De kern in het kort
- De uitgeverij registreerde eerst zoveel mogelijk kenmerken van boekvoorstellen in een nieuw opgezette database.
- Na twee jaar bevatte de database ruim 15.000 voorstellen; ongeveer 8% werd gepubliceerd, waarvan ruim 350 echt succesvol waren.
- Het analyticsproject zelf duurde slechts vier maanden en leverde een voorspellend model op met verbanden die de meeste uitgevers niet kenden.
- Het model geeft per voorstel een van drie adviezen: niet uitgeven, wel uitgeven of twijfel.
- Het rendement op de uitgaven steeg over de volle breedte met 13%.
Het beoordelen van uitgaven
Uitgevers hebben in de loop der jaren veel kennis en ervaring opgedaan met het beoordelen van uitgaven. Een aantal keer per week krijgen zij een boekvoorstel of manuscript. Door drukte kunnen sommige helemaal niet of niet serieus in behandeling worden genomen. Dat is jammer, want daartussen kunnen pareltjes verborgen liggen: boeken die waarschijnlijk goed gaan lopen, of zelfs bestsellers. De uitgeverij verwachtte met business analytics, en meer specifiek predictive analytics, een belangrijk concurrentievoordeel te behalen.
Eerst registreren: een nieuw opgezette database
Uit een eerste informatieanalyse bleek dat nogal wat kenmerken bepalend kunnen zijn voor het succes van een uitgave, maar precies wist niemand het. Omdat de uitgeverij die kenmerken nog niet registreerde, besloot ze eerst zoveel mogelijk kenmerken vast te leggen in een nieuwe database. Auteurs zenden hun voorstel of manuscript in via de website van de uitgeverij: het onderwerp, het aantal afbeeldingen, het aantal bladzijden, de hoofdstukindeling, eerdere publicaties van de auteur, of de auteur lezingen geeft, het netwerk van de auteur op LinkedIn, enzovoort. Bij de intake controleert de naaste medewerker van de uitgever deze gegevens op fouten.
Ruim 15.000 boekvoorstellen
Na twee jaar had de uitgeverij een database opgebouwd met ruim 15.000 boekvoorstellen. Ongeveer 8% daarvan werd gepubliceerd, en daarvan bleken er ruim 350 echt succesvol. Daarna is begonnen met de bouw van een toepassing met tools voor datamining. De uitgeverij verzamelde ook allerlei marktgegevens, onder meer via webscraping met Python, over thema’s die goed in de markt leken te liggen. De dataminingmodule wist allerlei verbanden te leggen tussen het succes van een uitgave en de kenmerken van een boekvoorstel.
Een voorspellend model met drie adviezen
Het analyticsproject zelf duurde slechts vier maanden en leverde een voorspellend model op met enkele interessante verbanden die de meeste uitgevers niet kenden, al vonden ze die achteraf logisch. Deze verbanden zijn als machine-learningmodel in het registratiesysteem opgenomen. Als een auteur een boekvoorstel met de kenmerken invoert, komt het systeem zelf met een advies aan de uitgever: niet uitgeven bij overduidelijke risico’s, wel uitgeven bij overtuigende kansen, of twijfel.
De drie adviezen van het model
Wat er bij elk advies gebeurt.
Wanneer
Vervolg
Uitgeven
Overtuigende kansen
Direct door naar de uitgever
Twijfel
Geen duidelijk signaal
Aangehouden; zo nodig geraadpleegd
Niet uitgeven
Overduidelijke risico’s
Niet in behandeling genomen
Het resultaat: 13% meer rendement
Positieve adviezen werden onverwijld automatisch doorgestuurd naar de uitgevers; de twijfelgevallen werden aangehouden en konden door de uitgevers worden geraadpleegd bij gebrek aan betere voorstellen. Door datamining toe te passen zorgde de uitgeverij niet alleen voor een betere intake van boekvoorstellen, maar verhoogde ze ook het rendement op haar uitgaven over de volle breedte met 13%. Men werd zich bovendien beter bewust van het belang van kennis in de organisatie, en dat het delen van die kennis grote voordelen kan hebben.
Hoe Diamond Decisions predictive analytics aanpakt
De case laat de juiste volgorde zien: eerst de beslissing, dan de data, dan het model. Bij business modeling bepalen we welke terugkerende beslissing ondersteuning verdient, bij data-analyse leggen we de kenmerken vast en bouwen we het model, en beslissers krijgen een advies dat ze kunnen volgen of terzijde leggen.
Conclusie
De les van deze case: een algoritme kan alleen adviseren over wat is vastgelegd. Twee jaar consequent kenmerken registreren maakte een analyticsproject van vier maanden mogelijk, en dat project zette de impliciete kennis van ervaren uitgevers om in een model dat elk voorstel beoordeelt, ook de voorstellen waar niemand tijd voor had.
Spreek de auteur
Caroline RaaijmaakersDiamond Decisions
Bespreek je vraag met Caroline
Vertel welke uitdaging je in dit verhaal herkent. In een vrijblijvend gesprek vertalen we de lessen naar jouw organisatie.
Plan een kennismaking →Diamond Decisions
Onze aanpak in 4 stappen
Van inspiratie en businessmodel tot data-analyse en betere beslissingen: zo pakken we het ook bij jou aan.
Bekijk onze aanpak →Veelgestelde vragen
01
Hoe behaalde de uitgeverij 13% meer rendement?
Door twee jaar lang de kenmerken van ruim 15.000 boekvoorstellen vast te leggen en daarop een voorspellend model te bouwen. Het model adviseert per voorstel over wel of niet uitgeven, zodat kansrijke voorstellen niet meer over het hoofd worden gezien en risicovolle worden uitgefilterd.
02
Welke data gebruikte het model?
Kenmerken van het voorstel en de auteur, zoals onderwerp, aantal bladzijden en afbeeldingen, hoofdstukindeling, eerdere publicaties, lezingen en LinkedIn-netwerk, aangevuld met marktgegevens over thema’s die goed in de markt lagen.
03
Wat is het verschil tussen datamining en predictive analytics?
Datamining zoekt in grote datasets naar patronen en verbanden. Predictive analytics gebruikt zulke patronen in een model om voor een nieuw geval een uitkomst te voorspellen, hier de kans dat een boekvoorstel een succes wordt.
04
Is deze aanpak haalbaar voor een mkb-bedrijf?
Ja, voor elke beslissing die vaak terugkeert, zoals het beoordelen van offerteaanvragen, leads of sollicitanten. Begin met het consequent vastleggen van de kenmerken en de uitkomst; na voldoende gevallen kan een eenvoudig model de beoordeling al ondersteunen.
Verder lezen
Over de auteur
Over Diamond Decisions
Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.


