presentatie big data in verkoop (cevora) gent 16 mei 2017
TRANSCRIPT
©2017Reproduction interdite
De impact van Big Data in de verkoop
CevoraDag van de verkoper
18/05/2017
• Pragmatisch uitleggen wat‘Big Data’ betekent(demystificeren)
• Maximaal illustreren aan de hand van concrete voorbeelden
• Met u samenwerken rond wat er in uw organisatie gedaan kan worden om Big Data-techniekente gebruiken voor commerciële doeleinden
(Mijn) doelstellingen voor deze workshop
2
• Let op: het is niet de bedoeling om van u specialisten in Big Data te maken
(Mijn) doelstellingen voor deze workshop
3
Wat u moet onthouden van dezeworkshop:
• Inzicht in het doel van de « Big Data »-verwerking
• Beperkingen en zakelijkeopportuniteiten van de « Big Data »-verwerking toegepast op de verkoop
• Toepassingsmogelijkheden van « Big Data » in uw organisatie
(Uw) doelstellingen voor deze workshop
4
• De slides zijn beschikbaar op slideshare (slideshare.net/Intotheminds)
• Consolideer uw kennis door het lezen van onze artikelen op de blog van IntoTheMinds (in 3 talen):www.intotheminds.com/Blog/nl
• Connecteer u met mijvia Linkedin om te communiceren na de vorming.
Praktische info vooraleer we starten
5
1. Algemene toelichting over Big Data: 25'
2. Concrete toepassingen: 20'
3. Werken rond uw eigen situaties: 45'
Structuur van de workshop
1
2
3
6
• Oprichter van hetmarktonderzoeksbureauIntoTheMinds
– Kwalitatief onderzoek
– Kwantitatief onderzoek (verwerkingvan massale data)
– Combinatie van 2 technieken
• MBA strategie, dokter in de marketing
• Tweets: @pnschwab of @intotheminds
• Blog: intotheminds.com/blog/nl
Wie ben ik?
7
• Ik hou van magie en vooral van mentalisme
• Op de foto: Frédéric Da Silva en ikzelf vorige maand in Las Vegas
Teaser
8
• Hij raadde het getal dat ik in gedachten had (22)
• Door verwerking van een groot aantal gegevens kan geanticipeerd worden op datgenewat een individu doet/wilt
Teaser
9
• Facebook weet:
– wat u hebt ge« liked »
– met wie u bent verbonden
– waar u geweest bent
– wat u hebt geschreven
– en nog veel meer …
• En gebruikt dat om een profielvan u te makenmeerdoelgericht, meer verkoop
Digitale sporen wordenverwerkt via Big Data
10
• Facebook is het meest volmaaktevoorbeeld van gebruik van Big Data voor commerciële doeleinden– Exploitatie van gegevens (new business)
– Profilering van « klanten »
• Grote verscheidenheid aan gegevens gebruikt voor« profilering » van gebruikers– Tekst
– Beeld
– Acties
Facebook: het manna van gebruikersprofilering
11
• Uw Likes bepalen wie u bent, maar uw commentaar en wat u deelt, is waardevoller
• Door emoticons (feb 2016) zijnuw emoties gekend
• Wat u schrijft, wordtgeanalyseerd door algoritmenom zo uw interesses te bepalen
FacebookUw acties verraden u
12
Facebook definieert uw netwerk en trekt conclusies over uw eigenprofiel (« gelijkgestemden zoekenelkaar »)
• uw "vrienden"
• De mensen met wie u op foto’s staat
FacebookUw vrienden bepalen wie u
bent
13
• Persoonlijke gegevens via uwfoto's:
– Https://ctrlq.org/google/images/
– Https://whereisthepicture.com/
FacebookBeeldherkenning
14
• Het profiel van een persoonwordt verhandelbare informatievoor bedrijven
• Profieltest
FacebookGegevens zijn business
15
• Vooreerst is het een« buzzword » om falende IT-systemen en projecten te verkopen (80% van de projecten mislukken*)
• Vooral het gevolg van een technische en commerciëleontwikkeling, waarmee bedrijvengrote hoeveelheden data kunnenverwerken tegen een redelijkekostprijs
Wat zijn Big Data?
