40 Strategie Klantgedrag beter ingezet Betere voorspellingen van bedrijfsresultaten met klantgedrag Behavioral forecasting Met big data heeft MIcompany een precieze methode ontwikkeld om bedrijfsresultaten te voorspellen: ‘behavioral forecasting’. Deze methode werkt beter dan de traditionele ‘financial forecasts’, menen Wynfrith Meijwes en Marnix Bügel. Tekst Wynfrith Meijwes & Marnix Bügel Veel ‘corporates’ en beursgenoteerde bedrijven worden geregeerd door verwachtingen over de omzet en winst. Deze verwachtingen – ook wel forecasts genoemd – worden maandelijks dan wel op kwartaalbasis gemaakt en kunnen bij publicatie tot hevige beursbewegingen leiden. Zeker wanneer de communicatie afwijkt van eerdere verwachtingen of uitspraken. Zo werden de aandelen van Ryanair in september van vorig jaar bijna 15 procent minder waard na een winstwaarschuwing van de luchtvaartmaatschappij. De koers van de prijsvechter bevindt zich nu op het laagste punt in vijf maanden. Een ander voorbeeld is de koers van Ziggo. Het bedrijf liet op 15 juli weten dat de winst in 2013 lager zal uitkomen dan eerder werd gedacht. Als gevolg daalde de koers in één week met 12 procent van 31,21 tot 27,54 euro per aandeel. Te hoog abstractieniveau Niet alleen zijn forecasts van belang voor aandeelhouders, ze kunnen ook grote impact hebben op medewerkers. Zo kondigde het Duitse Siemens na de winstwaarschuwing in juli van dit jaar aan 11.000 arbeidsplaatsen te zullen schrappen. In november 2013 maakte ook energieconcern RWE, het moederbedrijf van Essent, bekend bijna 7000 banen te schrappen als gevolg van een winstwaarschuwing voor 2014. Ondanks het grote belang van voorspellingen van eindejaarsresultaten, schiet de methodiek om tot een goede forecast te komen bij veel bedrijven tekort. Zo wordt vaak met gemiddelden op een veel te hoog abstractieniveau gewerkt (‘The average human has one breast and one testicle’ - Des McHale) en wordt onvoldoende veranderend klantgedrag gemonitord en gemodelleerd. Door het steeds uitgebreider beschikbaar komen van data over klantgedrag (big data) kunnen voorspellingen van resultaten beter en betrouwbaarder worden gemaakt. De mogelijkheden van deze data heeft MIcompany gebruikt om een precieze methode te ontwikkelen om bedrijfsresultaten te voorspellen: ‘behavioral forecasting’. In dit artikel wordt deze methode toegelicht. Deze methode laat op vier onderdelen een belangrijke verbetering zien ten opzichte van de traditionele ‘financial forecasts’. We behandelen deze verbeterpunten en laten aan de hand van verschillende cases de werking in de praktijk zien. Achmea Hiervoor is onder andere Mieke van Os, manager marketing intelligence marktstrategie bij verzekeraar Achmea – geïnterviewd. In 2013 is zij in samenwerking met MIcompany begonnen met het implementeren van behavioral forecasting voor schadeverzekeringen. De doelstelling was te weten of de gestelde targets van het lopende jaar behaald zouden worden. Inzicht in de verwachte omzet was dus noodzakelijk om helder te krijgen bij welke verzekeringen en klantgroepen bijgestuurd moest worden. Bij een telecomprovider is ook behavio- > 41 Figuur 1. Verbeteringen op vier onderdelen van ‘behaveriol forecasting’ versus traditionele ‘financial forecasts’ Onderdeel 1 Behavioral Forecasting Traditional financial forecasting • Klantgedrag • Omzet en winst • Modelleren van onderscheidende klantgroepen • Totalen • Geavanceerde autoregressive met seizoenscomponenten • Doortrekken van gemiddelden • Aanpassing op basis van realisaties • Ad-hoc aanpassingen Basis 2 Granulariteit 3 Voorspeltechniek 4 Zelflerend stelling tot de financial forecast, klantgedrag centraal. Om gedrag centraal te kunnen stellen, worden allereerst de ‘drivers’ van klantgedrag vastgesteld. Drivers zijn de belangrijkste beïnvloeders van klantgedrag. Voor een mobiele telecomprovider is dit bijvoorbeeld het type telefoon van een klant (een klant met een iPhone5 bijvoorbeeld zal meer data