Welkom terug bij deze blogreeks over de praktische gebruiksmogelijkheden van Artificial Intelligence binnen marketing. Vorige week hebben we uitgebreid besproken hoe men Artificial Intelligence definieert en wat er allemaal aan verbonden is. Tevens bood de gevonden literatuur enkele praktische toepassingen voor marketing. Echter – gezien de snelle ontwikkelingen binnen dit werkveld – zijn er steeds meer interessante gebruiksmogelijkheden voor Artificial Intelligence, zo veel dat de literatuur het niet meer bij lijkt te houden. 

Hoe kunnen we dan toch een goed beeld schetsen van de meest interessante marketingtoepassingen? Juist, door met iemand te spreken die hier daadwerkelijk dagelijks mee werkt. 

Even voorstellen…

Om dieper in te gaan op de praktische toepassingen van Artificial Intelligence spreken we Maarten Stolk, co-founder van zowel Enjins als Deeploy. Twee bedrijven die beide werken met Machine Learning. 

Naast de praktische marketing toepassingen vragen we Maarten tevens naar zijn visie op het begrip ‘Artificial Intelligence’, algemene bedrijfstoepassingen en zijn visie op de toekomst van het fenomeen. 

Maar allereerst, wie is Maarten precies? En waarom is juist hij degene die ons hierover kan informeren?

Dus Maarten, waar houd jij jezelf voornamelijk mee bezig binnen dit werkveld?

“Ik heb in de afgelopen jaren twee bedrijven opgericht op het gebied van Machine Learning en AI. De een is een projecten bedrijf: Enjins. Binnen deze onderneming voeren wij Machine Learning projecten uit voor andere bedrijven. Zo tekenen we Machine Learning toepassingen uit en/of ontwikkelen we ze daadwerkelijk. Tevens zorgen we ervoor dat dit model steeds beter wordt op het moment dat deze daadwerkelijk in productie draait. Het andere bedrijf, Deeploy, zorgt ervoor dat die modellen uiteindelijk ook (enigszins) aan de mens uit kunnen leggen waarom zij bepaalde keuzes maken; dit noemen we ook wel Explainable AI (XAI).”

Cool! En hoelang ben je zelf al actief binnen het werkveld?  

“Echt net een weekje”, zegt Maarten grappend. Maar daar is niets minder van waar. Hij vervolgt zijn verhaal dan ook met: “Stiekem ben ik er al ruim 10 jaar mee bezig, in verschillende vormen”. 

Wat bedoel je precies met verschillende vormen? 

“Nouja, puur met deze bedrijven vier jaar, maar daarvoor was ik ook al ruim zes jaar bezig met dit gele onderwerp. Tevens was ik heel veel bezig met data, techniek en mensen. Ik denk dat het al veel langer in me zit dan puur alleen Enjins en Deeploy. Zo maakte ik vroeger tijdens het spelen van Fifa al lijstjes met hoe goed mijn spelers zouden kunnen worden en verzon ik hier ‘data oplossingen’ voor. Toen was ik misschien zes jaar oud.” 

Aha! Data, techniek en mensen zeg je, waarom heb je uiteindelijk voor Machine Learning gekozen? 

“Ik denk dat dat altijd al in me zat. Er was altijd een passie voor data en techniek, ik denk dat Machine Learning een hele interessante toepassing hiervan is. Juist op dit moment is de interactie tussen mens en model super belangrijk, en zo komen alle drie mijn interesses terug binnen dit speelveld. Ik denk niet dat ik heel bewust heb gekozen voor Machine Learning, ik denk dat het iets is waar ik altijd al naartoe aan het bewegen was.” 

Maarten’s blik op Artificial Intelligence

Hoe zou jij Artificial Intelligence in je eigen woorden omschrijven?

“Persoonlijk denk ik dat Artificial Intelligence een voortvloeisel is uit iets waar we al voor langere tijd mee bezig waren: digitalisering. Toen er steeds meer processen gedigitaliseerd werden, kregen ICT’ers steeds vaker te maken met langdurige, repetitieve taken die gemakkelijk geprogrammeerd konden worden.  Hier is de basis gelegd voor wat Artificial Intelligence vandaag de dag is. Artificial Intelligence is in mijn ogen dan ook echt een hulpmiddel voor en door mensen om saaie, repeterende taken af te vangen en/of complexe verbanden te vinden in grote datasets.” 

De literatuur spreekt over een zelflerend systeem, hoe zie jij dit? 

“Ik denk dat we af moeten van het idee dat AI een volledig zelflerend systeem is; een soort robot. Dat is het namelijk niet. Het is echt iets dat we zelf maken, zelf programmeren. Maar, het heeft wel enorme potentie.” 

Enorme potentie, zou je dit kunnen toelichten?

