Behavioral Forecasting

Behavioral Forecasting: Betere
Voorspellingen van bedrijfsresultaten met klantgedrag
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 vijftien 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% van €31,21 tot €27,54 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
abstractie niveau gewerkt 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, te weten: “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 gestart “Behavioral Forecasting” voor
schadeverzekeringen te implementeren.
De doelstelling was om 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 “Behavioral 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.
39
Recommended for readers of XXx-level
Inleiding
MSC-LEVEL | econometrics
| specialty | NL
Door :
Wynfrith Meijwes
&
Marnix Bügel
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.
Figuur 2. Verbeteringen op vier onderdelen van “Behavioral forecasting” versus traditionele “financial forecasts”
Recommended for readers of XXx-level
MSC-LEVEL | econometrics
| specialty | NL
Vier verschillen
“Behavioral Forecasting” is een methodiek om
voorspellingen te maken die op een viertal punten
afwijkt van traditionele methodes (Zie figuur 1). Ten
eerste is het startpunt van “Behavioral Forecasting”
het klantgedrag. Vanuit daar maakt het de vertaling
naar de financiële componenten. Ten tweede maakt
“Behavioral Forecasting” gebruik van de mogelijkheden
van Big Data om de forecast granulair op te bouwen.
Ten derde maakt “Behavioral Forecasting” gebruik van
tijdreeksanalyse om seizoenseffecten te modelleren.Ten
vierde is “Behavioral Forecasting” zelflerend, doordat
het zich continu verbetert op basis van de meest
recente cijfers. Hieronder wordt elk verbeterpunt met
behulp van enkele voorbeelden toegelicht.
1. Behavioral Forecasting voorspelt klantgedrag en
vertaalt het naar financials
Bij “Behavioral Forecasting” staat in tegenstelling 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 zal
bijvoorbeeld 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 is data over
klantgedrag nodig. Bij “Behavioral Forecasting” wordt
hiervoor geaggregeerde brondata met factuurgegevens
gebruikt.Analyses op deze data geven niet alleen inzicht
in de drivers van klantgedrag maar geven bovendien
inzicht in de impact van klantgedrag op omzet en
winst. De facturen kunnen worden “gematcht” met de
winst- en verliesrekening. Niet alle veranderingen in
klantgedrag hebben namelijk financiële impact. Iemand
die bijvoorbeeld slechts 50 minuten belt van zijn 100
minuten belbundel, gaat niet meer betalen als hij een
aantal maanden 90 minuten gaat bellen. Als dezelfde
klant echter 120 minuten gaat bellen, moet hij voor de
20 minuten buiten bundel wel meer gaan betalen. Dan
heeft deze verandering in klantgedrag wel voor hem
financiële impact en dus ook voor de telecomprovider.
Bijkomend voordeel van de forecast op factuurgegevens
is dat de forecast zowel interessant is voor het
management, de financial controllers als de marketeers.
Het management ziet op totaalniveau in welke richting
de omzet gaat, de controllers kunnen dit onderbouwen
vanuit omzetstromen 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 vaak in een aantal kleine klantgroepen (de
“early adapters” die zich anders gedragen dan de andere
klanten) al veel langer zichtbaar. Dit leidt uiteindelijk tot
een sneeuwbaleffect dat de totale omzetontwikkeling
ombuigt (zie in het kader op pagina 1 een voorbeeld uit
de telecom). 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 kunnen toegepast
worden in de forecast. Een maand met een hoge
uitstroom kan goed het gevolg zijn van een cohort
40
Een veel gebruikte voorspelmethodiek door
beleidsmakers is het “doortrekken” van jaar-op-jaar
ontwikkelingen. 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 seizoenpatronen 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 zogenaamde 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 worden
bijvoorbeeld 90% minder verzekeringen telefonisch
afgesloten in vergelijking tot een “normale” werkdag,
omdat callcenters vaak dicht zijn.
Ook tijdens vakantieperiodes zien we afwijkend
klantgedrag. In onderstaande grafiek zien we het effect
van deze type dagen op maandniveau voor 2012 en
2013 voor de instroom van een verzekeringsproduct.
Hierin zijn de effecten van de type 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 is 19% 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 met MIcompany
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
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 Forecasting” en zorgt er voor dat de
voorspelling zich snel aanpast op de meest recente
cijfers. Figuur 3 (volgende pagina) geeft een versimpeld
voorbeeld van “deviation management”: de voorspelling
is afgezet tegen de realisatie van een 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
Figuur 3. Impact van dagtype en vakanties per maand in 2012 versus 2013.
41
MSC-LEVEL | econometrics
| specialty | NL
3.
Behavioral Forecasting maakt gebruik van
tijdreeksanalyse
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.”
Het modelleren van seizoenseffecten 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.
Recommended for readers of XXx-level
klanten dat buiten contract komt als gevolg van een
campagne precies een jaar eerder, en hoeft niet een
slechte maand te betekenen.
About
the authors
Wynfrith Meijwes
Wynfrith Meijwes (1982) is
forecasting expert bij adviesbureau
MIcompany. Wynfrith studeerde
Econometrics, Operations Research
and Actuarial Studies aan de
Rijksuniversiteit Groningen(2006).
Hij heeft ruime ervaringen met
de implementatie van Behavioral
Forecasting bij bedrijven in de top van
het Nederlandse bedrijfsleven (zoals
Achmea en NS).
in “Behavioral Forecast”-modellen voor alle combinatie
van drivers de voorspelling worden vergeleken met de
realisatie en worden verbeterd. Het aantal combinaties
loopt vaak op tot boven de 5.000. Mieke Van Os: “Forse
afwijkingen van realisaties 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.”
Figuur 3.Voorbeeld van “deviation management”
MSC-LEVEL | econometrics
Toepassing en resultaten Behavioral Forecasting
Marnix Bügel
Marnix Bügel (1966) is managing
director en founding partner van
dem Marketing Intelligence Company
(MIcompany). Bügel studeerde
Wiskunde & Informatica aan de
Rijksuniversiteit Groningen. In 2010
promoveerde hij aan de economische
faculteit van deze universiteit op
de toepassingsmogelijkheden van
psychologische theorieën binnen
relatiemarketing. Na zijn studie
vervulde hij onder meer de functie
van (eerste) database marketing
analist bij ABN AMRO en was hij
ruim tien jaar werkzaam voor het
marketing-adviesbureau VODW
waarvan zes jaar als partner.
“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 ziet 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.”
42