verbruiken dan een klant met een Nokia 6300), voor een schadeverzekeraar het type auto en voor een reismaatschappij een vakantieperiode. Om deze drivers te identificeren, zijn data over klantgedrag Vier verschillen nodig. Bij behavioral forecastingworden Behavioral forecasting is een methodiek hiervoor geaggregeerde brondata met facom voorspellingen te maken die op vier tuurgegevens gebruikt. Analyses van deze punten afwijken van traditionele methodata geven niet alleen inzicht in de drivers den (zie figuur 1). Ten eerste is het startpunt van behavioral forecasting het klant- van klantgedrag, maar bovendien in de gedrag. Van daaruit maakt het de vertaling impact van klantgedrag op omzet en winst. De facturen kunnen worden ‘genaar de financiële componenten. Ten tweede maakt behavioral forecasting matcht’ met de winst- en verliesrekening. Niet alle veranderingen in klantgedrag mgebruik van de mogelijkheden van big hebben namelijk financiële impact. Iedata om de forecast granulair (dit houdt mand die bijvoorbeeld slechts 50 minuten in dat vanuit het totaalperspectief kan worden ingezoomd op alle onderliggende belt van zijn 100 minuten belbundel, gaat niet meer betalen als hij een aantal maan‘bouwstenen’ en vertakkingen) op te den 90 minuten gaat bellen. Als dezelfde bouwen. klant echter 120 minuten gaat bellen, moet Ten derde maakt behavioral forecasting hij voor de 20 minuten buiten de bundel gebruik van tijdreeksanalyse om wel meer gaan betalen. Dan heeft deze seizoenseffecten te modelleren. verandering in klantgedrag voor hem wel Ten vierde is behavioral forecasting zelflerend, doordat het zich continu verbetert financiële impact en dus ook voor de telecomprovider. op basis van de meest recente cijfers. Hieronder wordt elk verbeterpunt met be- Bijkomend voordeel van de forecast op factuurgegevens is dat de forecast zowel hulp van enkele voorbeelden toegelicht. interessant is voor het management en de financial controllers als de marketeers. 1. Behavioral forecasting voorspelt Het management ziet op totaalniveau in klantgedrag en vertaalt het naar welke richting de omzet gaat, de controlfinancials lers kunnen dit onderbouwen vanuit omBij behavioral forecasting staat, in tegenral forecasting geïmplementeerd in 2012. Het kostte de telecomprovider veel tijd en moeite om verschillen op een gedetailleerd niveau tussen forecast en realisatie van de omzet in de mobiele markt te verklaren. Het was met de bestaande financial forecast-modellen niet mogelijk de impact van het snel veranderende klantgedrag op de omzet te voorspellen. Dit is een cruciaal punt dat als verbetering is aangebracht met de introductie van behavioral forecasting bij de drie mobiele labels van de telecomprovider. zetstromen en de marketeers kunnen vanuit het klantgedrag zien waar en hoe ze hun proposities op de klant kunnen aanpassen. 2. Behavioral forecasting is granulair Een tweede pijler van behavioral forecasting is de granulariteit. Vaak ontbreekt het bij de traditionele financial forecasts aan een granulair perspectief op het klantgedrag. Bij behavioral forecasting ontleden we klantgedrag naar het diepste relevante niveau. Hierdoor krijg je beter grip op veranderingen in dit gedrag. Vaak lijkt een trendbreuk op een hoog abstractieniveau plotseling op te treden, maar is deze ontwikkeling in een aantal kleine klantgroepen (de early adopters, die zich anders gedragen dan de andere klanten) al veel langer zichtbaar. Dit leidt uiteindelijk tot een sneeuwbaleffect dat de totale omzetontwikkeling ombuigt. Cruciaal hierbij is het perspectief vanuit verschillende klantstromen, zoals instroom, uitstroom en de stabiele klanten. Klantgedrag is tussen deze groepen vaak erg verschillend. Bij voorspellingen van het aantal klanten dat uitstroomt of een nieuw contract neemt, is het aantal klanten dat buiten contract raakt bij een telecomprovider een belangrijke voorspeller. De analyse van het gedrag van de klanten die verlengen, uitstromen of helemaal niets doen kan toegepast worden in de forecast. Een maand met een hoge uitstroom kan evengoed het gevolg zijn van een cohort (een groep klanten die op hetzelfde moment een contract heeft gesloten of beëindigd) klanten dat buiten contract komt als gevolg van een campagne precies een jaar eerder, en hoeft niet een slechte maand te betekenen. 