Voordeel uit data

1. Voordeel uit data
Aan de hand van voorbeelden
Jelte Hoekstra
GoDataDriven

2. Een supermarkt

3. Data: opschrijven wat er
gebeurt

4. Uur van de dag
Aantal klanten
Bezoekersaantallen bij supermarkt
Onze eerste business case: personeelsbezetting

5. Waarde uit data: wat hebben we net gedaan?
Data Inzicht
analyse Business waardeBeslissing/actie

6. Maturity: steeds meer automatisering

7. Hoe ziet een geavanceerdere oplossing eruit?

8. Bezoekersaantallen voorspellen
?
deze week
vorige week

9. Algoritme: stappenplan om uit de data te leren
data: bezoekersaantallen vorige week
model
Algoritme:
1. Voorspel hetzelfde als vorige week

10. Model: wat we geleerd hebben uit de data
Uur Aantal klanten
8 26
9 72
10 112
11 124
… …

11. Model: wat kunnen we ermee?
Hoeveel mensen om
16 uur?
vraag
voorspelling 145 klanten
model: zoek klantaantal vorige week op

12. Een ander model: ook nog te volgen

13. Steeds complexere modellen mogelijk

14. Waarom nu?

15. Producten aanbevelen: de klassieke aanpak

16. Producten aanbevelen: op basis van data

17. Kaas Boter Eieren Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

18. Kaas Boter Eieren Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

19. Kaas Boter Eieren Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

20. Kaas Boter Eieren Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

21. Real-time aanbevelingen
Kaas Spek Bier Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

23. Kaas Spek Bier Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

24. Kaas Spek Bier Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5

25. Ook mogelijk: klantprofielen
Klant 1 Klant 2 Klant 3 Klant 4
Klant 1
x
x
Klant 2 x x
Klant 3 x x
Klant 4 x x
Klant 5

26. Klant 1 Klant 2 Klant 3 Klant 4
Klant 1
x
x
Klant 2 x x
Klant 3 x x
Klant 4 x x
Klant 5
Clusters zoeken

27. Kaas Boter Eieren Pannenkoeken
Klant 1 x x
Klant 2 x x
Klant 3 x x x
Klant 4 x x
Klant 5
Interpretatie mogelijk?

28. Klant 1 Klant 2 Klant 3 Klant 4
Klant 1
x
x
Klant 2 x x
Klant 3 x x
Klant 4 x x
Klant 5
Borrelaars
Huismoeders
Klantprofielen

29. Prijs bepalen

30. A/B test

31. Uitkomsten A/B
Prijspunt (euro) Conversie (%)
3 40
3.5 26
4 12
… …

32. Prijsmodel
Interpolatie tussen A/B toets uitkomsten

33. Klant 1 Klant 2 Klant 3 Klant 4
Klant 1
x
x
Klant 2 x x
Klant 3 x x
Klant 4 x x
Klant 5
Borrelaars
Huismoeders
Modellen combineren: de klantprofielen

34. Prijsdifferentiatie
Borrelaars