Presentatie big data (Dag van de verkoper, Cevora)

[email protected] www.IntoTheMinds.com

©2017 Reproduction interdite

De impact van Big Data in de verkoop

Cevora Dag van de verkoper

30/05/2017

• Oprichter van het marktonderzoeksbureau IntoTheMinds

– Kwalitatief onderzoek

– Kwantitatief onderzoek (verwerking van massale data)

– Combinatie van 2 technieken

• MBA strategie, dokter in de marketing

• Tweets: @pnschwab of @intotheminds

• Blog: intotheminds.com/blog

Wie ben ik?

2

• 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-technieken te gebruiken voor commerciële doeleinden

(Mijn) doelstellingen voor deze workshop

3

• Let op: het is niet de bedoeling om van u specialisten in Big Data te maken

(Mijn) doelstellingen voor deze workshop

4

Wat u moet onthouden van deze workshop:

• Inzicht in het doel van de « Big Data »-verwerking

• Beperkingen en zakelijke opportuniteiten van de « Big Data »-verwerking toegepast op de verkoop

• Toepassingsmogelijkheden van « Big Data » in uw organisatie

(Uw) doelstellingen voor deze workshop

5

• 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

• Connecteer u met mij via Linkedin om te communiceren na de vorming.

Praktische info vooraleer we starten

6

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

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 datgene wat 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 profiel van u te maken meer doelgericht, meer verkoop

Digitale sporen worden verwerkt via Big Data

10

• Facebook is het meest volmaakte voorbeeld 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) zijn uw emoties gekend

• Wat u schrijft, wordt geanalyseerd door algoritmen om zo uw interesses te bepalen

Facebook Uw acties verraden u

12

Facebook definieert uw netwerk en trekt conclusies over uw eigen profiel (« gelijkgestemden zoeken elkaar »)

• uw "vrienden"

• De mensen met wie u op foto’s staat

Facebook Uw vrienden bepalen wie u

bent

13

• Persoonlijke gegevens via uw foto's:

– Https://ctrlq.org/google/images/

– Https://whereisthepicture.com/

Facebook Beeldherkenning

14

• Het profiel van een persoon wordt verhandelbare informatie voor bedrijven

• Profieltest

Facebook Gegevens 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 commerciële ontwikkeling, waarmee bedrijven grote hoeveelheden data kunnen verwerken tegen een redelijke kostprijs

Wat zijn Big Data?

1

16

*Bron: Gartner

• Aanwezige data kunnen verwerken, werd altijd al gezien als 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 zijn maximaal toegankelijk gemaakt

Big Data zijn niet nieuw

1

17

Big Data zijn niet nieuw 1

18

Big Data zijn niet nieuw Wat is er veranderd: de opslag

1

19 Bron: a history of storage costs

Big Data zijn niet nieuw Wat is er veranderd: de verwerkingskosten

1

20 Bron: Sandberg en Bostrom (2008)

Big Data zijn niet nieuw Wat is er veranderd: gegevens zijn er overal

1

21 Bron: IDC’s Digital Universe Study

Big Data zijn niet nieuw Wat is er veranderd: gegevens zijn er overal

1

22

Big Data zijn niet nieuw Wat is er veranderd: gegevens zijn er overal

1

23

• Waarom gegevens verwerken? Om de toekomst te kunnen voorspellen!

• Anticiperen = concurrentievoordeel, beter beheer van middelen (dat geldt voor bedrijven en landen)

• Overgang van sociologische massamodellen 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 variabelen die van invloed zijn op het gedrag

– Kwantitatieve beoordeling van de invloed van vooraf vastgestelde variabelen

Big Data gisteren

1

25

Big Data gisteren Een op voorhand vastgesteld model, dat wordt

« geverifieerd »

26

model

Variabele 1

Variabele 2

Variabele 3

Te modelleren

gedrag

• Er wordt voor elk individu gezocht naar correlaties in meerdere gegevens, soms van zeer uiteenlopende aard

• Er kunnen vreemde correlaties opduiken

• De sociologische verklaring komt op de tweede plaats: alleen het statistische verband telt

Big Data vandaag Geen vooraf bepaald model

1

27

Big Data vandaag Opgelet voor toevallige correlaties

28

Bron: Tyler Vigen's « Spurious correlations »

Big Data vandaag Opgelet voor toevallige correlaties

29

Bron: Tyler Vigen’s « Spurious correlations »

• Afstappen van de sociologische invalshoek bij de interpretatie van gegevens

• Zoeken naar correlaties zonder de 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 vandaag Wat is er veranderd?

31

Deel 2 2

32

Concrete voorbeelden ter inspiratie

• RTBF: verwerking van verbruiksgegevens om inhoud voor te stellen (aanbevelingsalgoritmen)

• Telecom: voorspellen van uitval

• Bank: voorspelling van stortingen, opnames en uitval

Voorbeelden uit ons eigen werk

33

RTBF

34

• Twee manieren om voordeel te halen uit gegevens:

– B2B: verwerking van « klant »gegevens om nieuwe diensten met toegevoegde waarde aan te kunnen bieden

– B2C: verzamelen en kruisen van gegevens over individuen om te anticiperen op hun behoeften/meer te verkopen

• Enkele Belgische voorbeelden van gegevensverwerking voor commerciële doeleinden

B2B versus B2C 2

35

• Gebruikte gegevens:

