Toekomst voorspellen met predictive modelling.

Vooral bij bedrijven komen dit soort ‘biases’ nog wel eens voor. Voorbeeld: een bedrijf besluit om dit jaar geen grote mediacampagne in te zetten om zo zijn kostendoelstelling te behalen. Aandeelhouders blij en weer ‘on track’ met de jaardoelstelling. Echter, dit heeft een negatief effect op de naamsbekendheid en voorkeur bij consumenten: het merk is minder top of mind. De afzet neemt significant af met een daling in de omzet als gevolg. De kostenbesparing door dit jaar geen mediacampagne in te zetten, is niets vergeleken met de negatieve impact die de omzetdaling heeft.

In zes stappen gaan we kijken naar de juiste afweging tussen korte en lange termijn: hoe weet je of je present bias je verhindert van investeringen op de lange(re) termijn?

De vraag is dus hoe we betere beslissingen kunnen nemen die ook slim zijn voor de langere termijn. Hoe kunnen we ‘present biases’, de reflex om voor voordeel op korte termijn te gaan, uitschakelen en meer focus krijgen op langere termijn kansen? Ook in jouw bedrijf worden misschien wel verkeerde keuzes gemaakt door present biases.

Het antwoord is data en voorspelmodellen. Deze kunnen ons helpen om objectief onder bepaalde aannames in de toekomst te kijken en dat is een sterk middel om keuzes te maken voor op de langere termijn. En om biases in ons gedrag uit te schakelen. Maar hoe kijk je met data in de toekomst? Het klinkt als een utopisch idee, maar veel is er echt mogelijk door een slimme toepassing. Lees onderstaand stappenplan dat jou hierbij kan helpen. Bij een succesvolle toepassing kun je de concurrent misschien wel te slim af zijn…. Want de meerderheid van de bedrijven kan anno 2022 nog onvoldoende met data in de toekomst kijken.

Als het goed is, weet je door onderzoek en jarenlange ervaringen reeds hoe consumenten reageren op jouw product. Stap 1 is om in de data en onderzoeken te duiken die je reeds beschikbaar hebt. Dat klinkt als een ‘open deur’ maar veel bedrijven vergeten soms dat ze al op een berg informatie en ervaringen zitten. Wellicht heb je in het verleden een product gelanceerd; wat er gebeurde er toen met de klantendatabase, nam deze in aantal toe? Kijk naar de data en informatie die je hebt en probeer de vraag te beantwoorden: leiden productintroducties die in het verleden zijn gedaan tot meer klanten? En wat deed het met de kosten?

Op basis van de inzichten uit stap 1 stel je een concrete lijst op van bevindingen. Vervolgens ga je proberen vooruit te kijken en aannames doen wat je verwacht te observeren als je het product nu zou introduceren, in de huidige omstandigheden. Stel hypothesen op: verwachtingen die je hebt die je wil toetsen. Neem daarbij, naast je interne data en onderzoeken, in ieder geval het volgende mee:

Vervolgens ga je kijken of je de hypothesen daadwerkelijk kunt beantwoorden. Heb je alle data beschikbaar? Als je de data niet hebt, kun je deze niet in een model meenemen om te toetsen. Bekijk of je alsnog de data kunt verkrijgen of wellicht moet verzamelen. Schrap de hypothesen die je niet kunt toetsen met data. Belangrijk is dat je alle data meeneemt die mogelijk van invloed kunnen zijn. Je wil namelijk met alle factoren rekening houden.

Stop de data die je hebt verzameld in een voorspellend model waarbij je op basis van data wil voorspellen wat het effect van een nieuw product op de klantenbase is. Kijk goed wat de verklarende waarde van het model vanuit statistisch oogpunt is zodat je weet of het model en jouw aannames ook daadwerkelijk houtsnijden. Met andere woorden, kan het model goede voorspellingen maken of zijn de kwaliteit en de hypothesen niet goed? Zo ja, ga terug naar de vorige stappen.

Je gaat nu echt in de glazen bol kijken door zogenaamde ‘what if-scenario’s op te stellen. 'What if' de huidige klantenbase krimpt, kan dit nieuwe product nieuwe groepen aantrekken of juist weggelopen consumenten terug halen? Of: ‘what if’ concurrent A stopt met zijn product heeft mijn nieuwe product dan een grotere impact? In dit soort ‘what if’s’ geldt altijd ceteris paribus (het overige gelijk blijvend), je gaat er vanuit dat de overige factoren constant zijn en, in tegenstelling tot inflatie in dit geval, gelijk blijven. Je kunt immers niet alle scenario’s tot in detail het model voor laten kauwen.

Stel zoveel mogelijk ‘what if-scenario’s’ op die realistisch kunnen zijn. Ga net zo lang door tot je gevoel krijgt bij de mechanismen: dat je begrijpt wat er gebeurt als je aan verschillende knoppen draait: economische omstandigheden, gedrag van de concurrent of pricing etc Op een gegeven zul je zien welke situatie het meest aannemelijk zal zijn over 5 jaar. Dit is een iteratief proces; het gaat er om dat je door ‘what if-scenario’s’ eigenlijk de mogelijke toekomst probeert te begrijpen met daarin de marketingmix in het achterhoofd.

Vertaal de uitkomsten uit bovenstaande exercitie naar de dagelijkse praktijk en vertaal het naar beleid. Wat moeten we morgen doen, welke strategische keuzes moeten we maken met de effecten op de langere termijn daarin meegenomen?