Omzetvoorspellingen zijn niets nieuws, maar in vergelijking met tien jaar geleden heeft een enorme ontwikkeling plaatsgevonden. Er zijn veel meer databronnen beschikbaar, de meeste data zijn actueler en accurater en de voorspellingsmodellen zijn veel geavanceerder.
Interview met Mattijn Bezemer
Mattijn Bezemer, medeoprichter van de The Big Data Company, specialiseert zich al tien jaar in het doen van omzetvoorspellingen. The Big Data Company werkt voor verschillende (internationale) retailers bij het inschatten van de omzet van nieuwe winkellocaties. Daarvoor maken zij bij voorkeur gebruik van de rijke en complete dataset van Locatus.
Lokale kansen identificeren
“Ondanks de grote uitdagingen in het winkellandschap, liggen er lokaal kansen. Het is de kunst om kansen te identificeren op basis van de aanwezigheid van klantprofielen, de kracht van het type winkelgebied en positionering tussen concurrerend aanbod”, zo vertelt Bezemer.
Samen met Locatus hebben we de Retail Revenue Calculator ontwikkeld. Hiermee geven we retailers een tool in handen die normaal gesproken alleen voorbehouden zou zijn voor multinationals.
Meer en betere data
Locatus gebruikt – naast continu veldwerk – scraping en digitaal deskresearch om hun dataset continue te actualiseren. Daarmee is de kwaliteit van de data – die de grondstof vormt voor het modelleren – sterk verbeterd.
Nieuwe databronnen zijn bijvoorbeeld daytime population (waar verblijven mensen overdag), gedetailleerde data over consumentenbestedingen via Whooz, toekomstige bouwkundige plannen en reistijden modules voor voetgangers en fietsers. Bovendien hebben retailers zelf ook steeds meer data tot hun beschikking. Denk aan klantreviews, bezoekerstellers, klantherkomst-data of aankoopdata van loyaliteitssystemen.
Betere modellen
De innovaties op het gebied van modelontwikkeling gaan hard. De laatste jaren zijn er veel nieuwe methoden en technieken ontwikkelt om data te ontsluiten, te verrijken en te modelleren. De set aan tools die de econometrist, data-scientist en ICT-er tot hun beschikking hebben is veel uitgebreider.
Het is oppassen niet te verdrinken in een zee aan data en mogelijkheden. Er komt veel meer bij kijken.
“Tien jaar geleden was het ontwikkelen van een model vaak in handen van één persoon, de mogelijkheden waren beperkt. Tegenwoordig staat er een ontwikkelteam klaar waarin verschillende disciplines en technieken slim worden gecombineerd. Dit maakt het mogelijk om omzetvoorspellingen af te geven met een hogere mate van nauwkeurigheid. De voorspelling wijkt in de praktijk maximaal 10% af”, zegt Bezemer.
Snellere analyses
Sommige voorspellingsmodellen bestaan al tientallen jaren, maar waren tot voor kort vooral geschikt voor wetenschappelijk onderzoek. Dit geldt bijvoorbeeld voor de gravitatiemodellen die The Big Data Company samen met Locatus ontwikkelt. Dit type model verdeelt de consumentenbestedingen in de markt over het beschikbare aanbod.
Uitgangspunt is dat consumenten een afweging maken op basis van reistijd en aantrekkelijkheid van het aanbod. “De modellen werken vooral goed als er veel informatie beschikbaar is over consumenten en hun besluitvormingsproces. Met betere data werken de modellen beter, aldus Bezemer.”
Dit type model maakt het mogelijk om meervoudige scenario’s door te rekenen en de impact van een reeks openingen en sluitingen in samenhang inzichtelijk te maken.
Waar het tien jaar geleden dagen duurde om een dergelijk complex model met miljoenen berekeningen te draaien, kan dit met de Retail Revenue Calculator nu binnen enkele minuten.
Met de Retail Revenue Calculator geven Locatus en de Big Data Company retailers een tool in handen die normaal gesproken alleen voorbehouden zou zijn aan multinationals. Bezemer: “Door de betere omzetvoorspellingen dragen we niet alleen bij aan de slagingskans van formules, maar ook aan toekomstbestendigere winkelgebieden in Nederland, België en Luxemburg.”
Meer weten? Wij vertellen graag meer over de techniek achter de modellen en wat er nodig is om met 90% nauwkeurigheid omzet van winkels te voorspellen. Vraag een demo aan.