machine learning bij ADO Den Haag - Rockfeather

Key findings voor machine learning bij ADO Den Haag

Voorspellen van opzeggingen vanuit seizoenkaarthouders
Gerichte acties per segment om churn te verminderen
Sturen op basis van data-gedreven inzichten
Meerwaarde uit bestaande data halen met Machine Learning

Voor voetbalclubs die uitkomen op het hoogste niveau zijn seizoenkaarten een van de belangrijkste inkomstenstromen. Een club heeft er dan ook baat bij om het aantal opzeggingen zo laag mogelijk te houden. Het is voor veel clubs echter moeilijk om in te schatten wie er nou precies weggaat. In deze casus laten wij zien hoe wij bij ADO Den Haag met een voorspellend model, op basis van machine learning, hebben gezorgd voor inzicht in mogelijke opzeggingen. 

Belang van seizoenkaarten

Elke seizoenkaart die wordt verlengd is voor ADO Den Haag belangrijk. Niet alleen om omzetdoelstellingen te behalen, maar ook om supporters te blijven binden. De voetbalclub wilde dan ook meer inzicht in het gedrag van supporters omtrent de seizoenkaarten, zodat zij gerichte acties kan inzetten om opzeggingen zoveel mogelijk te voorkomen 

“Ik wil graag inzicht in welke seizoenkaarthouders extra aandacht nodig hebben om bij de club betrokken te blijvenzonder de rest van de trouwe achterban te vergeten”, vertelt Robin Burgman, Marketing Manager bij ADO Den Haag. Met dit vraagstuk gingen we aan de slag op basis van historische data. 

Ongebruikte data is goud waard

Voordat het projectteam aan de slag kon met het voorspellen van data, werd eerst historische data geanalyseerd. Hierbij werden verschillende machine learning-methodieken gebruikt: “Door het onderzoeken van de historische data ontdekten we interessante verbanden tussen de opzeggingen enerzijds en de kenmerken en gedrag van de seizoenkaarthouders anderzijds”, vertelt Alexander Mik. Als consultant bij Rockfeather is Alexander nauw betrokken geweest bij het uitdenken en opzetten van het zogenaamde churnmodel. “We wilden de opzeggers van de afgelopen seizoenen identificeren, zodat we patronen kunnen herkennen in de data van mensen die wél verlengen en van mensen die opzeggen, legt Alexander uit. 

Opvallend is dat de grootste factor blijkt te komen uit data die wel al voorhanden was, maar nog niet eerder gebruikt werd: de scan logs van de binnenkomst in het Cars Jeans Stadion. Komt iemand de laatste 5 wedstrijden van het seizoen niet? Dan is de kans groter dat hij of zij de seizoenkaart opzegt, vertelt RobinDat klinkt als vanzelfsprekend, maar in het verleden is er vaak gekeken naar het totaal aantal bezochte wedstrijden en niet per definitie naar de vraag of de laatste duels van een seizoen werden bezocht.   

Data science modellen zijn 80% nauwkeurig

Voor het voorspellen van opzeggingen is informatie uit zowel interne als externe databronnen gebruiktZo werd er naast de interne scan log data ook gebruik gemaakt van ticketingdata en wedstrijdschema’s. Om een betere voorspelling te kunnen maken werd externe informatie over het weer en de reisafstand tot het stadion gebruikt. 

Ode data van al deze verschillende bronnen te kunnen benutten, gebruikt het projectteam Alteryx. “Met Alteryx kun je de data uit verschillende bronnen opschonen, samenvoegen en verrijken met externe data”, vertelt Alexander. “Daarnaast kunnen we ook het voorspellend model bouwen in Alteryx. Het model deelt de seizoenkaarthouders op in verschillende segmenten en geeft elk segment een bepaald percentage. Hierdoor weten we hoe groot het model de kans acht dat een persoon van een bepaald segment gaat opzeggen”.  

