Bedrijven willen inspelen op de individuele (toekomstige) klantbehoeften. Om gedrag te voorspellen is een goed klantbeeld nodig en daarmee dus goede klantdata. Het vervelende van klantdata is dat het dynamisch is: mensen verhuizen, gaan trouwen, krijgen kinderen, gaan scheiden, overlijden, gebruiken meerdere adressen, contactkanalen, etc. Ook is de data vaak versnipperd over verschillende systemen en missen veel matchkeys. Bedrijven hebben wel veel klantdata maar zelden een goed klantbeeld. Dagelijks verwerkt EDM veel ruwe data, worden issues opgelost om tot een optimaal 360 graden klantbeeld te komen en worden gedragsvoorspellingen toegevoegd. Tijdens de presentatie geeft EDM aan hoe ze een en ander aanpakken. Er zijn uitdagingen met betrekking tot het toepassen en onderhouden van de AI-modellen. Een model maken en met de hand runnen is geen probleem, maar hoe ga je het structureel inzetten en onderhouden? Technieken veranderen, data ook en je werkt met verschillende collega’s. Daarvoor heeft EDM een ‘modellenfabriek’ ingericht. Uiteraard met een beperkt budget en restricties vanwege security, organisatie, etc. EDM vertelt hoe ze dit aangepakt hebben, welke issues ze tegenkwamen en welke keuzes gemaakt zijn. Geen luchtfietserij, maar een praktijkverhaal met tips voor het zelf opzetten van een eigen modellenfabriek.

1. 1
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
KEUZES IN
DATA SCIENCE
‘WAT ALS JE NIET BIJ GOOGLE WERKT?’
Praatje voor data science managers / engineers / scientists
WELKOM
ROBERT FELTZER
Head of intelligence
ROELANT STEGMANN
Data scientist

2. 2
DE “DATA SCIENCE” CURVE
DE “DATA SCIENCE” CURVE

3. 3
DE “DATA SCIENCE” CURVE
Behind the curve
Big Data Expo praatjes
Amazon, Google,
Facebook, Microsoft
VERWACHTINGSMANAGEMENT
Revolutionaire technieken Afwegingen& keuzes Pseudografieken Praktijk voorbeelden Code

4. 4
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
DROMEN
ONEINDIG VEEL
ENGINEERS EN
SCIENTISTS

5. 5
ALLES
GEAUTOMATISEERD
IEDEREEN
KAN ELKE
PROGRAMMEERTAAL

6. 6
DATAKWALITEIT
IS PERFECT
GEEN
KLIMAATCRISIS

7. 7
ONBEPERKT
(EN GRATIS)
COMPUTING
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
HELAAS…

8. 8
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
ONZE WERKELIJKHEID
ACTIONABLE
VOORSPELLINGEN

9. 9
KLANTDATA IS VERSNIPPERD
Administratie
J. Jansen
Kerkstraat 1
1234 AB Vleuten
Klantnr: 115993
Transactie
Klantnr: 115993
Bestelling
Jolanda Janssen
06-12345678
Nieuwsbrief
jans@gmail.com
Retour
Jansen
Wattbaan 1
3439 ML Nieuwegein
Klantnr: 231712
Info aanvraag
06-01010223
Excel
Karel Jansen
030-6002000
Service pagina
Web-ID
jansen@ziggo.nl
CUSTOMER DATA PLATFORM
Golden record Klantgedrag Extra profiel AI-predictions
Fam. Jansen
Wattbaan 1
3439 ML Nieuwegein
030-6002000
K. Jansen, man, 23-01-1976,
06-87654321, jansen@ziggo.nl,
klantnr 231712
J. Jansen, vrouw, 16-11-1978,
06-12345678, jans@gmail.com,
klantnr 115993
Koophistorie
Campagnehistorie
Servicecontacten
Webclicks
Klanttype (afgeleid):
- Klantwaarde
- A-merk koper
- Kortingkoper
- Etc.
Welstand
Gezinssamenstelling
Opleiding
Woning
Geotype
+ 160 kenmerken
Look-a-like (top)klant
Customer type
Cross sell recommendation
Upsell recommendation
Churn probability
Responsgevoeligheid

10. 10
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
KEUZES
WAAR BEGONNEN WE?
Independents
maken
Klanten
labelen
Model
maken
Score
per klant
Script
maken
Automatische
scores
Rapportage
maken
1 2 3 4 5 6 7

11. 11
ON-PREMISE OF DE CLOUD
1
2
3 &
DATA SCIENCE HEEFT ANDERE TALEN
1
2
3 &

12. 12
SCIENTISTS ZIJN SCHAARS
10x 10x 3x
1
2
3
DATA IS NIET PERFECT
2
1

13. 13
Data Quality
report
highlights
2
0,0%
Movers
Other address
6,2%
1,9%
8,1%
41,9%
42,3%
0,0%@
47.841
48.827
48.805
-
98,0%
100,0%
100,0%
Gender
Firstname
Lastname
Date of
birth
Person details
94,2% status green
4,7% status orange
1,0% status red
0,1% empty
37.720
unique persons
45.796
unique addresses
3.033duplicate persons
48.829
96,3%
MATCHREFERENCE
DATABASE
person/family
matches
74,5 %
PROCESSED
RECORDS
18 75+ Top5% Top50 % Top95 %
Look-a-like
DATASETS GROEIEN STERK
1
2
3

14. 14
SELECT d.*, p.Score FROM PREDICT(MODEL = @logit_model, DATA = dbo.mytable
AS d) WITH (Score float) AS p;
NOTEBOOKS ZIJN LASTIG
1
2
3

15. 15
File explorer view?
SIMPEL MODEL MOET SIMPEL ZIJN
2
1

16. 16
Datum slide?
LABELLEN
MODELLEN EISEN ONDERHOUD
3
1
2

17. 17
HOE WERKT HET NU?
Independents
maken
Klanten
labelen
Model
maken
Score
per klant
Script
maken
Automatische
scores
Rapportage
maken
1
Independents
maken
Klanten
labelen
Model
maken
Score
per klant
Script
maken
Automatische
scores
Rapportage
maken
1 2 3 4 5 6 7

18. 18
DE “DATA SCIENCE” CURVE
VERSTAND VAN DATA. GEVOEL VOOR MARKETING.
VRAGEN