Wanneer AI-gedreven beslissingen acceptabel zijn voor klanten èn Risk & Compliance

By Analytics, News

Artificial Intelligence (AI) algoritmes worden in veel sectoren massaal toegepast. Toch passen veel financiële dienstverleners AI nog maar heel beperkt toe, met name voor de beslissingen die juist veel impact op hun bedrijfsresultaten kunnen hebben. Onzekerheid over de acceptatie door diverse stakeholders speelt hierbij een belangrijke rol. Waar komt deze onzekerheid vandaan en welke handvatten kunnen helpen? Hieronder biedn we een klant-centrisch framework voor deze handvatten en illustreer deze met een van onze projecten. Het framework is opgesteld vanuit het perspectief van de eindklant, maar helpt juist ook om interne stakeholders tegemoet te komen.

Potentie voor meer waarde met minder werk
Specialisten zoals acceptanten, risk experts en claim behandelaars zijn veel tijd kwijt aan repetitieve beslissingen en beoordelingen. Wanneer deze punten in business processen geautomatiseerd kunnen worden kan de specialist zich richten op het uitdagender werk en de eindklant veel meerwaarde bieden. Hiervoor worden in eerste instantie vaak handmatig rule-based modellen opgesteld, maar dit heeft zo zijn beperkingen. Uit ervaring weten we dat beslismodellen die met AI versterkt zijn de straight-through-processing-graad verder kunnen verhogen en het proces meer accuraat en consistent maken.

Twee partijen zorgen voor onzekerheid; Klanten en Risk & Compliance
De AI-modellen die juist veel kunnen bijdragen aan het bedrijfsresultaat hebben potentieel ook veel impact op klanten. Een AI-model dat kredietwaardigheid of verzekeringsrisico verkeerd inschat kan tenslotte veel meer kwaad doen voor het bedrijf en de klant, dan een model dat clickgedrag, of cross-sell kansen verkeerd inschat. Deze high-stakes modellen staan dan ook erg in de belangstelling van diverse externe en interne stakeholders zoals toezichthouders, risk officers, klanten en klantvertegenwoordigers.

Risk & Compliance teams stellen hierdoor vaak hoge eisen aan de modelvalidatie en -monitoring. Hoe complexer en meer impactvol het model, hoe hoger de eisen en hoe lastiger het is om hieraan te kunnen voldoen. Veel organisaties hebben hier ook nog weinig ervaring mee. Daarnaast zijn financiële dienstverleners onzeker of hun kritische klanten en tussenpersonen de uitkomsten van sterk differentiërende, high-impact modellen wel zullen accepteren. Deze onzekerheden zorgen voor weerstand en remmen innovatie.

Acceptatie door klanten als leidend perspectief
Het framework hieronder biedt handvatten om AI duurzaam geaccepteerd te krijgen door zowel de interne alsook de externe belanghebbenden. Het is opgesteld vanuit het klantperspectief, zodat het beter tot de verbeelding spreekt en in de uitwerking meer energie geeft dan telkens te moeten denken in termen van verplichtingen en regels.

In het kort komt het hierop neer; Als klant wil je kunnen begrijpen hoe een (geautomatiseerde) beslissing tot stand is gekomen; je wil er mee kunnen leven; en je wil er mee kunnen werken. We lichten deze drie punten toe;

1.     De uitkomst moet uitlegbaar zijn
Er moet verteld kunnen worden welke data is gebruikt en verklaard hoe die data tot de uitkomst heeft geleid. Maar om echt uitlegbaar gevonden te worden moeten de verklaringen achter de uitkomsten ook als ‘logisch’ ervaren worden. Oftewel, ze moeten overeenkomen met ons begrip van hoe de wereld werkt.
Natuurlijk moet de werking van toegepaste modellen dan ook consistent zijn, zodat de uitkomst en uitleg van vergelijkbare cases niet veel zal verschillen.

2.     De uitleg moet acceptabel zijn
De data die gebruikt is mag niet als inbreuk op de privacy worden ervaren en ook het verkregen inzicht moet niet te intiem zijn (een voorspelde, mogelijke zwangerschap, of aanstaande bedrijfsoverdracht afleiden uit veranderde transactiepatronen wordt door veel klanten niet gewaardeerd).
Daarnaast hoort de werking van modellen onbevooroordeeld te zijn (unbiased) ten opzichte van kwetsbare groepen, of gevoelige eigenschappen zoals etniciteit van individu of in de samenstelling van een werknemersbestand.

