Of je nu boodschappen doet, Netflix kijkt, een productvergelijking doet op Independer of met Google Maps naar een bestemming rijdt: je laat bij bijna alles wat je doet een spoor van data achter. Iedereen laat continu overal digitale voetsporen achter. Maar waar komt deze data terecht en wat gebeurt er met deze data? En misschien wel de belangrijkste vraag: wat zou jij er zelf mee kunnen? Welkom in de wereld van data science!
Je kunt geen krant meer openslaan of je komt termen tegen als algoritme, machine learning, big data, data science of artificial intelligence. Termen die misschien ingewikkeld lijken en voelen als een ver-van-mijn-bed-show, maar dat zijn ze absoluut niet. In de praktijk krijg ook jij hier namelijk steeds meer mee te maken. Gelukkig is het lang niet zo lastig als het misschien lijkt.
Laten we eerst naar de betekenissen van de verschillende termen kijken. Bij artificial intelligence (AI) leert een computer taken die mensen normaal gesproken uitvoeren. Machine learning is daar een onderdeel van; we leren computers om voorspellingen te doen op basis van grote datasets, de big data. En de mensen die deze data gebruiken om voorspellingen te doen, die noemen we data scientists.
Voorspellingen die je met machine learning genereert, komen in allerlei verschijningsvormen. Je kunt voorspellen welke letter iemand heeft geprobeerd te schrijven (beeldanalyse), welke informatie iemand zoekt (zoekmachine), of het object dat voor je de straat op komt een stoomwolk of een voetganger is (zelfrijdende auto) of dat een klant op het punt staat zijn verzekering op te zeggen (commerciële voorspellingsmodellen). Die voorspellingen worden bepaald aan de hand van een onderliggend algoritme. Een algoritme is niets meer dan een combinatie van beslisregels; een soort recept. Bij een model dat voorspelt of een klant gaat royeren, kun je de computer op basis van jouw historische data leren welke klanten een grotere royementskans hebben. Als de computer dit inzicht ontwikkeld, heeft deze zijn beslisregels klaar.
Zo kan de computer bijvoorbeeld aangeven dat een klant die 3 jaar in je boeken staat, een gezin met 2 kinderen, een koopwoning en een consumptief krediet voor een auto heeft, ook een hogere kans op royement heeft. Waarom dat zo is, maakt dan niet zo veel uit. Jij hebt het signaal dat dit een klant is waar je aandacht aan moet besteden wil je die binnenhouden. Heb je dus budget voor een loyaliteitsactie, dan kun je dit budget het beste inzetten op klantgroepen waarvan de statistiek aangeeft dat deze een grotere kans op uitstroom hebben.
Machine learning is ook binnen de financiële dienstverlening aan een opmars bezig, met name in de beleggerswereld. Grote beleggingsbeslissingen worden vaak niet meer genomen door mensen, maar door razendsnelle computers die alle beschikbare data continu combineren tot een ‘koop’ / ‘verkoop’ beslissing. Juist omdat hier elke tiende seconde telt, is er geen tijd meer voor een menselijke beslisser tussen signalen uit de markt en het doen van de transactie. Het verschil tussen een snelle menselijke beslisser en een razendsnelle computer is hier miljarden waard.
Maar machine learning kan ook veel laagdrempeliger ingezet worden. Credit checks bij het aanvragen van creditcards gaan voor het leeuwendeel geautomatiseerd, op basis van de achtergrondvariabelen van de aanvrager. Fraude-detectie bij schadeclaims wordt bij verzekeraars ondersteund door machine learning modellen die de waarschijnlijkheid van fraude per claim kunnen bepalen. Next Best Action modellen kunnen per klant bepalen welke actie je moet ondernemen om deze klant verder aan je te binden en ondersteunen zo besluiten over de wijze en het moment van klantbenadering.
Waarschijnlijk heb je in jouw eigen praktijk al veel data beschikbaar. Informatie over jouw klanten, over de producten en diensten die ze bij je afnemen, over hoe lang ze al klant bij je zijn, over het contact dat je met ze hebt gehad. En – omdat we allemaal overal data achterlaten – kun je jouw eigen data wellicht nog verrijken met data uit andere (open) bronnen. Data van de Kamer van Koophandel of LinkedIn over bedrijfsmatige klanten, data van de RDW over de bij jou verzekerde auto’s, data van het Kadaster over de woningen van jouw klanten; er is op veel plaatsen data (al dan niet tegen betaling) beschikbaar.
De uitdaging is om te kijken welke data jij bij elkaar kunt brengen die jou kan helpen bij het voorspellen van iets dat voor jou relevant is. Als je de data hebt, kun je vervolgens voorspellingen genereren met het gebruik van de juiste statistische methoden. Stel dat je de data van de RDW aan je portefeuille autoverzekeringen kunt hangen. Dan kom je er misschien wel achter dat klanten met een oude auto vaak royeren rondom de keuringsdatum. Op die kennis kun je dan gericht inspelen. Data science helpt je om je inspanningen op de juiste klanten te richten.
Het is mogelijk om deze manier van bedrijfsvoering te negeren en data science te zien als iets dat alleen bij andere bedrijven wordt gedaan. Het is mogelijk om te hopen dat data science een trend is die vanzelf overwaait en aan jou voorbij gaat. Dat zou geen verstandige keuze zijn. Steeds meer partijen binnen de financiële dienstverlening maken gebruik van voorspellingen om de bedrijfsvoering te optimaliseren. Een keuze om dat niet te doen, is een keuze voor een steeds grotere achterstand op de concurrentie.
Dus: verzamel je moed, verzamel je data en zorg dat er geanalyseerd gaat worden!
Zou jij jezelf graag verder ontwikkelen op het gebied van data science? Volg dan de eerste module van de e-learning Data Science. Je maakt hierin kennis met de basis van data science en machine learning: statistiek. Zonder kennis van de juiste statistische methoden en technieken is het onmogelijk om de juiste analytische keuzes te maken. Je leert in deze e-learning op basis van jouw eigen data eerste inzichten te creëren die je in je eigen klantbenadering helpen.