In deze blogreeks wordt er ingezoomd op Artificial Intelligence en de praktische gebruiksmogelijkheden van Artificial Intelligence binnen marketing. In dit eerste blogartikel zal de theorie rondom Artificial Intelligence uiteenworden gezet, waarbij de volgende vragen worden beantwoord:
- Wat is Artificial Intelligence?
- Welke begrippen zijn er aan Artificial Intelligence verbonden?
- Hoe kun je Artificial Intelligence implementeren binnen de marketingafdeling?
Om deze vragen te kunnen beantwoorden is er gebruik gemaakt van intensieve deskresearch op basis van verscheidene – reeds verschenen – publicaties. Een compleet overzicht van de gebruikte literatuur is terug te vinden in de literatuurlijst onderaan de pagina.
Wat is de definitie van Artificial Intelligence (AI)?
Laten we beginnen bij het begin… Wat bedoelt men nu precies met Artificial Intelligence? In een publicatie van het Europees Parlement (2021) wordt Artificial Intelligence gedefinieerd als: “de mogelijkheid van een machine om mensachtige vaardigheden te vertonen – zoals redeneren, leren, plannen en creativiteit”. Zo zou AI het technische systemen mogelijk moeten maken om hun omgeving waar te nemen, om te gaan met deze waarnemingen en uiteindelijk problemen op te kunnen lossen om een specifiek doel te bereiken.
Joost N. Kok, Egbert J. W. Boers, Walter A. Kosters en Peter van der Putten (2009) – onderzoekers en professoren aan de Computer Science faculteit van de Universiteit Leiden – definiëren Artificial Intelligence in hun paper ‘Artificial Intelligence: definition, trends, techniques and cases’ als volgt: “Artificial Intelligence houdt zich bezig met de ontwikkeling van computers die in staat zijn om mensachtige denkprocessen na te bootsen, zoals: leren redeneren en zelfcorrectie”. In deze definitie zijn veel overeenkomsten terug te zien met de eerdere definitie van het Europees Parlement (2021).
De derde en laatste definitie die deze blog behandeld komt van Neil Sahota en Michael Ashley (2019). In hun boek ‘Own the AI Revolution’ omschrijven zij Artificial Intelligence als volgt: “Artificial Intelligence is een computer die in staat is om onafhankelijk te leren en beslissingen te nemen”. Hierbij geven zij een duidelijk onderscheid tussen twee vormen van het begrip Artificial Intelligence, namelijk: ‘Artificial General Intelligence’ en ‘Artificial Narrow Intelligence’. Hier komen we later in deze blog op terug.
Na het lezen van bovenstaande definities valt het volgende op: iedere definitie spreekt in zekere zin over een computer die menselijke vaardigheden nabootst. Vaardigheden die worden genoemd zijn: redeneren, (onafhankelijk) leren, plannen, creativiteit, zelfcorrectie en het nemen van beslissingen.
In deze blog houden we de volgende – uit voorgaande definities samengestelde – definitie aan: “Artificial Intelligence houdt zich bezig met de ontwikkeling van Computers die in staat zijn om menselijke vaardigheden zoals redeneren, (onafhankelijk) leren, plannen, creativiteit en zelfcorrectie na te bootsen”.
Welke begrippen zijn er aan Artificial Intelligence verbonden?
Wanneer je je verdiept in Artificial Intelligence kom je al snel een zee aan informatie tegen. In al deze informatie kom je al snel een reeks interessante begrippen tegen die sterk samenhangen AI als geheel. Om je een beter beeld te geven van het werkveld bekijken we een aantal van dit soort begrippen.
Je hebt het net al even kort voorbij zien komen, Artificial Intelligence kan – volgens Neil Sahota en Michael Ashley (2019) – worden opgesplitst in twee varianten. Artificial General Intelligence (AGI) en Artificial Narrow Intelligence.
Artificial General Intelligence (AGI)
Wat valt er nu precies onder Artificial General Intelligence? Kort samengevat betreft dit alles wat men ziet met betrekking tot super geavanceerde AI in fictiefilms. Je kunt hierbij denken aan humanoïde robots die zich vergelijkbaar met – en in sommige gevallen niet te onderscheiden van – de mens gedragen. Hierbij draait het dus om het nabootsen van de mens in zijn geheel, niet alleen alle denk- en leerprocessen, maar ook het menselijk gedrag.
Artificial General Intelligence is echter momenteel niet meer dan fictie. Wetenschappers en ingenieurs zijn met de huidige technologie namelijk nog mijlenver van dit ideaal. Het andere type AI – Artificial Narrow Intelligence – bestaat daarentegen al een tijdje (Sahota & Ashley, 2019).