42 Strategie Klantgedrag beter ingezet Figuur 2. Impact van dagtype en vakanties per maand in 2012 versus 2013 Maandcoëfficiënten (dit zijn equivalenten van een normale werkdag) 34 33 2012 32 2013 31 -19% 30 29 28 27 0 Jan Feb Mar Apr 3. Behavioral forecasting maakt gebruik van tijdreeksanalyse. Een veel gebruikte voorspelmethodiek door beleidsmakers is het ‘doortrekken’ van jaar-op-jaarontwikkelingen. Analyse op basis van daggegevens, ook wel tijdreeksanalyse genoemd, laat zien dat er echter vaak grote verschillen tussen de jaren zijn. Een derde bouwsteen van behavioral forecasting is daarom de techniek die wordt gebruikt om een trendontwikkeling en seizoenspatronen te identificeren. Bij veel bedrijven worden namelijk de effecten van weekenden en vakanties op de omzet niet goed voorspeld. Dit is belangrijk omdat hiermee het seizoensafhankelijke gedrag kan worden gescheiden van het seizoensonafhankelijke gedrag. Behavioral forecasting gebruikt zogenoemde werkdagequivalenten om nauwkeurig de seizoenseffecten per klantgroep in te schatten. Voorbeelden hiervan zijn de effecten van vakantiedagen op klantgedrag en de impact van een weekenddag ten opzichte van een werkdag op klantgedrag. Op een zondag of een feestdag wordt bijvoorbeeld 90 procent minder verzekeringen telefonisch afgesloten in vergelijking tot een ‘normale’ werkdag, omdat callcenters vaak dicht zijn. Ook tijdens vakantieperiodes zien we afwijkend klantgedrag. In figuur 2 zien we het effect van dit type dagen op maandniveau voor 2012 en 2013 voor de instroom van een verzekeringsproduct. Hierin zijn de effecten van de typen dagen geïndexeerd op een normale werkdag. De grafiek maakt duidelijk dat de seizoensimpact van een maand in 2012 niet gelijk is aan dezelfde maand in 2013. Sterker nog, het seizoenseffect van april 2013 May Jun Jul Aug Sep is 19 procent groter dan in april 2012. Het verschil wordt veroorzaakt doordat er in april 2012 een zondag meer was dan in 2013, Goede Vrijdag en Pasen vielen, in tegenstelling tot 2013 in 2012 geheel in april, en ook de meivakantie viel in 2012 anders dan in 2013. Een voorspelling die rekening houdt met de seizoenscomponenten is substantieel nauwkeuriger dan een voorspelling die jaar-op-jaarontwikkelingen doortrekt. Mieke van Os (Achmea): ‘Afgelopen jaar zijn we begonnen om een behavioral forecasting voor onze schadeverzekeringen te implementeren. Er werd tot dat moment geen rekening gehouden met hoeveel werkdagen en feestdagen er in een maand zitten. Dat is natuurlijk een basiselement en wordt nu wél goed meegenomen in de forecast. Door te corrigeren voor deze seizoenseffecten kan de voorspelling al gauw met tien procent worden verbeterd.’ Op een zondag wordt 90 procent minder verzekeringen telefonisch afgesloten dan op een werkdag Oct Now Dec Het modelleren van seizoenseffecten is een belangrijk winstpunt: als een bedrijf elk kwartaal aan de markt en zijn aandeelhouders aangeeft wat de verwachtingen zijn, is een goede inschatting van seizoenseffecten essentieel. Een goed voorbeeld hiervan is de omzet bij een telecomprovider voor bellen in het buitenland. Deze omzet is erg afhankelijk van vakantieperiodes. Dit is van belang als een vakantieperiode in het ene jaar net buiten een kwartaal valt en in het andere jaar niet. De nieuwe methodiek van forecasten helpt om kwartaalomzetten goed in te kunnen schatten. 