“De patronen die een AI systeem kan vinden, kunnen complexer zijn dan dat wij zelf begrijpen. Zo kan een AI systeem connecties leggen die de mens nooit in deze dataset had kunnen vinden. Een kanttekening hierbij is wel dat wij nog steeds degene zijn die het in een bepaalde setting laten opereren, het model krijgt geen ‘eigen leven’. 

Kritiek op de term ‘Artificial Intelligence’

Maarten geeft aan dat de term ‘Artificial Intelligence’ teveel tot de verbeelding spreekt. Zo zegt hij: “Ik vind de term eigenlijk heel stom, AI is namelijk helemaal niet ‘intelligent’ en ook niet ‘artificieel’.” Hij kan zich beter vinden in de term Machine Learning: “Ik vind Machine Learning een veel betere term; het leert namelijk. Het is een machine die steeds beter leert van data uit het verleden. De term Artificial Intelligence suggereert een soort levend wezen dat op zichzelf staat, dat is gewoon niet zo.” 

Artificial Intelligence in het bedrijfsleven

Als we kijken naar het bedrijfsleven, hoe kan men Artificial Intelligence gaan implementeren?

“Ik denk dat het allereerst goed is om na te denken over je organisatie zoals deze nu staat. Ik zou kijken naar je huidige processen en je huidige structuur. Vervolgens kun je gaan kijken wat er mogelijk is met behulp van o.a. Machine Learning binnen deze bestaande processen. Waar kun je dingen verbeteren, automatiseren, repeterende taken overnemen of mensen ondersteunen? Met deze bevindingen kun je uiteindelijk aan de slag: je kunt een Machine Learning bedrijf inschakelen, of eventueel je eigen Machine Learning engineer aan het werk zetten. 

Heb je een voorbeeld van een bedrijf dat een van de reeds bestaande processen heeft geoptimaliseerd door middel van Machine Learning? Hoe ging dit in zijn werk? 

“Laten we een fictief bedrijf nemen: een bemiddelaar die namens jou vergoedingen verhaalt op luchtvaartmaatschappijen. Zo’n vergoeding kun jij als reiziger bijvoorbeeld krijgen wanneer je vlucht vertraagd was, echter kost deze procedure veel tijd. Deze onderneming neemt dit proces uit handen en vraagt hiervoor een commissie over de te ontvangen vergoeding, geheel no cure no pay. Deze onderneming ontvangt dagelijks een grote hoeveelheid claims van reizigers die een vergoeding zouden willen ontvangen, de verwerking hiervan bevat veel saaie, repetitieve handelingen. Zo moeten de medewerkers bepalen of de claim daadwerkelijk recht heeft op een vergoeding en hoe hoog deze vergoeding moet zijn op basis van de totale vertraging. Tevens moeten zij letten op overige omstandigheden die de vergoeding kunnen beïnvloeden. Om een groot deel van het repetitieve werk ‘uit handen te nemen’ hebben we een Machine Learning model gemaakt. Dit model hebben we getraind met oude data, beslissingen die de medewerkers hadden gemaakt op basis van de gepresenteerde informatie. Het model heeft een grote hoeveelheid van deze data geanalyseerd en is hierdoor patronen gaan zien. Zo kon het claims zonder slagingskans na verloop van tijd snel uitfilteren en simpele claims zelf afhandelen. In eerste instantie zaten de medewerkers hier bovenop, zij keken of ze het eens waren met de keuzes die het model maakte en gaven hier feedback op. Wanneer het model een verkeerde keuze maakte konden zij dit manueel ‘overrulen’, waar het model weer van kon leren. Momenteel werk het model zelfs zo goed, dat er enkel periodieke checks nodig zijn. Verder hoeven de medewerkers enkel nog naar de ‘exotische gevallen’ te kijken; de claims waar het model niet uit komt omdat er onbekende informatie is ingevuld. Hierdoor kan dezelfde hoeveelheid medewerkers dagelijks meer claims afhandelen en liggen de kosten per claim vele malen lager dan voorheen.” 

Artificial Intelligence en marketing

En dan nu het onderwerp waar we misschien wel het meest benieuwd naar zijn. Hoe kunnen we Artificial Intelligence dan inzetten binnen marketing? Ook op dit gebied heeft Maarten praktijkervaring. 

“De voornaamste toepassing binnen marketing is toch wel personalisering als je het mij vraagt. Artificial Intelligence kan jou als marketeer helpen met segmenteren, nog veel beter dan dat dat al kon via Google Analytics, Facebook Ads Manager, etc. Vooral wanneer je veel first-party data hebt; data die een klant, gebruiker, etc. aan jou geeft, zowel bewust (contactformulieren, aanmeldformulieren, etc.) als onbewust (website-/app-gebruik). Wanneer je Machine Learning inzet om te leren van dit soort data, krijg je al snel een steeds beter beeld van de behoeften van jouw klanten. Als marketeer kun je hier uiteraard goed op inspelen. Stel je bent een marketeer bij een bank, dan zou een Machine Learning model jou inzicht kunnen bieden over de producten die een klant mogelijk zou willen gaan gebruiken. Bepaalde bestedingspatronen (niet inzichtelijk tot in detail i.v.m. privacy, maar voldoende voor het ontdekken van patronen) zijn te herleiden naar bepaalde levensfases en op zijn beurt specifieke behoeften. Hierbij kun je denken aan hypotheken of beleggingsrekeningen. Met inzicht in deze specifieke behoeften kun je als marketeer relevante aanbiedingen onder de man brengen.”

