Commerciële kansen signaleren met data science

Voor data scientists waarschijnlijk gesneden koek. Maar voor ondernemers en commerciële teams is Market Basket Analysis misschien minder bekend, terwijl de techniek commercieel behoorlijk interessant kan zijn.

Stel: je verkoopt duizenden producten aan duizenden klanten. Met deze techniek kun je historische verkoopdata gebruiken om productverbanden te ontdekken.

Het idee is simpel: welke producten worden opvallend vaak in samenhang gekocht?

Daarbij bepaal je eerst wat ‘samen’ betekent. In een webshop kan dat één bestelling zijn. In B2B kan het logischer zijn om te kijken naar alles wat een klant binnen bijvoorbeeld een maand of kwartaal koopt.

Maar alleen kijken naar welke producten het vaakst samen worden gekocht, kan misleidend zijn.

Een technische groothandel verkoopt bijvoorbeeld enorm veel kabelgoten en schroeven. Die producten komen misschien duizenden keren samen voor. Maar als ze afzonderlijk óók enorm populair zijn, is dat niet zo verrassend.

Een specifieke pomp en een bijpassende afdichtingsset worden misschien veel minder vaak verkocht. Maar wat als blijkt dat die twee 10 keer vaker samen voorkomen dan je op basis van hun individuele populariteit zou verwachten?

Dát is een heel ander signaal.

Daar komt het begrip lift om de hoek kijken. Lift kijkt niet alleen hoe vaak producten samen voorkomen, maar vooral hoeveel vaker ze samen voorkomen dan je op basis van hun individuele populariteit zou verwachten.

Daarnaast kijk je bijvoorbeeld naar support: zien we het verband vaak genoeg om het serieus te nemen? En naar confidence: als product A wordt gekocht, hoe vaak zien we product B dan ook?

Zo voorkom je dat je alleen populaire producten terugvindt óf enthousiast wordt van een spectaculair verband dat toevallig maar een paar keer voorkomt.

Van productverband naar commerciële kans

Dan wordt het commercieel toepasbaar.

Je vindt een betrouwbaar patroon tussen product A en product B. Vervolgens kun je zoeken naar klanten die A wél kopen, maar B niet.

Daar kan een verkoopkans zitten.

Niet automatisch natuurlijk. Misschien koopt de klant product B bij een concurrent of heeft hij het simpelweg niet nodig. Domeinkennis en commercieel inzicht blijven daarom belangrijk.

Maar in plaats van duizenden klanten en producten handmatig door te spitten, kan data gericht aanwijzen:

“Hier ontbreekt iets in een aankooppatroon dat we bij andere klanten vaak wél zien.”

Die signalen kun je vervolgens gebruiken voor salescollega’s, aanbevelingen in een webshop, offertes of gerichte campagnes.

Data, commercie en branchekennis combineren

Achter zo’n analyse zitten allerlei keuzes. Wat noemen we ‘samen gekocht’? Hoeveel support is voldoende? Hoe voorkom je dat een paar grote klanten het beeld bepalen? En wanneer is een sterk productverband ook daadwerkelijk commercieel relevant?

Daar komen data, commercie en branchekennis samen.

Bij BI-Xperts helpen we organisaties om dit soort patronen in hun data te ontdekken en te vertalen naar concrete toepassingen.