3.     Met eigen controle en voordeel voor de klant
Om klanten zelfs bij negatieve uitkomsten een goed gevoel te kunnen geven zullen zij een zekere mate van controle moeten ervaren. Dit vereist de mogelijkheid tot menselijke interventie èn dat de uitkomsten van de AI-modellen voorspelbaar beïnvloedbaar zijn. Door dit laatste kan klanten namelijk uitgelegd worden wat zij zelf kunnen doen om in de toekomst een betere uitkomst te krijgen. Vanzelfsprekend is het vervolgens van belang dat goed gedrag ook daadwerkelijk tot betere scores en tot lagere premies en rentes leidt.

Wanneer een beslismodel bovenstaande percepties kan realiseren hoeft er niet veel onzekerheid te bestaan of klanten de toepassing van AI zullen accepteren. Vanzelfsprekend moet de dienstverlener dit alles dan wel zodanig weten te communiceren dat klanten begrijpelijk en volledig geïnformeerd worden en de bovenstaande percepties effectief overgebracht worden.

Twee vliegen in “een” klap
Onder elk van de drie klantpercepties zijn meerdere eisen benoemd en die beschrijven samen een behoorlijke lijst requirements. We hebben echter de technieken en methodes waarmee we dit kunnen realiseren. Het goede nieuws is bovendien, dat als je deze drie klantpercepties realiseert, je ook gelijk bijna alles kan afdekken wat Risk & Compliance moet eisen. Want om AI-modellen voor klanten goed uitlegbaar en acceptabel te kunnen maken en de klant hier zelf invloed in te geven, moet je specifieke methodes toepassen en een zekere mate van beheersing en transparantie bereiken. Hiermee kan je ook voldoen aan de Risk & Compliance eisen.

Dus de volgende keer dat je een oplossing bedenkt voor de toepassing van AI in impact-volle beslissingen zijn er slechts drie vragen om te beantwoorden: “Kunnen we dit uitleggen aan de klant?” “Zal hij/zij het dan acceptabel vinden?” en “Houdt de klant controle rondom de beslissing?” Dit zal veel onzekerheid verminderen en veel puzzelstukken zullen op hun plaats vallen. Het klantperspectief geeft veel medewerkers vaak ook meer energie dan het moeten voldoen aan complexe regels.

We bespreken graag allerhande zaken die data science en AI betreffen, met name de vraagstukken die raakvlak met organisatie hebben. Neem gerust contact op voor een kop koffie!

Contact
Mando Rotman
E: mando.rotman@igh.com

Zakelijk verzekeringsdomein ondergeschoven kindje voor Data Science

By Analytics, News, Verzekeren

Data science en Artificial Intelligence (AI) nemen in het particuliere domein echt een vlucht binnen de NL-verzekeringsmarkt. Op basis van een ronde die IG&H heeft gemaakt langs zes Nederlandse verzekeraars leren we dat er flink wordt geïnvesteerd in mensen en middelen en de succesvolle cases stapelen zich op. Aan de zakelijke kant is het opvallend stil. En dat is onterecht…

Zakelijk loopt significant achter
De afgelopen jaren is Data Science echt uit de startblokken gekomen in de verzekeringsmarkt. Met name aan de voorkant, met toepassingen in commercial pricing, het bepalen van next-best-actions en het personaliseren van de online user experience. Er is geïnvesteerd om de data op orde te brengen, deze te ontsluiten, cases te definiëren, te testen en op te schalen. En er is vooral heel veel geleerd en geëxperimenteerd: hoe kom je tot de juiste (lees schaalbare) use cases, wat werkt wel, wat niet, hoe trekken we talent aan, hoe organiseren we ons voor succes? De focus lag hierbij sterk op het particuliere domein en niet op zakelijk. Redenen: er zijn in particulier grote aantallen klanten en interacties, de data is beter op orde te krijgen, het is meer begrijpelijk en er zijn meer directe kanalen. Om te starten lijkt dit dan ook een logische keuze. Maar daarmee is onbedoeld wel een grote onbalans ontstaan. Een rondgang langs de grote allround verzekeraars leerde ons dat gemiddeld 70-80% van alle data science effort wordt besteed in het particuliere domein en daarbinnen heel sterk op schade. Als we kijken waar het volume en rendement zich bevinden is dat regelmatig een spiegelbeeld: 60-65% van volume en 80% van het rendement* komt juist uit de zakelijke hoek.