Aha, AI kan je marketinguitingen dus nog persoonlijker maken. Zijn er nog andere toepassingsmogelijkheden die in je opkomen? 

“Marketing gaat natuurlijk verder dan enkel de marketinguiting. Hier komt ook een stukje pricing bij kijken. Artificial Intelligence kan worden ingezet voor het dynamisch en/of persoonlijk prijzen van artikelen en diensten. Uber maakt bijvoorbeeld gebruik van dynamisch prijzen, als de vraag toeneemt, of er minder chauffeurs beschikbaar zijn, zul je meer betalen. Sommige boekingswebsites voor hotels, vluchten, etc. maken gebruik van zogeheten persoonlijke prijzen d.m.v. tracking cookies. Als jij vaker terugkeert naar de pagina kunnen zij de prijs voor jou aanpassen: zowel hoger als lager. Zo proberen ze je over de streep te trekken om over te gaan tot een aankoop.” 

Ontwikkelingen & de toekomst van Artificial Intelligence 

Zijn er interessante ontwikkelingen op het werkveld die jij momenteel volgt? 

“Ik denk dat dit werkveld continue in ontwikkeling is; het is veel volwassener aan het worden. Waar veel bedrijven vroeger 1 á 2 ‘slimmeriken’ aannamen om zich ‘bezig te houden met AI’ (waar men in de organisatie verder niks van begreep), zijn we momenteel echt Machine Learning producten aan het bouwen met een product owner, een designer, etc. Deze ontwikkeling in volwassenheid gaat heel geleidelijk, maar is zeker interessant om te volgen. Waar wij binnen Deeploy extra de focus op leggen is op het uitlegbaar maken van de beslissingen die een Machine Learning model maakt: Explainable AI (XAI). Ook op dit gebied speelt er veel, vooral op het gebied van (inter)nationale wetgevingen. Deze houden we natuurlijk goed in het oog.”

Het uitlegbaar maken van een Machine Learning model zeg je, wordt dit nu pas als écht belangrijk gezien? 

“Explainability was eigenlijk altijd al belangrijk, alleen zagen we het teveel als een sequentieel process: we gaan eerst een modelletje maken, dan gaan we nadenken hoe het in productie komt. Pas dan komen we erachter dat het juridisch allemaal geen hout snijdt en dat niemand het meer begrijpt. Wanneer je hier een paar keer tegenaan loopt kom je er al snel achter dat dit soort zaken hartstikke belangrijk zijn. Omdat het werkveld dus steeds volwassener wordt, zien we dat explainability vandaag de dag steeds beter geïntegreerd wordt in het ontwikkelen van AI toepassingen.” 

Hoe zie jij de toekomst van Artificial Intelligence in het bedrijfsleven voor je? 

“Nog vele malen volwassener, grootschalig ingezet, uitlegbaar en transparant. Ik denk dat de potentie echt enorm is, op allerlei vlakken: de energiemarkt, de transportwereld, de automotive wereld, de financiële sector, bij de overheid, het medisch circuit, etc. Er zijn zoveel verschillende toepassingen die nu ontwikkeld zijn/worden, maar nog niet echt gebruikt (kunnen) worden. Dit zal in de komende jaren hard gaan veranderen.” 

Wat voor gevolgen heeft dit voor de markt? 

“Voorspellingen gedaan door o.a. McKinsey beweren dat we over 10-15 jaar maarliefst 50 tot 100 procent rijker kunnen zijn. Als in: we hoeven minder te werken, om meer geld te verdienen. Machine Learning speelt hierin de hoofdrol, het kan dagelijkse taken namelijk veel efficiënter maken, of zelfs geheel uit handen nemen. Zo houden we meer tijd over om dingen te doen die we leuk vinden, waardoor we ook nog eens gelukkiger zijn. Ik denk dat Machine Learning die ‘promise’ ook echt na kan komen, zeker wanneer de mate van volwassenheid op het werkveld blijft toenemen.” 

Dat was ‘m dan, hopelijk heeft dit interview jou een duidelijk beeld gegeven van hoe AI in de praktijk wordt toegepast; onder andere binnen marketing. Volgende week vervolgen we deze blogreeks met de zogeheten ‘macro analyse’ omtrent AI.