‘Anderen die dit artikel kochten waren ook geïnteresseerd in…’ In Nederland was het Bol.com die als eerste met suggesties kwam op basis van ons koopgedrag. Inmiddels is deze tactiek niet meer weg te denken uit onze online shop-ervaring.
Tekst: Bart Schouw
Wat zorgt er eigenlijk voor dat een suggestie helemaal in de roos is, of juist niet? Daar zijn verschillende methodes voor. Eigenlijk kunnen koopsuggesties op drie manieren tot stand komen.
Human to human
Zo hebben we het eigenlijk altijd gedaan. U kwam regelmatig in een platenzaak, de eigenaar kende u persoonlijk, wist wat uw smaak was en kon op basis daarvan een nieuw album aanbevelen. Maar ook online is deze manier goed toe te passen. Een goed voorbeeld is Vivino: met deze app kunnen wijnliefhebbers een foto maken van een wijnfles, waarna de app de beoordeling van deze wijn laat zien van andere Vivino-gebruikers.
Machine to human
Software analyseert in dit geval het online aankoopgedrag van grote groepen consumenten en levert rapportages aan in de vorm van een dashboard: welke producten doen het goed bij welke doelgroepen? Vervolgens komt er weer een mens (de verkoper, marketeer of ondernemer) aan te pas om deze gegevens te interpreteren en er actie op te ondernemen, zoals het optuigen van marketingacties om populaire producten te promoten onder een bepaald segment van het klantenbestand. Bedrijven die deze vorm van marketing gebruiken hebben vaak een loyaltyprogramma lopen om dergelijke systemen te ondersteunen. Alleen door het verkrijgen van de juiste persoonlijke data (van postcode tot geboortedatum) kan deze segmentering relevant genoeg worden gemaakt. Een goed voorbeeld hiervan is KLM, dat dergelijke kennis van het Flying Blue frequent flyer-programma verweeft op haar website.
Machine to machine
De klant van de platenwinkel uit ons vorige voorbeeld luistert nu waarschijnlijk muziek op Spotify of Apple Music. De algoritmes van deze streamingdienst analyseren uw luistergedrag en vergelijken dat met andere gebruikers. Op basis van deze analyse komt de muziekdienst continu met aangepaste en geoptimaliseerde suggesties. Bij de analyse van data komt geen mens meer te pas, ook niet bij de uiteindelijke selectie van de lijst. Dit noemen we machine learning.
Er zijn vele vormen van machine learning te onderscheiden. Elke variant heeft zijn eigen voor- en nadelen. Grofweg komt het erop neer dat machines beter zijn in het analyseren en interpreteren van data naarmate de beslissing operationeler is. Dat heeft vooral te maken met schaalvoordelen en het repeterende karakter. Een suggestie leveren voor muziek of boeken op basis van eerder luister- en koopgedrag, dat is iets wat computers inmiddels minstens net zo goed (en vaak zelfs beter) kunnen dan mensen. Bij een strategische keuze, zoals het samenstellen van het productenportfolio van een webshop of het inrichten van marketingcampagnes, hebben we voorlopig nog wel even mensen nodig, al maken computers hier ook flinke stappen.
Een van de meest voorkomende geautomatiseerde analyses is de Next Best Action Analyse. Bij Next Best Action wordt het aankoopgedrag van het klantenbestand in kaart gebracht en worden de klanten daarop vervolgens gesegmenteerd. Dit type analyse op basis van big data is tegenwoordig betrekkelijk eenvoudig in te richten, wat hun populariteit ook verklaart. E-commerce loopt daarmee voorop. De belangrijkste reden daarvan is dat het betrekkelijk eenvoudig is voor webwinkeliers om over grote hoeveelheden data te beschikken. Dankzij algoritmes die het klik- en aankoopgedrag volgen is het mogelijk om vrij nauwkeurig te segmenteren en vervolgens voorspellingen te doen op basis van het klantgedrag dat bij deze segmenten horen - ook wel predictive analytics genoemd.
Juist in predictive analytics zijn computers beter dan mensen. Om maar weer het voorbeeld aan te halen van de platenzaak: de eigenaar weet misschien nog dat we cd’s hadden gekocht van Pink Floyd, The Who en Led Zeppelin. Op basis daarvan deelde hij ons in de categorie ‘classic rock’ in en kwam op de proppen met een schijfje van de Dire Straits; een voorspelling op basis van categorisering, dus. In computergestuurde data-analyse gebeurt iets soortgelijks, maar dan met veel meer variabelen en op basis van veel meer data. Doordat er toegang is tot veel meer data kunnen computers dwarsverbanden vinden waar we als normaal mens nooit waren achter gekomen. Zo zouden gebruikers door een computer niet alleen worden ingedeeld op basis van hun luistergedrag, maar misschien ook op leeftijd of hobby’s. Vervolgens kunnen hieruit suggesties worden gehaald die zijn gebaseerd op liedjes die u nog niet heeft beluisterd, maar anderen in de groep wel - dat nummer heeft immers een grote kans om ook door u gewaardeerd te worden.
Dit is nog een relatief simpel voorbeeld; in de praktijk kunnen de patronen vrij complex zijn. Het zal wel even duren voordat computers niet alleen het aankoopgedrag van klanten kunnen voorspellen, maar ook de meer tactische en strategische adviezen kunnen bepalen. Computers hebben nu misschien nog niet het fingerspitzengefühl waar mensen wel over beschikken. Maar lang hoeft het niet meer te duren, dat heeft de recente overwinning van de kunstmatige intelligentie van Google in het GO-kampioenschap wel bewezen. GO werd gezien als een spel waar naast regels ook intuïtie nodig was. Wat dat betreft kennen computers ons misschien al beter dan onze vrienden.
Bart Schouw is director IoT bij Software AG.
Goed artikel!