Fig 1. Indicatieve verhoudingen tussen bijdrage aan de business performance en aandeel in Data Science investering bij allround verzekeraars

Dogma’s om te doorbreken
Verzekeraar en adviseurs zijn zich deze onbalans meer en meer aan het beseffen, maar dit leidt nog niet tot een grote verschuiving. Hiervoor moeten eerst een aantal dogma’s worden doorbroken. De vijf belangrijkste hebben we hieronder op een rij gezet:

 

1.    Zakelijk verzekeren is people business. Data is ondergeschikt “Niemand kent de klant of de adviseur beter dan onze gedreven accountmanagers.”
2.    Inschatten en beoordelen is het domein van specialisten “Ervaring en intuïtie kunnen niet in AI-modellen worden gevat.”
3.    Geen Data Science mogelijk zolang de data niet op orde is “Big Data en AI hebben (schone) datasets van minimaal tienduizenden observaties en honderden variabelen nodig. Die hebben we niet binnen zakelijk.”
4.    Geen schaalbare use cases “Onze diversiteit van klanten en producten is te groot.”
5.    AI is een black box “De computer zegt nee, krijg ik niet uitgelegd aan mijn klanten of de Risk & Compliance afdeling”

In de praktijk zien we wel degelijk dat veel menselijke inschattingen en beoordelingen, met data science technieken versterkt of vervangen kunnen worden. Ook de meer tactische of strategische beslissingen, zoals differentiatie in bediening en portfolio-sturing, worden bij uitstek beter van een data gedreven en door modellen geïnformeerde aanpak.

Data science methodieken en onze werkwijze hebben niet stilgestaan en we hebben geleerd hoe we ondanks een mindere databeschikbaarheid, of lagere volumes vaak toch succesvol kunnen zijn. Bovendien is het een mythe dat AI-modellen per definitie een black box zijn. Wij hebben meerdere technieken in onze gereedschapskist waarmee we de werking en de uitkomsten van veel verschillende algoritmes heel transparant en begrijpelijk maken.

“Met name het doorbreken van deze dogma’s kan voor veel versnelling zorgen. De combinatie van business hypotheses en data science kan ons juist ook binnen het zakelijke domein veel opleveren. In vergelijking tot ons particulier domein kunnen we hier nog veel winst behalen.”
Peter Zwikker, Manager Data & Analytics Centraal Beheer Bedrijven

Bewezen waarde
Vanuit het IG&H Data Science team hebben we samen met klanten ervaren hoe AI ook in complexe zakelijke omgevingen grote performance verbeteringen mogelijk maakt. Hieronder een van de voorbeelden.

Een marktleider in zakelijke kredietverschaffing wilde het kredietproces meer efficiënt, wendbaar en meer consistent maken. Ook zag deze klant de noodzaak om klaar te zijn voor de strijd met nieuwe Fintech concurrenten. We hebben met gebruikmaking van AI een beslismodel geïmplementeerd dat handmatige specialistbeoordelingen in het risk review proces met >80% heeft gereduceerd. Het model heeft geleerd van voorbeelden van experts om in te schatten of een handmatige risk review nodig is. Bij een lage score wordt de case niet langer door specialisten beoordeeld.

Door middel van pragmatische workarounds bleek het gebrek aan databeschikbaarheid overkomelijk. Met toepassing van slimme technieken is het beslismodel heel transparant in de manier waarop het tot output komt. En bovendien kunnen specialisten en managers nu middels een interactief dashboard alle inzichten en overzichten oproepen die ze nodig hebben.