– Taxi in het gebied

– Vraag

– Waarschijnlijkheid van aankoop (prijsgevoeligheid)

• « Dynamic Pricing », gebaseerd op 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%

Realo 2

37

Realo

38

Realo

39

• Gebruik van uw aankoopgeschiedenis (via uw getrouwheidskaart) om u kortingsbonnen aan te bieden

• Nooit korting voor reeds verbruikte producten! (cross-selling)

Delhaize, Colruyt 2

40

• Gebruik van bestaande gegevens (gsm-signaal) voor andere doeleinden visualisatie van personenbewegingen

• Kruising van deze gegevens met andere gegevens van socio-demografische aard

• Toepassingsgebied: kwantificatie en kwalificatie van personenstromen in handelscentra

Proximus 2

41

Proximus City 2 versus Docks Brussel

42

Proximus City 2 versus Docks Brussel

43

Celgegevens voor optimalisering van openbaar vervoer

44

Bron : IntoTheMinds

• Gebruikte celgegevens voor mensenstromen op te sporen

• Identificatie van een brug die een gevaar bij evacuatie kan zijn (« bottleneck »)

Tsunami Japan

45

• Sociaal secretariaat

• Rijk aan klantgegevens (lonen, ziekteverzuim, profiel van werknemers, …)

• Vraag: hoe deze gegevens gebruiken om klantenproblemen op te lossen?

• Een probleem van alle werkgevers: ziekteverzuim

SD Worx 2

46

• SD Worx bezit meer gegevens over haar klanten dan de klanten zelf

• 6500 waarnemingen, 980 voorspellende variabelen

• 8 voorspellende variabelen voor ziekteverzuim. Geheim, maar evaluatie van de werknemer en aanwezigheid van een « back-up » spelen blijkbaar een belangrijke rol

SD Worx 2

47

• Project « open data » : juridische informatiebronnen

• Algoritmes van « text mining »

• Opzoeking en opvolging van informatie over maatschappijen, personen

Lex.be

48

• Verzamelen van publieke data (Twitter + publieke posts op facebook) en algoritmische analyse van het type NLP (Natural Langage Processing)

• Toegepast bij The Voice Belgique in 2015: maakt het mogelijk tendenzen, tevredenheid/ontevredenheid, … op te sporen

Ontdekken van trends dankzij Twitter / Facebook

49

• Eerder (kleine) data: voorbeeld van verzamelen eigen gegevens

• Verzamelen van gegevens over verwachtingen van kandidaten, hun perceptie van bedrijven die aanwerven

• Opstellen van barometers voor klantbedrijven differentiatiecriteria

IT-aanwervingsbureau Brussel

50

• Innovatie in de gebruikte gegevens levert nieuwe inkomstenbronnen op

• De gegevens worden bijna altijd gebruikt om een gedrag, een toekomstige gebeurtenis, een prijs te voorspellen

Eerste lessen 2

51

• Realo: gebruik van openbare gegevens (publieke data)

• SD Worx: gebruik van klantgegevens om B2B-problemen op te lossen

• Proximus:

– Valorisatie van bestaande geanonimiseerde gegevens

– Verrijking met externe gegevens

Eerste lessen 2

52

• Delhaize, Colruyt: gebruik van bestaande nominatieve gegevens (getrouwheidskaart) om de consumptie in kaart te brengen en te anticiperen op behoeften

– Kortingsbonnen

– Adaptieve prijszetting

– Voorspelling supply-chain

Eerste lessen 2

53

• Mag u persoonsgegevens verzamelen?

• Welke regelingen gelden?

– Wet van 8 december 1992 (bescherming van de privacy)

– GDPR (26 mei 2018)

– E-privacy (2018)

Juridische aspecten

54

3

55

CONCLUSIES

• Alle bedrijven beschikken over gegevens die ze kunnen benutten. Begin met het inventariseren ervan

• Reflectie/brainstormen over mogelijk gebruik ervan

• Opgelet met juridische beperkingen

Enkele conclusies

56

• Geen behoefte aan grote investeringen test uw ideeën van valorisatie van « data » uit op uw klanten

• Start klein (een eenvoudige statistiek volstaat) en ga eventueel sneller te werk met een gespecialiseerde partner

Enkele conclusies

57

Plan van aanpak

58

Plan van aanpak voor het gebruik van Big Data in uw onderneming

59

1. Waar zijn mijn databases? (kadaster)

2. Werden mijn gegevens rechtmatig verkregen?

3. Werden de gegevens« ontdubbeld» en gecentraliseerd

4. Wat weet ik over mijn klanten? Wat wil ik weten?

1. Wat zijn de grootste problemen inzake business en handel? (anticiperen)

2. Wat zijn de grootste problemen voor de klant? (beter financieel beheer, inzicht in hun klanten, markttrends, …)

1. Hoe kunnen gegevens me helpen te beantwoorden aan de businessvragen?

2. Welke gegevens ontbreken? Kunt u ze zelf vinden? Zoniet, waar dan wel?

3. Welke competenties zijn intern beschikbaar om de gegevens te « verfijnen »?

Data track business track

Data science track

Deel 3

3

60

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 1 De zakelijke behoefte (15')

61

• 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 2 De gegevens (15')

62

• Wat moet u doen om deze mogelijkheden te kunnen benutten?

Vraag 3 De zakelijke behoefte

63

3

64

BEDANKT VOOR UW AANDACHT