Artificial Narrow Intelligence (ANI)
Maar wat is dan Artificial Narrow Intelligence? Waar Artificial General Intelligence om het nabootsen van alle menselijke processen draait, richt Artificial Narrow Intelligence zich – zoals de naam al suggereert – op een zeer beperkt aantal onderwerpen en/of processen (Sahota & Ashley, 2019).
Artificial Narrow Intelligence, ook wel zwakke of smalle AI genoemd, is de enige vorm van AI die we tot nu toe succesvol hebben gerealiseerd. ANI is doelgericht, ontworpen om eenvoudige taken uit te voeren en is zeer intelligent wanneer het aankomt op het voltooien van de specifieke taak waarvoor het geprogrammeerd is (Taulli, 2019). Voorbeelden van Artificial Narrow Intelligence zijn: gezichtsherkenning, spraakherkenning, virtuele assistenten die voor je zoeken op het internet en auto’s die zichzelf besturen (Escott, 2017).
Artificial Narrow Intelligence heeft het afgelopen decennium talloze ontwikkelingen doorgemaakt. Dit komt mede door prestaties op het gebied van machine- en deep learning (Escott, 2017), twee belangrijke onderdelen binnen Artificial Narrow Intelligence. Omdat juist deze twee begrippen veel voor jouw marketingstrategie kunnen betekenen, worden ze beiden toegelicht in het vervolg van deze blog.
Machine Learning
Machine Learning (ML) is een vorm van Artificial Intelligence (AI), gericht op het bouwen van systemen die van verwerkte data kunnen leren en hierdoor beter gaan presteren. Tegenwoordig wordt Machine Learning grootschalig toegepast, bijvoorbeeld bij de communicatie met bedrijven, bij het online winkelen en bij het gebruik van social media. Hierbij zorgt Machine Learning ervoor dat onze ervaringen veilig, soepen en efficiënt verlopen (Oracle, 2021).
Binnen Machine Learning kennen we twee soorten algoritmen: ‘Supervised Learning’ en ‘Unsupervised Learning’. Het verschil tussen de twee varianten zit hem in de manier waarop de data wordt verwerkt (Delua, 2021).
Supervised Learning
Supervised Learning is een Machine Learning methode waarbij gebruik wordt gemaakt van gelabelde datasets met een vooraf gedefinieerde output. De Data Scientist fungeert bij deze methode als tussenpersoon die het algoritme leert welke conclusies getrokken kunnen worden gebaseerd op de beschikbare data. Het algoritme leert door middel van het doen van voorspellingen, om deze vervolgens aan te passen tot het juiste antwoord is gevonden (Oracle, 2021).
Unsupervised Learning
Bij Unsupervised Machine Learning is de computer een stuk onafhankelijker. De Data Scientist biedt hierbij niet direct begeleiding. De training vindt plaats op basis van een dataset die geen labels en/of een specifieke, vooraf gedefinieerde output heeft. De machine zoekt hierbij naar overeenkomsten en patronen, deze plaatst het vervolgens in zogeheten clusters (Delua, 2021).
Volledig ‘Unsupervised’ zijn deze modellen echter niet, ze vereisen nog steeds enige menselijke tussenkomst om de outputvariabelen te valideren. Zo kan het de machine opvallen dat bepaalde producten vaak samen verkocht worden, het is vooralsnog aan de data scientist om waarde aan deze data toe te kennen (Delua, 2021).
Deep Learning
Machine Learning is vandaag de dag de meest gebruikte vorm van Artificial Intelligence, echter kent Machine Learning interessant subveld: Deep Learning. De relatie tussen Artificial Intelligence, Machine Learning en Deep Learning is weergegeven in het onderstaande figuur.
Figuur 1: de relatie tussen Artificial Intelligende, Machine Learning en Deep Learning (Robins, 2020).
Waar ligt nu precies het onderscheid tussen Machine Learning en Deep Learning? Dat zit als volgt: Machine Learning is afhankelijk van een voorgeschreven reeks ‘functies’ die binnen de dataset als belangrijk worden gezien. Wanneer een Machine Learning model bijvoorbeeld de prijs van een huis probeert te voorspellen, worden zaken als het aantal kamers, het aantal vierkante meters en de wijk als revelant gezien. Het proces van het inbouwen van deze reeks belangrijke functies noemt men ‘Feature Engineering’. Echter vereist dit diepgaande expertise in een bepaald onderwerp, zoals vastgoed in het eerdergenoemde voorbeeld. Dit kan op ten duur behoorlijk arbeidsintensief zijn voor een Data Scientist (Robins, 2020).