Dit model is de eerste van meerdere. Dit ene model alleen speelt al ~6 FTE aan specialistische capaciteit vrij die op new business en op de klanten met de meest complexe risico’s kan worden ingezet. De terugverdientijd van dit allereerste project binnen 2 jaar is ook heel prettig. Het model maakt daarnaast een veel meer frequente monitoring en scenario analyses van de portfolio mogelijk.

Naast de directe toepassing van Artificial Intelligence in een business proces, maakt data science ook op veel andere manieren performance verbetering mogelijk. Met behulp van data science technieken kunnen bijvoorbeeld de processen geanalyseerd worden op bottlenecks en inefficiënties. Zo hebben we bij een financieel dienstverlener recent een business proces geanalyseerd en gelijk nieuwe beslislogica geformuleerd waarmee 90% van de repetitieve approval requests geëlimineerd is.

Daarnaast passen we big data en analysetechnieken toe om tactische en strategische keuzes in portfolio management en distributie te optimaliseren.

“Ook binnen ons zakelijk domein zetten wij Analytics & Data Science al enige jaren succesvol in om o.a. onze dienstverlening voor de klant te verbeteren. Met behulp van Process Analytics optimaliseren we bijvoorbeeld constant onze interne processen en customer journeys. Deze optimalisaties leiden tot verhoogde klanttevredenheid en lagere kosten. Een echte win-win dus.”
Marijn Janssen, Head of Analytics & Data Science Aegon NL

De blik vooruit
Tijd voor een radicale omwenteling en opschaling van de inspanningen op data science binnen het zakelijk domein. De resultaten liegen er niet om en data science zal in het zakelijk domein een belangrijke rol in de concurrentiestrijd spelen. Hier valt nog serieus veel te winnen en de kruisbestuiving met geleerde lessen uit het particulier domein zullen partijen helpen om snel meters te maken in de komende jaren.

Contact
Mando Rotman
E: mando.rotman@igh.com
Manager Data Science IG&H

Jan-Pieter van der Helm
E: janpieter.vanderhelm@igh.com
Director Financial Services IG&H

*) exclusief inkomsten uit closed book Leven particulier

 

Wat Data Science Managers kunnen leren van McDonalds

By Analytics, News, Verzekeren

Verzekeraars, service providers en adviseurs digitaliseren steeds meer en steeds sneller. Dit heeft ook implicaties voor de organisatiefuncties die dit ondersteunen zoals de data science en AI-functie. Uit een recent door IG&H uitgevoerde Maturity Scan via een ronde interviews onder Nederlandse verzekeraars leren we dat de meeste partijen hun data science functie momenteel op vergelijkbare wijze, namelijk centraal, hebben georganiseerd. De voorlopers staan nu echter op het punt over te stappen op andere, hybride, organisatiemodellen. De beste inrichting voor succes bepalen blijkt niet simpel.

Hoe organiseer je data science en AI nu als schaalbare bedrijfsfunctie, wanneer je niet langer centraal georganiseerd kan blijven, maar ook niet naar een sterk decentrale vorm wilt?

Drie basismodellen voor inrichting
Actuariële expertise en business intelligence zijn al heel lang onderdeel van bedrijven in de verzekeringssector. Maar in de laatste 2 decennia verschenen in organisaties mensen met de titel Data Scientist. Deze professionals werkten vaak aan non-risk use cases, zoals in Sales, Marketing & Distributie, Fraude en Customer Service en ze wilden met name de nieuwste, vaak non-lineaire Machine Learning (ML) technieken toepassen. De introductie van dit type werk gebeurde meestal decentraal, verspreid door de organisatie. Maar naarmate de reputatie en verwachtingen van hun werk groeiden, zijn deze nieuwe professionals bijna overal samengevoegd in een Centraal Center of Competence (CoC).

Fig 1. Drie basisvormen voor functie-inrichting binnen een organisatie

Het CoC-model heeft ten opzichte van een decentraal model veel voordelen voor een nieuwe Data Science functie. Zeker wanneer het bedrijf in cultuur, werkwijze en systemen nog niet als een digitale, data gedreven organisatie werkt. Vijf van de zes organisaties in onze Maturity Scan hebben hun Data Scientists dan ook in een CoC-model georganiseerd. Echter, bij enkele partijen neemt de digitale transformatie inmiddels serieuze vormen aan en dan kan sterke centralisering een capaciteitsbottleneck vormen. Of zorgen voor een te grote afstand in kennis, prioriteiten en communicatie tussen de business en het data science team.

