De meeste webshops sturen op campagnekalender, omzetdoel of ROAS. Ensyra kiest per klantcontext de actie met de hoogste verwachte netto bijdrage: sturen, ander kanaal kiezen, korting onderdrukken of bewust niets doen.
De Decision Learning Engine rangschikt mogelijke acties voor dezelfde klant op verwachte scenario-waarde. Een actie wint alleen als de verwachte waarde hoger is dan het alternatief, inclusief de nuloptie: geen contact, geen korting, geen kosten.
Beslisregelscenario value(action | context) = P(conversie) x marge - korting - kanaalkosten - verwacht retourverlieskies action als scenario value > scenario value(do_nothing)
Kleine set alternatieven
Per klantcontext worden alleen relevante keuzes beoordeeld: bijvoorbeeld win-back met korting, win-back zonder korting, retourpreventie, productadvies, kanaaltest of do_nothing.
Same-context experimenten
De vergelijking blijft eerlijk doordat treatment en holdout dezelfde context delen: lifecycle, klantwaarde, margin risk, discount bucket en categoriecontext.
Recency-weighted learning
Nieuwe resultaten krijgen meer gewicht dan oude resultaten. Als kanaalkosten, seizoen of klantgedrag veranderen, verschuift de ranking mee.
Guardrails voor winst en klantdruk
Opt-in, kanaalbeschikbaarheid, blackout periods en contactdruk beperken welke acties uitvoerbaar zijn. Dat voorkomt dat korte termijn omzet de klantrelatie of marge beschadigt.
Waarom dit pijn oplost.
Wanneer CAC stijgt en marges dalen, worden brede kortingen gevaarlijk. Ensyra maakt van iedere actie een vergelijking tussen verwachte opbrengst en totale kosten.
KortingslekSuppressie als keuze
Als een klant waarschijnlijk zonder korting koopt, wordt korting niet automatisch gegeven maar getest tegen geen korting.
KanaalkostenContact moet renderen
Een duurder kanaal wint alleen als de extra winst groter is dan het kostenverschil.
LerenBewijs boven intuïtie
De ranking verschuift van prior verwachting naar geleerd effect zodra sample size en confidence voldoende zijn.
Van hypothese naar actie.
Stap
Vraag
Uitkomst
Context
In welke commerciële situatie zit deze klant?
Lifecycle, waarde, risico, marge en discountgevoeligheid worden samengevat.
Alternatieven
Welke acties zijn logisch en toegestaan?
Een kleine set action arms, inclusief do_nothing.
Vergelijking
Welke keuze heeft de hoogste verwachte netto waarde?
Ranking op verwachte scenario-impact.
Bewijs
Wat gebeurde er ten opzichte van holdout?
Gevalideerde uplift per gebruiker en confidence per context wanneer outcomes beschikbaar zijn.
Veelgestelde vragen
Vervangt Ensyra mijn campagnekalender?
Nee. Ensyra voegt een beslislaag toe boven campagnes en kan bepalen welke klanten in welke context wel of juist niet benaderd worden.
Waarom is do_nothing belangrijk?
Omdat winstmaximalisatie soms betekent dat je geen kanaalkosten maakt, geen korting weggeeft en de klant niet extra belast.
Hoe technisch is de uitleg in de app?
De app toont de commerciële rekensom: verwachte waarde, kosten, gevalideerde uplift waar beschikbaar, sample size en confidence. Geen ontwikkeltaal nodig om de beslissing te begrijpen.