at blive.