Van een centraal organisatiemodel overschakelen naar een meer hybride model wordt vaak geadviseerd als een best-of-both-worlds oplossing. Dit moet het namelijk makkelijker maken om te kunnen schalen en om toepassing en expertise zoveel mogelijk te laten aansluiten bij de inhoud en activiteiten in de business, terwijl een select aantal activiteiten en aansturing centraal belegd blijven.

Zorgen bij hybride modelvormen
Spotify heeft een populaire variant van het hybride model ontwikkeld, dat bekend is komen te staan als het Spotify model1, met zijn Squads, Tribes, Chapters en Guilds. Variaties op dit model zijn met name populair onder de digital natives en e-commerce bedrijven van deze wereld. Veel Data Science managers in de verzekeringsmarkt twijfelen echter over deze sterk decentrale variant van het hybride model. De zorgen zijn;

  • Dat de datacultuur en de schaal van AI-toepassingen onvoldoende zijn om de doorontwikkeling en innovatie van AI en Data Science in stand te houden
  • Ook zijn er vaak bedrijfsbreed-toepasbare use cases nog niet opgestart, die centraal mogelijk efficiënter kunnen worden gerealiseerd.
  • Daarnaast heeft IG&H vastgesteld dat er op het vlak van Data Science en AI nog een grote kloof in maturity is tussen het particuliere en zakelijk domein2. Een meer centrale organisatievorm kan kruisbestuiving tussen de domeinen faciliteren.

Hierdoor kiezen we in de praktijk vaak voor meer centrale varianten van het hybride model. Maar iedere hybride (her)inrichting roept vragen op zoals;

  • Hoe kan je de complexiteit van funding en governance beperkt houden?
  • Hoe houd je voldoende centrale regie voor de gewenste innovatie en standaardisatie?
  • Welke activiteiten en verantwoordelijkheden houd je centraal en hoe organiseer je de overige activiteiten decentraal?

Vanuit een ander perspectief; succesvolle winkelformule
Het kan helpen om over deze vraagtukken na te denken vanuit een ander perspectief of een andere bedrijfssector. Dit doen we bij IG&H vaak. Wij maken in dit artikel daarom een nuttige analogie met een oud en vertrouwd businessmodel. In de jaren 50 van de vorige eeuw begon fastfood gigant McDonalds razendsnel de wereld te veroveren. Het concept achter McDonalds (verdienmodel, marketing en uitvoering) was een bewezen succes. Maar de explosieve, winstgevende groei werd met name mogelijk gemaakt door het gekozen businessmodel voor de expansie; het franchise model3.

Een franchise is een businessmodel waarbij (lokale) ondernemingen door individuen worden gerund (franchisenemers) die daarbij het merkrecht, werkwijze en de operationele systemen van een franchisegever gebruiken.

In ruil voor het recht om het merk en businessmodel van de franchisegever te gebruiken om hun producten of diensten te verkopen en om gebruik te kunnen maken van centrale ondersteuning, training en operationele instructies, betaalt de franchisenemer een franchise fee en gaat bepaalde verplichtingen aan.

Een franchise onderneming opereert dus als een individuele vestiging van het franchise bedrijf.

 

Fig 2. Illustratie van het franchise model
Credits:
https://franchisebusinessreview.com/post/franchise-business-model/

Het franchisemodel biedt een business concept belangrijke voordelen die helpen om het snel en duurzaam op te schalen;

  • Toegang tot (lokaal) kapitaal;
  • Behoud van ondernemerschap van lokale vestigingen;
  • Aanwezigheid dichtbij (en enigszins aangepast op) de lokale klant;
  • De mogelijkheid centraal te faciliteren wat lokaal niet kosten-efficiënt gerealiseerd kan worden en/of onderdeel is van de succesformule (bijv. productie, R&D, opleiding, inkoop en marketing);

Bij ieder van deze eigenschappen kunnen wij de link leggen naar geleerde lessen en succesfactoren voor het opschalen van een data science functie binnen een organisatie. Waar het franchise denken het voor McDonalds mogelijk maakte om snel de wereld te veroveren, kan het ook helpen om met Data Science sneller het eigen bedrijf te veroveren.

