Behavioral forecasting

40
Strategie
Klantgedrag beter ingezet
Betere voorspellingen van bedrijfsresultaten met klantgedrag
Behavioral
forecasting
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.
Tekst Wynfrith Meijwes & Marnix Bügel
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 15
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 procent van
31,21 tot 27,54 euro 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 abstractieniveau gewerkt (‘The
average human has one breast and one
testicle’ - Des McHale) 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: ‘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 begonnen met het implementeren van behavioral forecasting voor
schadeverzekeringen.
De doelstelling was 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 behavio- >
41
Figuur 1. Verbeteringen op vier onderdelen van ‘behaveriol forecasting’ versus traditionele ‘financial forecasts’
Onderdeel
1
Behavioral Forecasting
Traditional financial forecasting
• Klantgedrag
• Omzet en winst
• Modelleren van onderscheidende klantgroepen
• Totalen
• Geavanceerde autoregressive met
seizoenscomponenten
• Doortrekken van gemiddelden
• Aanpassing op basis van realisaties
• Ad-hoc aanpassingen
Basis
2
Granulariteit
3
Voorspeltechniek
4
Zelflerend
stelling 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 bijvoorbeeld zal 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, zijn data over klantgedrag
Vier verschillen
nodig. Bij behavioral forecastingworden
Behavioral forecasting is een methodiek
hiervoor geaggregeerde brondata met facom voorspellingen te maken die op vier
tuurgegevens gebruikt. Analyses van deze
punten afwijken van traditionele methodata geven niet alleen inzicht in de drivers
den (zie figuur 1). Ten eerste is het startpunt van behavioral forecasting het klant- van klantgedrag, maar bovendien in de
gedrag. Van daaruit maakt het de vertaling impact van klantgedrag op omzet en
winst. De facturen kunnen worden ‘genaar de financiële componenten.
Ten tweede maakt behavioral forecasting matcht’ met de winst- en verliesrekening.
Niet alle veranderingen in klantgedrag
mgebruik van de mogelijkheden van big
hebben namelijk financiële impact. Iedata om de forecast granulair (dit houdt
mand die bijvoorbeeld slechts 50 minuten
in dat vanuit het totaalperspectief kan
worden ingezoomd op alle onderliggende belt van zijn 100 minuten belbundel, gaat
niet meer betalen als hij een aantal maan‘bouwstenen’ en vertakkingen) op te
den 90 minuten gaat bellen. Als dezelfde
bouwen.
klant echter 120 minuten gaat bellen, moet
Ten derde maakt behavioral forecasting
hij voor de 20 minuten buiten de bundel
gebruik van tijdreeksanalyse om
wel meer gaan betalen. Dan heeft deze
seizoenseffecten te modelleren.
verandering in klantgedrag voor hem wel
Ten vierde is behavioral forecasting zelflerend, doordat het zich continu verbetert financiële impact en dus ook voor de telecomprovider.
op basis van de meest recente cijfers.
Hieronder wordt elk verbeterpunt met be- Bijkomend voordeel van de forecast op
factuurgegevens is dat de forecast zowel
hulp van enkele voorbeelden toegelicht.
interessant is voor het management en de
financial controllers als de marketeers.
1. Behavioral forecasting voorspelt
Het management ziet op totaalniveau in
klantgedrag en vertaalt het naar
welke richting de omzet gaat, de controlfinancials
lers kunnen dit onderbouwen vanuit omBij behavioral forecasting staat, in tegenral 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.
zetstromen 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 in een aantal kleine
klantgroepen (de early adopters, die zich
anders gedragen dan de andere klanten)
al veel langer zichtbaar. Dit leidt uiteindelijk tot een sneeuwbaleffect dat de totale
omzetontwikkeling ombuigt.
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 kan toegepast worden in de
forecast. Een maand met een hoge uitstroom kan evengoed het gevolg zijn van
een cohort (een groep klanten die op hetzelfde moment een contract heeft gesloten of beëindigd) klanten dat buiten contract komt als gevolg van een campagne
precies een jaar eerder, en hoeft niet een
slechte maand te betekenen.
42
Strategie
Klantgedrag beter ingezet
Figuur 2. Impact van dagtype en vakanties per maand in 2012 versus 2013
Maandcoëfficiënten (dit zijn equivalenten van een normale werkdag)
34
33
2012
32
2013
31
-19%
30
29
28
27
0
Jan
Feb
Mar
Apr
3. Behavioral forecasting maakt
gebruik van tijdreeksanalyse.
Een veel gebruikte voorspelmethodiek
door beleidsmakers is het ‘doortrekken’
van jaar-op-jaarontwikkelingen. 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 seizoenspatronen 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 zogenoemde 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 wordt bijvoorbeeld 90 procent minder verzekeringen telefonisch afgesloten
in vergelijking tot een ‘normale’ werkdag,
omdat callcenters vaak dicht zijn.
Ook tijdens vakantieperiodes zien we afwijkend klantgedrag. In figuur 2 zien we
het effect van dit type dagen op maandniveau voor 2012 en 2013 voor de instroom
van een verzekeringsproduct. Hierin zijn
de effecten van de typen 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
May
Jun
Jul
Aug
Sep
is 19 procent 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 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.’
Op een zondag
wordt 90 procent
minder
verzekeringen
telefonisch
afgesloten dan
op een werkdag
Oct
Now
Dec
Het modelleren van seizoenseffecten is
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.
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/zijn 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 forecastingen zorgt ervoor dat de voorspelling zich
snel aanpast aan de meest recente cijfers.
Figuur 3 geeft een versimpeld voorbeeld
van ‘deviation management’: de voorspelling is afgezet tegen de realisatie van een
43
Figuur 3. Voorbeeld van ‘deviation management’
2,0
0.5
1,0
40,0
1,0
0,6
0,2
39,4
Overig
Realisatie
jan, 14
0,3
Forecast
jan, 14
#
klanten
klantgedrag
prijs
#
klanten
Productcategorie 1
klantgedrag
Productcategorie 2
Behavioral forecasting
bestaat uit 3 bouwblokken
De combinatie van drie
bouwblokken maakt behavioral
forecasting uniek.
1. In de eerste plaats willen we
–kijkend naar het verleden – weten wat de best guess is voor bedrijfsresultaten in de toekomst.
Daarom modelleren we klantgedrag vanuit de drivers en vertalen
dit naar de winst- en verliesrekening. Hiervoor bouwen we een
granulair forecastmodel gebruikmakend van geavanceerde tijdreeksanalyse (evidence forecasting klantgedrag)
prijs
2. In de tweede plaats willen we
grip krijgen op de verschillen tussen realisatie en de voorspelling
en het model zo maken dat het
leert van zijn voorspelfouten. Dit is
‘deviation management’.
3. In de derde plaats willen we
simuleren wat de impact is op de
voorspelling van bijzondere business events, zoals het toetreden
van een extra concurrent op de
markt, een productintroductie of
het lanceren van een campagne.
Deze simulatiemodellering is belangrijk in het onder andere onderbouwen van targets.
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 in behavioral forecast-modellen voor alle combinaties van
drivers de voorspelling worden vergeleken met de realisatie en worden verbeterd. Het aantal combinaties loopt vaak
op tot boven de 5000.
Mieke Van Os: ‘Forse afwijkingen van re-
alisaties 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.’
Toepassing en resultaten
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 zag 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.’ •
Wynfrith Meijwes is forecasting expert
bij MIcompany, Marnix Bügel is managing director en founding partner van het
adviesbureau.