4. Behavioral forecasting leert van voorspelfouten Een vierde bouwsteen van behavioral forecasting is het zelflerende vermogen van voorspelfouten. Gelet op steeds sneller veranderend klantgedrag is het voor een goede forecast cruciaal om te leren van afwijkingen ten opzichte van de realisatie. Belangrijk onderdeel van behavioral forecasting is daarom het monitoren van deze afwijking op een fijnmazig niveau. Door de afwijking op totaalniveau af te pellen naar de onderliggende klantgroepen en omzetcomponenten, wordt duidelijk welke groep(en) verantwoordelijk is/zijn voor een afwijking. Hierdoor kunnen ook in een vroeg stadium kansen en risico’s worden geïdentificeerd. Dit ‘deviation management’ is een belangrijk onderdeel van behavioral forecastingen zorgt ervoor dat de voorspelling zich snel aanpast aan de meest recente cijfers. Figuur 3 geeft een versimpeld voorbeeld van ‘deviation management’: de voorspelling is afgezet tegen de realisatie van een 43 Figuur 3. Voorbeeld van ‘deviation management’ 2,0 0.5 1,0 40,0 1,0 0,6 0,2 39,4 Overig Realisatie jan, 14 0,3 Forecast jan, 14 # klanten klantgedrag prijs # klanten Productcategorie 1 klantgedrag Productcategorie 2 Behavioral forecasting bestaat uit 3 bouwblokken De combinatie van drie bouwblokken maakt behavioral forecasting uniek. 1. In de eerste plaats willen we –kijkend naar het verleden – weten wat de best guess is voor bedrijfsresultaten in de toekomst. Daarom modelleren we klantgedrag vanuit de drivers en vertalen dit naar de winst- en verliesrekening. Hiervoor bouwen we een granulair forecastmodel gebruikmakend van geavanceerde tijdreeksanalyse (evidence forecasting klantgedrag) prijs 2. In de tweede plaats willen we grip krijgen op de verschillen tussen realisatie en de voorspelling en het model zo maken dat het leert van zijn voorspelfouten. Dit is ‘deviation management’. 3. In de derde plaats willen we simuleren wat de impact is op de voorspelling van bijzondere business events, zoals het toetreden van een extra concurrent op de markt, een productintroductie of het lanceren van een campagne. Deze simulatiemodellering is belangrijk in het onder andere onderbouwen van targets. bepaalde maand en de tussenliggende blokjes geven een verklaring van het verschil. Het totale verschil is slechts 0,1, maar als we naar de opbouw van dit verschil kijken, zien we in de onderliggende drivers twee forse afwijkingen van zowel +1,1 als -1,0. Dit zijn aandachtspunten waarop het forecastmodel moet worden aangescherpt. Zo kan in behavioral forecast-modellen voor alle combinaties van drivers de voorspelling worden vergeleken met de realisatie en worden verbeterd. Het aantal combinaties loopt vaak op tot boven de 5000. Mieke Van Os: ‘Forse afwijkingen van re- alisaties ten opzichte van de forecast van de kleinere producten, zoals een reisverzekering, zie je op het totaalniveau niet terug. Daarom wordt elke maand ingezoomd op de onderliggende producten en de premiedrivers om te zien waar de voorspelfout groot is. Dit gebruiken we vervolgens weer om het forecastmodel beter te maken.’ Toepassing en resultaten Behavioral forecasting is bij Achmea de basis voor de business planning waarin het jaarplan en targets voor het komende jaar worden vastgesteld. Zowel de kwaliteit als nauwkeurigheid is fors toegenomen. Mieke van Os geeft aan dat de nieuwe behavioral forecasting ook voor veel transparantie heeft gezorgd en daarbij een fundamenteel probleem heeft blootgelegd: ‘Bij één label zagen we dat het target voor 2013 zo hoog was gesteld, dat dit alleen bij een verdrievoudiging van het productieaandeel kon worden gehaald. Doordat we de forecast nu hebben opgebouwd vanuit klantstromen, kunnen we exact de haalbaarheid van targets toetsen. Andersom zien we dat een verzekeringslabel dat de afzet enorm zag dalen, momenteel ver boven target scoort. Nu zowel het gerealiseerde als het geplande aantal verzekeringen en de premies transparant voor alle verzekeringslabels zijn, is het moeilijker om dit soort conservatieve targets te camoufleren.’ • Wynfrith Meijwes is forecasting expert bij MIcompany, Marnix Bügel is managing director en founding partner van het adviesbureau.
© Copyright 2024 ExpyDoc