Het franchise-denken toepassen
Veel verzekeraars streven naar een meer wendbare en meer ondernemende bedrijfscultuur. Eigenaarschap, klantgerichtheid en flexibiliteit zijn daarbij sleutelwoorden. Het principe van lokaal ondernemerschap in het franchisemodel past hier uitstekend bij. Het moedigt zowel de business verantwoordelijke als data scientists aan om met een ondernemende, klantgerichte bril te acteren en de business case bij alles scherp in het oog te houden.

Data science is een breed vakgebied dat zich continu snel ontwikkelt en bij veel bedrijven nog niet volledig is ingebed. Hierdoor is ook een centraal organisatie element waardevol om kwaliteit, doorontwikkeling en innovatie te waarborgen. Net zoals de franchisegever in het franchisemodel vaak bepaalde productiemiddelen, R&D en best practices centraal faciliteert. Een van de voorlopers in het organiseren van data science binnen het verzekeringsbedrijf schakelt binnenkort dan ook over naar een variant van dit model.

Een franchise-geïnspireerd model kan dus waardevol zijn voor organisaties die het CoC snel (willen) ontgroeien, maar die nog niet volwassen genoeg zijn in AI en Digital om een volledige omslag te maken naar een sterk decentraal hybride model, zoals het Spotify model. Echter, welke vorm en specifieke invulling de beste fit is voor een bedrijf hangt af van meerdere factoren. Onder andere; bedrijfsstructuur en -cultuur, de digitale volwassenheid van de organisatie en de data science functie zelf. Omdat de waarde van AI en data science volledig afhangt van de samenwerking met de business en van brede toepassing in het bedrijf, is het essentieel om objectief de huidige situatie in te schatten en de juiste balans te gaan vinden tussen centraal en decentraal, met een bedrijfsspecifieke invulling.

Contact
Mando Rotman
E: mando.rotman@igh.com
Manager Data Science IG&H

Jan-Pieter van der Helm
E: janpieter.vanderhelm@igh.com
Director Financial Services IG&H

1) https://agilescrumgroup.nl/spotify-model/
2) https://www.igh.com/news/page/2/
3) https://franchisebusinessreview.com/post/franchise-business-model/

 

 

Zelf Data Science competenties in huis halen

By Analytics, Casestudies

Wat wilde de klant?​

Onze klant, een toonaangevende logistieke dienstverlener met 30.000 klanten, heeft in de afgelopen jaren haar BI-functie gecentraliseerd en grote stappen gezet in Data Management. Gegeven de toenemende snelheid van technologische ontwikkelingen, behoefte om te innoveren en haar data assets te benutten, kwam de vraag of we de organisatie konden helpen met de opbouw van een Data Science Team. IG&H heeft al in eerdere projecten de meerwaarde en het potentieel laten zien van Data Science.​

Wat was onze aanpak?​

Data Science is een teamsport. Een Data Science team kent verschillende competenties en expertise gebieden en dus ook verschillende functies, zoals een Data Scientist of Data Engineer. Het team interacteert met andere teams binnen een bedrijf zoals bijvoorbeeld BI, IT, Marketing of Sales. Het opbouwen en integreren van een nieuw team in een bestaande organisatie is een grote verandering en kent veel uitdagingen. ​

Bij IG&H hebben we dit zelf meegemaakt in de opbouw van onze Analytics praktijk. Met behulp van de best-practices die we hier hebben ontwikkeld, hebben we de klant geholpen zelf een Data Science team te bouwen, waarbij we naast de opbouw van het team ook veel aandacht hebben besteed aan de samenwerking met andere teams en het management van het nieuwe team.​

Wat hebben we bereikt? ​

In 3 maanden hebben we het fundament gelegd voor een nieuwe competentie die vanaf dag 1 waarde toevoegt aan de organisatie. Hierdoor zijn ze tevens in staat om hun dienstverlening naar een hoger niveau te tillen, en belangrijker nog… om concurrerend en relevant te blijven in een markt die steeds sneller verandert.​

Winstmarge verhoging van 4,8% en data-gedreven aanpak voor logistieke dienstverlener

