info@IntoTheMinds.comwww.IntoTheMinds.com

©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