Gebruik van voorspellende modellen voor bepalen marketingbudgetten

Hoe gebruik je historische data en trendcijfers om de besteding van marketingbudgetten te optimaliseren? Een wereldwijd opererend FMCG-bedrijf koos voor Eraneos voor de ontwikkeling van een oplossing die het mogelijk maakt om data, zowel eigen als Nielsen-data, mee te laten wegen in de allocatie van marketingbudgetten. Deze samenwerking leidde tot de ontwikkeling van een schaalbare datahub-oplossing die nieuwe data snel kan verwerken en verschillende teams binnen de organisatie helpt om betere beslissingen te nemen.

“Onze opdrachtgever is een grote internationale organisatie met verschillende business units en afdelingen,” legt Mallory Brickerd, Machine Learning Engineer bij Eraneos, uit. “Ons primaire contact was hun Insights & Analytics afdeling. Ze wilden vooral begrijpen waar marketingbudgetten het best konden worden ingezet, met name voor nieuwe producten. Ze hadden wel data, hun eigen historische data maar ook bijvoorbeeld data van Nielsen, maar die was nog niet geïntegreerd of gestructureerd om deze inzichten te bieden. Toen wij aan het project begonnen, was een van onze eerste taken om een solide platform op te zetten waar deze data op een efficiënte manier verwerkt en geanalyseerd kon worden.”

Het fundament: een schaalbaar data-platform

De eerste stap in het project was het creëren van een robuust en schaalbaar data-platform dat hen in staat stelde om zowel interne als externe datasets te integreren, zoals data van Nielsen. Dit platform diende als basis voor het analyseren van deze gegevens en het ontwikkelen van voorspellende modellen om marketingbeslissingen te ondersteunen, zoals het beter verdelen van marketingbudgetten per productcategorie en regio. Zo konden ze bijvoorbeeld gericht campagnes inzetten voor producten waarvan ze wisten dat de vraag zou stijgen, wat de effectiviteit van hun marketing flink verbeterde.

“We hebben te maken met duizenden producten en enorm veel data,” legt Mallory uit. “Parallelisatie was daarom essentieel. Zonder deze stap zou je ontzettend lang moeten wachten op resultaten. Door de data in parallel te verwerken, konden we de voorspellingen versnellen en het model in real-time resultaten laten genereren.”

Om de grote hoeveelheden data efficiënt te verwerken, werd een hybride oplossing ontwikkeld waarbij Scala werd ingezet voor data-ingestie en PySpark voor de modellering. Daarnaast werd Azure Data Factory gebruikt om het proces te automatiseren en ervoor te zorgen dat zodra nieuwe data beschikbaar kwam, deze direct in het platform verwerkt werd. Hierdoor bleef de oplossing schaalbaar en flexibel, zelfs met de voortdurende stroom van nieuwe Nielsen-data.

Samenwerking met stakeholders: van data tot bruikbare inzichten

Het succes van een datagedreven oplossing hangt niet alleen af van de technologie, maar vooral van de bruikbaarheid voor verschillende stakeholders. Voor de opdrachtgever, een grote organisatie met diverse business units zoals health en hygiene, was het essentieel dat de inzichten uit de voorspellende modellen breed toepasbaar waren. Elke afdeling, regio en team had andere behoeften en prioriteiten, wat vroeg om een flexibele benadering.

Het ontwikkelen van voorspellende modellen is één ding, maar die modellen bruikbaar maken voor alle teams en afdelingen is een ander verhaal. We begonnen met het leveren van voorspellingen op productniveau, maar al snel leerden we dat verschillende stakeholders verschillende behoeften hadden. Sommige teams, zoals in Brazilië, wilden data per regio in plaats van per product. Dat betekende dat we de rapportages moesten opzetten zodat ze eenvoudig geaggregeerd konden worden, afhankelijk van de specifieke vraag van een team. Dit soort flexibiliteit was cruciaal voor het succes van de oplossing.

Daarnaast was het directe contact met de stakeholders ontzettend belangrijk. In het begin hadden we vooral te maken met één contactpersoon,hij gaf ons de wensen van de andere afdelingen door. Maar we merkten dat sommige details verloren gingen in de vertaling. Door de goede resultaten wilden meer stakeholders onze tools en voorspellingen gebruiken en kwamen we in gesprek met andere teams en stakeholders. Zij kwamen met nieuwe vragen en wilden de data op andere manieren gebruiken. Dankzij onze flexibele aanpak konden we de oplossing beter afstemmen op hun wensen, en het maakte dat de modellen en rapportages veel effectiever en gebruiksvriendelijker werden.

Toepasbaar voor andere markten en klanten

Het project met de FMCG-organisatie bood waardevolle inzichten voor Eraneos, die nu breder toepasbaar zijn bij andere klanten. De schaalbaarheid en flexibiliteit van het ontwikkelde data-platform vormen een blauwdruk voor toekomstige samenwerkingen.

“Dit project was mijn introductie tot de mogelijkheden van Azure. We hebben gezien hoe je met de juiste technologieën, zoals Scala, PySpark en Azure Data Factory, een robuuste en schaalbare omgeving creëert. Deze aanpak is niet alleen geschikt voor bedrijven actief in de FMCG, maar kan ook eenvoudig worden toegepast bij andere klanten met vergelijkbare uitdagingen.”

Het project laat zien hoe een gedegen data-infrastructuur en slimme technologische keuzes kunnen leiden tot concrete, datagedreven besluitvorming. Dankzij de samenwerking met Eraneos heeft de klant nu de tools in handen om nauwkeurige voorspellingen te doen over productverkoop en deze inzichten te gebruiken om hun strategie verder te verfijnen. Zie je aanknopingspunten? Neem dan contact met ons op om meer te weten te komen over de mogelijkheden en ontdek hoe wij jou kunnen helpen duurzame verandering te creëren.