By Analytics, Clientcases, News

Wat wilde de klant?
Onze klant, een toonaangevende logistieke dienstverlener, moest dringend de marge verhogen wegens een plotselinge stijging in de operationele kosten. Het bedrijf, dat logistieke diensten biedt aan meer dan 30.000 klanten, heeft historisch gezien een verspreide en gefragmenteerde commerciële opzet. De aanpak omtrent tariefcomponenten was gedifferentieerd. Daardoor had het bedrijf een ernstig gebrek aan transparantie over de wijze waarop de prijzen van diverse specifieke diensten voor klanten (zoals bezorging en speciale pakketten) werden vastgesteld. Verder waren de prijzen recentelijk gestegen. Daarom was er een kersverse aanpak nodig om de prijzen opnieuw te verhogen.

Aan IG&H werd gevraagd om:

  • Gedetailleerde inzichten in de bestaande prijsbepalingen en organisatie op klantniveau optimaal te benutten.
  • Een data-gedreven prijsstrategie te ontwikkelen. Dit zou beginnen met een initiële campagne waarbij we intelligente logica, benchmarking en margeanalyses gebruiken om een logischere en stevigere argumentatie voor prijsverhogingen aan te voeren.

Wat was onze aanpak?
Onze eerste grote stap was het bottom-up in kaart brengen van de prijsbepaling. Dit deden we per klant – op basis van de belangrijkste aangeboden diensten en toeslagcomponenten. Daarnaast identificeerden we operationele en contractuele KPI’s. Deze konden als basis dienen voor suggesties en argumentatie omtrent klantspecifieke prijsverhogingen. Daarna classificeerden we klanten om de productmix en prijscomponenten op like-for-like basis te vergelijken. Op basis van eerdere inzichten ontwikkelden we een logica om op intelligente wijze nieuwe prijzen per klant voor te stellen – gericht op een top-down margeverhoging van 5%.

De tweede stap omvatte de lancering van een uitgebreid interactief dashboard voor 140 salesprofessionals. Het doel: voordeel halen uit de recentelijk verworven inzichten én simulaties van de voorgestelde prijsverhogingen mogelijk maken. Er werd een grondige argumentatie voor de onderhandelingen uitgestippeld om het salesteam te ondersteunen. De verdere uitwerking hiervan geschiedde tijdens een tweedaagse salesconferentie. Deze organiseerden we ook om een nadere introductie te geven van de onderhandelingsmethodiek, die was gebaseerd op een stevig onderbouwde prijsbepaling. Bovendien wilden we nog meer toolsuggesties tonen. Verder zorgden we ervoor dat het salesteam een praktijktraining kreeg en oefende met de tool. Zo had het een solide basis voor implementatie in het veld.

Onze derde stap bestond uit het bijhouden van de naleving en het bewaken van de voortgang van het gehele onderhandelingsproces – helemaal tot op klant- en productniveau. Hiermee hadden de salesprofessionals een basis om hun effectiviteit in het bereiken van hun doelen te verhogen. Daarnaast was er ruimte om tijdig te sturen op verschillende managementniveaus. Ook werd het mogelijk om de prijselasticiteit en geïmplementeerde logica organisch te testen om onze eigen opzet in de toekomst te verfijnen.

Wat hebben we bereikt?
Binnen een kort tijdsbestek van vijf weken gingen we van het verzamelen van relevante prijsdata uit diverse bronnen naar het leveren van:

  • Een winstmargeverhoging van 4,8%.
  • Institutionalisering van een meer geavanceerde, data-gedreven commerciële aanpak omtrent prijsbepaling en onderhandelingen.
  • Meer bewustzijn van de kracht van data-science in een inherent complexe omgeving. Dit werd bevestigd door een voortdurende betrokkenheid bij werkzaamheden. Ook bleven we voor deze klant bouwen aan de interne capaciteit.

Wat vond de klant?
“IG&H is een zeer pragmatisch en sterk outputgericht consultancybureau met een sterke data-science-capaciteit. De consultants begrepen onze eisen snel en ontwikkelden een bruikbare aanpak. Deze was perfect geïntegreerd met onze teams en onze organisatie. Daarnaast leverden ze in zeer korte tijd geweldige resultaten.”