Deep Learning zou hiervoor een uitkomst moeten bieden. Deep Learning is namelijk een vorm van Machine Learning waarbij het algoritme niet meer verteld hoeft te worden wat de belangrijke functies zijn. In plaats daarvan is het in staat om zelf het belang van een bepaalde functie in te zien (Robins, 2020).
Deep Learning wordt hierbij ondersteund door een ‘neutraal netwerk’. Zo’n netwerk is ontworpen naar de analogie van het biologische brein, ofwel een extreem uitgebreide en onderling verbonden netwerk van ‘neuronen’ (eenvoudige processen). Zo’n netwerk weerspiegelt het gedrag van het menselijk brein, waarmee het Deep Learning modellen helpt bij het herkennen en oplossen van veel voorkomende problemen (Rooijakkers, 2020).
Praktische toepassingen van AI binnen marketing
Nu je hopelijk een beter beeld hebt over wat Artificial Intelligence inhoudt, is het tijd om te kijken naar de praktische toepassingen van Artificial Intelligence voor jouw marketing strategie. We behandelen twee manieren om AI te implementeren:
- Data-gedreven segmentatie & personalisatie
- Het verhogen van het conversie percentage
Datagedreven segmentatie & personalisatie
Iedere marketeer weet dat geen enkele consument hetzelfde is en dat zij het beste reageren op marketing gepersonaliseerde marketing uitingen. Dit is dan ook de reden dat er gewerkt wordt met zogeheten ‘segmenten’. Dit soort segmenten zijn veelal gebaseerd op demografische, geografische en/of vergelijkbare gegevens. Deze segmenten zijn vrij generiek en omvatten een groep mensen die in dezelfde categorie vallen, ookal zijn ze wel degelijk anders (Edwards, 2020).
Zoals het onderstaande figuur laat zien, kan traditionele segmentatie Marc niet persoonlijk targeten. Marc zal worden getarget als “man tussen de 20 en 30 jaar oud, wonend in een grote stad”. Artificial Intelligence biedt hiervoor de uitkomst. Omdat AI op veel grotere schaal informatie kan verwerken, is ‘echte personalisatie’ mogelijk. AI leert over mensen door hun acties en karakteristieken, waardoor zij later getarget kunnen worden op wie zij echt zijn (en dus niet op de categorie waar zij binnen vallen)(Valigi & Mauro, 2020).
Figuur 2: traditionele segmentatie vs. AI segmentatie (Valigi & Mauro, 2020).
Wat betekent deze ultra-gepersonaliseerde manier van targeting voor een bedrijf? Bedrijven die gebruik zijn gaan maken van AI segmentatie zien vrijwel direct verschil. Het boek “Zero to AI” van Nicolo Valigi en Gianluco Mauro (2020) geeft twee interessante voorbeelden uit het werkveld:
- AI gedreven personalisatie hielp een Europees telecombedrijf om de gemiddelde omzet per gebruiker op te laten lopen van 0,32% naar 2,8% binnen de eerste 30 dagen. Dat is een toename van bijna 800%.
- AI gedreven personalisatie zorgde ervoor dat de kosten per aquisitie voor een Amerikaanse mobiele provider met meer dan 97% afnamen: van $40,- naar $1,-.
Dit zijn misschien extreme voorbeelden, maar ze laten goed zien hoeveel er te behalen valt. En dat met een vrij simpele aanpassing: het implementeren van Artificial Intelligence binnen het segmentatieproces.
Het verhogen van het conversiepercentage
Voor veel bedrijven is er niets vervelender dan producten die achter gelaten worden in het winkelmandje. De potentiële klant is heeft vrijwel iedere stap doorlopen, maar is afgehaakt voordat er iets is verkocht. Het aantal bezoekers dat afhaakt vallen onder de zogeheten Churn Rate (DoubleSmart, 2021). Wat als je zou kunnen voorspellen welke klanten er zouden afhaken? Ook dit is te realiseren door middel van AI. Door middel van Machine Learning en de beschikbare data kan er worden uitgevogeld wie er waarschijnlijk niet gaat converteren (Valigi & Mauro, 2020).
Maar wat heb je aan deze data? Wanneer je weet dat iemand waarschijnlijk niet over gaat tot een aankoop kun je hun persoonlijk benaderen door middel van een pop-up, banner, of ‘chatbericht’. Zo kun je ze verleiden met kortingscode’s, gratis verzending, speciale aanbiedingen, etc. Op deze manier kun je ervoor zorgen dat ze uiteindelijk toch converteren.
