B2B-cross-selling met voorspellende scores

Context & doelstellingen

Een B2B-dienstverlener wilde analytisch wendbaarder en efficiënter werken om commerciële resultaten te behalen. 

Het bedrijf wilde klanten contacteren die mogelijk interesse hadden in extra producten en diensten. De uitdaging was om cross-sellingkansen bij bestaande klanten te herkennen en die tijdens campagnes gericht te benutten. Weten waar u tijd en moeite in steekt, is cruciaal voor de winstgevendheid. De data zaten in verschillende bronnen en systemen, waardoor het bedrijf ze niet kon samenbrengen voor waardevolle commerciële inzichten. 

Het marketingteam stelde zelf de contactlijsten voor cross-sellingcampagnes op. Daardoor gingen jaarlijks veel mensdagen naar het analyseren en verzamelen van potentiële klantkansen. 

Onze klant wilde zich daarom richten op cross-selling en aanbevelingen om de efficiëntie, winstgevendheid en klantprestaties te verbeteren. Het bedrijf vroeg Agilytic om snel een oplossing te leveren die gevallen met een hogere kans op cross-selling identificeert en het commerciële team de beste aanpak aanbeveelt.

Aanpak

We werkten met de data-, strategie- en marketingteams om een aanzienlijke impact te waarborgen. Vooraf organiseerden we een workshop met de eigenaars van databronnen om relevante data te bepalen.

Eerst verzamelden we data om klantgedrag te voorspellen en ideale klantprofielen te identificeren. We gebruikten vier databronnen, een CRM, een tool voor backorderverwerking, een ticketsysteem en een tool voor e-mailautomatisering, om klantgedrag en koopgewoonten te beschrijven en klanten eenvoudiger te scoren. 

Na de dataverzameling en de opbouw van de analytische dataset scoorden we de klanten. We haalden data uit verschillende systemen, analyseerden ze op verkoopseizoenen en datakwaliteit, voerden feature engineering uit met aggregaties, samenvoeging, opschoning en de definitie en aanmaak van de doelvariabele, en bouwden vervolgens modellen, voorspellingen en modelverklaringen.

Uiteindelijk maakten we drie modellen. Elk gaf een cross-sellingscore voor een ander product en een andere tijdshorizon, bijvoorbeeld:

1. Zal de klant product 1 in de volgende 12 maanden kopen?

2. Zal de klant product 2 in de volgende drie maanden kopen?

3. Zal de klant product 3 in de volgende 12 maanden kopen?

We werkten nauw met de klant samen om het resultaat te valideren. Samen bekeken we de werkhypothesen om de eindkwaliteit en het gebruik van het model te waarborgen. We testten de betrouwbaarheid door de tijd heen. Naast het volledig implementeerbare algoritme kreeg de klant gedetailleerde uitleg over de beïnvloedende factoren.

We leverden het volgende:

• Cross-sellingscores per klant (.csv)

• Gedocumenteerde code op de VM waarop de modellen werden gemaakt (.py, .ipynb, .md)

• Modelbeschrijvingen en aanbevelingen (.ppt)

Resultaten

In minder dan 30 werkdagen ontwikkelden we een model dat…

• data uit verschillende bronnen ophaalt,

• data analyseert,

• modelleert,

• voorspellingen toont,

• en verklaringen biedt

Met de cross-sellingmodellen zal het marketingteam veel tijd besparen dankzij een meer analytische aanpak. De klant kan nu op de voorspelde scores steunen om klanten tijdens cross-sellingcampagnes gericht te benaderen.