Hoe voorspellen we de volgende bestelling van een klant?

De voorspelling "volgende bestelling verwacht rond [datum]" (gebruikt in de Journey Builder) komt niet van een simpele vuistregel zoals "laatste bestelling plus 365 gedeeld door aantal bestellingen per jaar". Dat soort vuistregels houdt geen rekening met afhaken -- een klant die twee keer bestelde, lang geleden, heeft een heel andere kans om terug te komen dan een klant die twee keer bestelde, recent.

Het model

Valtracs gebruikt een BG/NBD-model (Beta-Geometric/Negative Binomial Distribution) -- dezelfde modelfamilie achter de voorspelde-volgende-bestelling-functies van grote klantdataplatforms. Het model wordt eenmaal per periode gefit op je hele klantenbestand tegelijk (inclusief eenmalige kopers -- juist die zijn nodig om het model te leren hoe waarschijnlijk het is dat iemand niet terugkomt), en schat vervolgens per klant twee dingen tegelijk: de individuele bestelfrequentie én de kans dat iemand nog "actief" is.

Alleen wanneer het model voor een klant een redelijke kans op een volgende bestelling binnen een venster van twee jaar berekent, komt er een concrete voorspelde datum uit -- anders blijft die klant zonder voorspelling, want een datum ver in de toekomst voorspellen zou een schijnzekerheid geven die het model niet waar kan maken.

Wanneer dit niet werkt

Een tenant heeft genoeg klant- en besteldata nodig voordat een populatie-breed model iets zinnigs kan schatten -- een gloednieuwe winkel met een handvol bestellingen krijgt (nog) geen voorspellingen, in plaats van een onbetrouwbaar getal te tonen alsof het vaststaat.