Hoe gaat dit in zijn werk? Wanneer we naar deze kwestie kijken als een Machine Learning probleem, zien we twee groepen consumenten. Degene die waarschijnlijk hun winkelwagentje achterlaten en degene die dit waarschijnlijk niet doen. Of, andersom: degene die waarschijnlijk overgaan tot een aankoop en degene die dit waarschijnlijk niet doen. Dit zijn als het ware de ‘labels’. Het Machine Learning model zal moeten leren wie er in welke categorie behoort (Valigi & Mauro, 2020).
Wanneer je de groepen gelabeld hebt zul je functies moeten gaan toekennen. Waar gaat het model straks op letten, denk bijvoorbeeld aan: woonplaats, leeftijd, etc. Door het toekennen van deze functies kan het model daadwerkelijk gaan leren. Wanneer het model ziet dat 90% van de jonge vrouwen tussen de 18 en 21 uit regio Amsterdam niet over gaat tot een aankoop, zullen vrouwen die binnen deze groep vallen hoogst waarschijnlijk benaderd worden met bijvoorbeeld een kortingscode wanneer zij X minuten over de website scrollen.
Het model dat zojuist is beschreven is een voorbeeld van ‘supervised learning’. Het Machine Learning algoritme werd gevraagd om verbanden te leggen tussen de geprogrameerde functies en het achterlaten van het winkelmandje. De stappen die in het voorbeeld werden doorlopen kun je als volgt samenvatten:
- Definieer een Machine Learning ‘probleem’, begin bij een probleem waar jouw bedrijf tegenaan loopt
- Definieer de labels
- Definieer de functies waar het model verbanden mee gaat maken: leeftijd, hoe lang een gebruiker al klant is, besteed bedrag over een bepaalde periode, tijd besteed op de website, etc.
- Verzamel alle historische data van zowel klanten die zijn geconverteert, als zij die hun winkelmandje hebben achtergelaten
- Train het model met de huidige data
- Gebruik het model in real-time om zij die waarschijnlijk gaan afhaken te identificeren (Valigi & Mauro, 2020)
Zowel AI gedreven personalisatie als Machine Learning modellen die kunnen voorspellen aan wie jij net iets meer aandacht moet besteden kunnen je bedrijf helpen met het verwezenlijken van een groter klantenbestand, meer verkopen en uiteindelijk een hogere omzet. Zo zie je maar hoe belangrijk het is om bij de tijd te blijven, zeker in dit snel veranderende, digitale tijdperk.
Hopelijk heb je na het lezen van deze blog een beter beeld van Artificial Intelligence en hoe het aan jouw marketingstrategie kan bijdragen. In de volgende blog uit deze blogreeks spreken we een expert op het gebied van Artificial Intelligence en Machine Learning, waarbij gefocust zal worden op overige praktische gebruiksmogelijkheden en er een blik zal worden geworpen op de toekomst van Artificial Intelligence.
Wil je dieper in de stof duiken? Dit zijn de geraadpleegde bronnen:
Delua, J. (2021, 12 maart). Supervised vs. Unsupervised Learning: What’s the Difference? IBM. Geraadpleegd op 22 september 2021, van https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning
DoubleSmart. (2021, 15 juli). Wat is churn? Geraadpleegd op 22 september 2021, van https://www.doublesmart.nl/wat-is/churn/
Edwards, I. (2020, maart). From segments to signals: The rise of machine learning. WARC. Geraadpleegd op 22 september 2021, van https://www-warc-com.rps.hva.nl/content/article/warc-exclusive/from-segments-to-signals-the-rise-of-machine-learning/en-gb/131368
Escott, E. (2017, 22 oktober). What are the 3 types of AI? A guide to narrow, general, and super artificial intelligence. Codebots. Geraadpleegd op 22 september 2021, van https://codebots.com/artificial-intelligence/the-3-types-of-ai-is-the-third-even-possible
Oracle. (2021). Wat is machine learning? Geraadpleegd op 22 september 2021, van https://www.oracle.com/nl/data-science/machine-learning/what-is-machine-learning/
Robins, M. (2020, 27 mei). The Difference Between Artificial Intelligence, Machine Learning and Deep Learning. Intel. Geraadpleegd op 22 september 2021, van https://www.intel.la/content/www/xl/es/artificial-intelligence/posts/difference-between-ai-machine-learning-deep-learning.html
Rooijakkers, S. (2020, 11 november). Wat is deep learning? SDIM. Geraadpleegd op 22 september 2021, van https://www.sdim.nl/helpcentrum/begrippenlijst/deep-learning/
Sahota, N., & Ashley, M. (2019). Own the A.I. Revolution: Unlock Your Artificial Intelligence Strategy to Disrupt Your Competition [E-book]. McGraw-Hill Education.
Taulli, T. (2019). Artificial Intelligence Basics. Apress.
Valigi, N., & Mauro, G. (2020). Zero to AI. Manning Publications.