1
16
*Bron: Gartner
• Aanwezige data kunnenverwerken, werd altijd al gezienals een bron van kennis(« insights »)
• De methodes en doelstellingen van gegevensverwerking zijn de voorbije 40 jaar geëvolueerd
• De middelen om toegang te krijgen tot deze kennis zijnmaximaal toegankelijk gemaakt
Big Data zijn niet nieuw
1
17
Big Data zijn niet nieuw1
18
Big Data zijn niet nieuwWat is er veranderd: de opslag
1
19Bron: a history of storage costs
Big Data zijn niet nieuwWat is er veranderd: de verwerkingskosten
1
20Bron: Sandberg en Bostrom (2008)
Big Data zijn niet nieuwWat is er veranderd: gegevens zijn er overal
1
21Bron: IDC’s Digital Universe Study
Big Data zijn niet nieuwWat is er veranderd: gegevens zijn er overal
1
22
Big Data zijn niet nieuwWat is er veranderd: gegevens zijn er overal
1
23
• Waarom gegevensverwerken? Om de toekomst te kunnen voorspellen!
• Anticiperen = concurrentievoordeel, beter beheer van middelen (dat geldtvoor bedrijven en landen)
• Overgang van sociologischemassamodellen naar quasi individuele modellen
Big Data: een 40 jaar lange natuurlijke evolutie
1
24
• Landen: 1ste gebruikers van historische gegevens:
– Voor het beheer van maatschappelijke ontwikkelingen
– Om landen te « besturen »
• Sociale wetenschappen aan de basis van de eerste modellen:
– Kwalitatieve analyse van variabelendie van invloed zijn op het gedrag
– Kwantitatieve beoordeling van de invloed van vooraf vastgesteldevariabelen
Big Data gisteren
1
25
Big Data gisterenEen op voorhand vastgesteld model, dat wordt
« geverifieerd »
26
model
Variabele1
Variabele2
Variabele3
Te modelleren
gedrag
• Er wordt voor elk individu gezocht naar correlaties in meerdere gegevens, soms van zeer uiteenlopende aard
• Er kunnen vreemde correlatiesopduiken
• De sociologische verklaring komtop de tweede plaats: alleen hetstatistische verband telt
Big Data vandaagGeen vooraf bepaald model
1
27
Big Data vandaagOpgelet voor toevallige correlaties
28
Bron: Tyler Vigen's « Spurious correlations »
Big Data vandaagOpgelet voor toevallige correlaties
29
Bron: Tyler Vigen’s « Spurious correlations »
• Afstappen van de sociologischeinvalshoek bij de interpretatie van gegevens
• Zoeken naar correlaties zonderde reden ervan te begrijpen: het oorzakelijk verband wordt niet langer uitgelegd!
Het probleem van Big Data vandaag
30
• Wat is er veranderd:
– Het systematiseren van gevensverzameling
– Het soort verzamelde gegevens
– Het niveau van "granulariteit"
– De verhouding kosten/snelheid van de verwerking
– Het doel (inzicht in wereldwijde trends commerciële oriëntatie)
Big Data vandaagWat is er veranderd?
31
Deel 22
32
Concrete voorbeelden ter inspiratie
• RTBF: verwerking van verbruiksgegevens om inhoudvoor te stellen(aanbevelingsalgoritmen)
• Telecom: voorspellen van uitval(« churn »)
• Bank: voorspelling van stortingen, opnames en uitval(« churn »)
Voorbeelden uit ons eigen werk
33
RTBF
34
• Twee manieren om voordeel te halen uit gegevens:
– B2B: verwerking van « klant »gegevens om nieuwediensten met toegevoegde waardeaan te kunnen bieden
– B2C: verzamelen en kruisen van gegevens over individuen om te anticiperen op hun behoeften/meerte verkopen
• Enkele (o.a. Belgische) voorbeeldenvan gegevensverwerking voor commerciële doeleinden
B2B versus B2C2
35
• Gebruikte gegevens:
– Taxi in het gebied
– Vraag
– Waarschijnlijkheid van aankoop(prijsgevoeligheid)
• « Dynamic Pricing », gebaseerdop vraag en aanbod. In theorie positief voor klanttevredenheid(↘ wachttijd).