Uit testen op de historische data blijkt dat het model nu al voor 80% accuraat is. Met andere woorden: het kan met 80% zekerheid voorspellen of personen in een segment verlengen of opzeggen. Robin: “Nu weten we bij welke segmenten er een grotere kans bestaat dat er niet verlengd zal worden. Dat geeft ons nuttige informatie voor de communicatie en misschien zelfs wel het aanbod richting deze doelgroepen. We kunnen op deze manier data-gedreven sturen.”  

Deze insteek past in een bredere aanpak binnen de voetbalclub, waarbij data-gedreven informatie via dashboards ontsloten wordt. “We willen meer geautomatiseerd en data-gedreven gaan sturen”, vertelt Jachin Wildemans, CFO van ADO Den Haag. “Zowel de voorspellende modellen alsmede de dashboards zullen ons hier bij helpen”. Klik hier om meer te lezen over het data visualisatie project bij ADO Den Haag waar Rockfeather aan heeft bijgedragen. 

Gerichte communicatie door voorspellingen

Door de coronamaatregelen is er een uitzonderlijke situatie ontstaan. Toch is het ook in de huidige situatie interessant om te kijken naar de opzegvoorspellingen, vindt Jachin: “Als seizoenkaarthouders al een hoge kans van opzegging haddendan is de kans klein dat ze met gerichte communicatie van gedachten gaan veranderenDitzelfde geldt natuurlijk voor seizoenkaarthouders die hoogstwaarschijnlijk al gingen verlengenDoor de voorspellende inzichten weten we nog beter op welke groepen we communicatie in willen en moeten zetten.”  

Robin verwacht veel van het model in de komende periode. “Natuurlijk hopen we dat we richting het volgende seizoen weer met publiek kunnen spelenOp basis van de huidige inzichten willen we per doelgroep kunnen bepalen waar eventuele opzeggingen vandaan komen. Klopt ons aanbod nog wel of moeten we op een andere manier communiceren? Deze churn-voorspellingen moeten ons ook helpen om beslissingen te kunnen onderbouwen.” 

Robin: “Onze doelstelling is om bij elke thuiswedstrijd een zo (sfeer)vol mogelijk Cars Jeans Stadion te hebben, waarbij iedereen een fantastische voetbalbeleving kan ervaren. Inzicht op basis van data is daarbij cruciaal en ik ben ervan overtuigd dat Rockfeather daar een zeer nuttige en belangrijke bijdrage aan heeft geleverd. De mensen van Rockfeather hebben namelijk een hele proactieve houding. Ik vind het fijn dat er wordt meegedacht om tot nieuwe en interessante inzichten te komen, die ons als organisatie en als club verder kunnen brengen  

Ga ook aan de slag met data science

Wil je binnen jouw organisatie ook aan de slag gaan met voorspellende modellen om zo gerichter te kunnen sturen? Neem dan contact met ons op!

Cases & Solutions

Nog meer cases en oplossingen lezen? Vind ze hieronder of klik op de knop voor alle cases en oplossingen.

Datagedreven inzichten ADO Den Haag

Datagedreven inzichten met dashboards bij ADO Den Haag

ADO Den Haag is als voetbalclub bekend om haar groen/gele kleuren en de kenmerkende ooievaar. Wat veel mensen echter niet weten, is dat ADO Den Haag achter de schermen een heuse datatransformatie ondergaat. De club krijgt door middel van data nog meer inzicht in haar performance, zodat zij beter kan anticiperen en sturen. De eerste stap is het automatiseren van handmatige overzichten en het creëren van dashboards in Power BI.

Lees meer
Data-driven planning Pro Rail - Rockfeather

Datagedreven plannen bij ProRail

In 2030 wil ProRail 30% meer capaciteit hebben voor het laten rijden van treinen. Dat vraagt nogal wat van de organisatie, en van de besturing. Datagedreven inzichten zijn dan ook onontbeerlijk. Dashboards in Microsoft Power BI geven realtime informatie over de prestaties, de trends en de gevolgen voor de planning van spoorwerkzaamheden. Dit verbetert de procesgerichte en datagedreven besluitvorming, zodat ProRail invulling kan geven aan de forse groeiambitie.

Lees meer
All cases