Een voorspellend model is software die op basis van historische data inschat wat er waarschijnlijk gaat gebeuren. Het kent de toekomst niet. Het spot patronen in het verleden en zet daar een kans op een uitkomst tegenover, zoals de kans dat een bepaalde klant deze maand zijn abonnement opzegt.
Denk aan een ervaren winkelier die elke vrijdag extra brood inkoopt omdat jaren aan vrijdagen hem leerden dat de vraag voor het weekend piekt. Een voorspellend model doet hetzelfde op schaal en met cijfers. Het bestudeert duizenden vrijdagen uit het verleden, vindt het patroon en voorspelt de vraag van komende vrijdag. Er een bouwen is een kerntoepassing van machine learning, en de nauwkeurigheid leunt vrijwel volledig op de kwaliteit van de trainingsdata die je erin stopt. Rommel erin, rommel eruit.
De belangrijkste denkomslag is dat de uitkomst een kans is, geen belofte. Een model dat zegt dat een klant 70 procent kans heeft om op te zeggen, is een sterk signaal om op te handelen, geen feit. Je gebruikt het om je inzet te richten, niet om je oordeel uit te schakelen.
De meeste bruikbare bedrijfsmodellen worden getraind met supervised learning: je laat het model gelabelde voorbeelden uit het verleden zien, klanten die wél opzegden naast klanten die dat niet deden, waarna het het verschil leert. Dat legt ook de grootste valkuil bloot. Een model kan briljant lijken op de data waarop het getraind is en onderuitgaan op nieuwe data, een probleem dat overfitting heet: het leerde de oude voorbeelden uit zijn hoofd in plaats van het echte patroon. De oplossing is het testen op gegevens die het nog nooit zag.
Het andere stille risico is sluipende veroudering. Een opzegmodel dat vóór een prijswijziging is gebouwd, kan langzaam afdrijven als het klantgedrag verschuift. Een model is dus nooit “af”; het wordt bewaakt en opnieuw getraind.
Bij TopDevs bouwen we voorspellende modellen op de eigen historie van een klant, zoals verkoop- of opzegdata, om cijfers die ze al hebben om te zetten in beslissingen waar ze vroeg op kunnen handelen.