• Maar ook andere geheime variabelen gebruikt
Uber« Surge Pricing »2
36
• Belgische startup (Gent)
• Gebruik van openbare informatie(publieke data) om de prijs van onroerende goederen te voorspellen
• Reactie op het monopolie van notarissen op de prijzen van vastgoedtransacties
• Foutmarge: 7-9%
Realo2
37
Realo
38
Realo
39
• Gebruik van uw aankoopgeschiedenis (via uwgetrouwheidskaart) om u kortingsbonnen aan te bieden
Delhaize, Colruyt2
40
• Gebruik van bestaande gegevens(gsm-signaal) voor anderedoeleinden visualisatie van personenbewegingen
• Kruising van deze gegevens met andere gegevens van socio-demografische aard
• Toepassingsgebied: kwantificatieen kwalificatie van personenstromen in handelscentra
Proximus2
41
ProximusCity 2 versus Docks Bruxsel
42
ProximusCity 2 versus Docks Bruxsel
43
• Sociaal secretariaat
• Rijk aan klantgegevens (lonen, ziekteverzuim, profiel van werknemers, …)
• Vraag: hoe deze gegevensgebruiken om klantenproblemenop te lossen?
• Een probleem van alle werkgevers: ziekteverzuim
SD Worx2
44
• SD Worx bezit meer gegevensover haar klanten dan de klanten zelf
• 6500 waarnemingen, 980 voorspellende variabelen
• 8 voorspellende variabelen voorziekteverzuim. Geheim, maar evaluatie van de werknemer en aanwezigheid van een « back-up » spelen blijkbaar eenbelangrijke rol
SD Worx2
45
• Innovatie in de gebruikte gegevens levert nieuweinkomstenbronnen op
• De gegevens worden bijna altijd gebruikt om een gedrag, eentoekomstige gebeurtenis, eenprijs te voorspellen
Eerste lessen2
46
• Realo: gebruik van openbare gegevens (publieke data)
• SD Worx: gebruik van klantgegevens om B2B-problemen op te lossen
• Proximus:
– Valorisatie van bestaandegeanonimiseerde gegevens
– Verrijking met externe gegevens
Eerste lessen2
47
• Delhaize, Colruyt: gebruik van bestaande nominatieve gegevens(getrouwheidskaart) om de consumptie in kaart te brengenen te anticiperen op behoeften
– Kortingsbonnen
– Adaptieve prijszetting
– Voorspelling supply-chain
Eerste lessen2
48
• Mag u persoonsgegevensverzamelen?
• Welke regelingen gelden?
– Wet van 8 december 1992 (bescherming van de privacy)
– GDPR (26 mei 2018)
Juridische aspecten
49
Deel 3
3
50
Nu is het aan u om creatief te zijn!3 vragen
45 minuten om na te denken over het gebruik van Big Data in uw bedrijf
• Wat wilt u kunnen voorspellen in uw activiteitensector?
• Wat zijn de onzekerheden waarmee uw bedrijf of uw klanten te maken hebben?
Vraag 1De zakelijke behoefte (15')
51
• Welke gegevens verzamelt u over uw klanten of voor rekening van uw klanten?
• Welke gegevens verwerkt u al?
• Welke gegevens ontbreken om voordeel te halen uit de commerciële opportuniteiten van vraag 1?
Vraag 2De gegevens (15')
52
• Wat moet u doen om dezemogelijkheden te kunnenbenutten?
Vraag 3De zakelijke behoefte
53
3
54
CONCLUSIES
• Alle bedrijven beschikken over gegevens die ze kunnenbenutten. Begin met hetinventariseren ervan
• Reflectie/brainstormen over mogelijk gebruik ervan
• Opgelet met juridischebeperkingen
Enkele conclusies
55
• Geen behoefte aan grote investeringen test uw ideeën van valorisatie van « data » uit op uw klanten
• Start klein (een eenvoudigestatistiek volstaat) en gaeventueel sneller te werk met een gespecialiseerde partner
Enkele conclusies
56
3
57
BEDANKT VOOR UW AANDACHT