Naar inhoud

Klantaanbevelingen op basis van kunstmatige intelligentie

Elke dag maken miljoenen mensen aankoopbeslissingen tijdens online zoektochten. Naar producten die ze willen kopen of een restaurant in de buurt. Volgens ‘Global Trust in Advertising’, een rapport van marktonderzoeksbureau Nielsen, vertrouwen de consumenten wel op online meningen en prijsvergelijkingen, maar zijn de mond-tot-mond-aanbevelingen het meest effectief. De meest geloofwaardige reclame is die van mensen die we kennen en vertrouwen. Uit het onderzoek blijkt dat meer dan 83 procent van de respondenten volledig op de suggesties van vrienden en familieleden vertrouwd. Dus voordat we tot we een definitieve aankoop overgaan, is het verstandig dat we aan een partner, familieleden of goede vrienden advies vragen. Zij kennen ons als geen ander als het bijvoorbeeld gaat om onze smaak, voorkeuren of gevoel voor mode. Maar wat als een computer in staat is om je nog beter te kennen dan je naasten?

Wat computers over je weten

Het digitale tijdperk heeft klant- en koopreizen meer toegankelijk gemaakt, maar tegelijkertijd ook complexer. De keuze uit honderden, zelfs miljoenen opties, maakt het steeds lastiger om een aankoop te doen. Online aanbevelingssystemen veranderen de manier waarop we online zoeken en onze aankopen doen. Ze verkorten het besluitvormingsproces door ons dichterbij hetgeen wat we willen te brengen. Dit gebeurt via aanvullende suggesties of zelfs het aanbevelen van alternatieve producten.

Deze kennis over het ‘klantenprofiel’, vastgelegd in de persona, is meestal gebaseerd op de koophistorie van iemand, of wat kopers met soortgelijke profielen hebben gekocht, alsook de datum en het tijdstip waarop iets wordt bekeken. Aanbevelingstechnologieën luisteren naar hetgeen wat je zoekt en doen productaanbevelingen. Ze verzamelen en analyseren miljoenen datafragmenten vanuit jouw voorkeuren om zeer nauwkeurige suggesties te doen.

Het klinkt simpel maar deze technologieën vereisen een enorm datavolume dat accurate voorspellingen kan leveren. En uiteraard, hoe meer informatie des te beter. Dit is waar deep learning haar intrede doet – een innovatieve tak van kunstmatige intelligentie die de problemen oplost door het werk van het menselijk brein te kopiëren – door data te verwerken en zelf patronen voor beslissingsprocessen te creëren.

AI voorspelt onze voorkeuren

Er is al aardig wat ervaring op dit gebied van automatische suggesties. Bijvoorbeeld als je nieuwe producten bij Amazon koopt via een aanbeveling in de categorie ‘Meest gekocht in combinatie met’. Of als je nieuwe mensen toevoegt op LinkedIn naar aanleiding van een aanbeveling in de categorie “Mensen die je wellicht kent’. Zelfs het bekijken van een film op Netflix is vertrouwd met op AI-gebaseerde aanbevelingen.

En dat is nog maar het begin, de zoekmachines worden steeds slimmer. Ze verschaffen deep learning hulpmiddelen die een gebruikerservaring personaliseren door een patroon te ontdekken in hun gewoonte na één of meerdere sitebezoeken, soms zelfs tijdens het bezoek. Samen met real-time analytics kunnen zelflerende algoritmen suggesties verbeteren tot het punt van de juiste voorspelling. Zo voorspellen diensten als Spotify een eerstvolgende muzieksuggestie, terwijl YouTube haar videosuggesties baseert op hetgeen wat je op dat moment bekijkt.

Ultranauwkeurige deep learning wordt gebruikt in allerlei digitale markten, en dit geldt met name in de reclamebranche. Volgens RTB House, een wereldwijde organisatie die hoogstaande retargeting technologieën levert, helpen zelflerende algoritmen om accurate aanbevelingen te doen die de reclameactiviteiten tot 50 procent efficiënter maken. Oké, maar hoe werkt dit in de praktijk?

Hoe Deep Learning werkt met aanbevelingen

Laten we het voorbeeld nemen van het kopen van een nieuwe jurk. Wanneer een gebruiker op iets klikt, dan legt het aanbevelingsmechanisme elk stukje informatie vast. Het gaat de kleur van de jurk na, de details waarop je je focust, de prijsklasse, de maten en duizenden andere acties. Daarna verbindt het zich met zoveel mogelijk interactiepatronen. Door real-time te meten en te analyseren kan het systeem de historie begrijpen, de interesse of zelfs je humeur om vervolgens accurate voorspellingen te doen van interessante producten. Suggesties als hoge hakken die erbij passen, een selectie van sieraden, uitgaanskleding of zomerkleding kunnen worden aanbevolen op basis van wat wordt voorspeld als de meest effectieve suggestie om tot aankoop over te gaan. Dit gebeurt allemaal zonder dat menselijke input nodig is van de adverteerder.

In de koopvoorspelling heeft het zelflerende algoritme al dusdanig veel kennis verzameld, dat het handmatige inbreuk onnodig maakt, eerder zelfs misleidend zou zijn. Typische traditionele aanbevelingsmodellen kunnen zo’n voorspelling niet doen. Voormalige aanbevelingssystemen verzamelden simpelweg informatie, selecteerden daarna producten op basis van regels die vooraf door mensen werden bepaald.

Laat sieraden bijvoorbeeld alleen zien aan die klanten die dameskleding hebben gekocht, omdat we er vanuit kunnen gaan dat dit voornamelijk vrouwen betreft. Nu kan dit vervangen worden door ons systeem. Het systeem weet namelijk dat als je dameskleding online bekijkt dat dit een voorspeller is voor het kopen van sieraden, maar weet ook dat mannen sieraden aan zichzelf cadeau kunnen doen.

Deep learning-algoritmen simuleren onze manier van denken door de uitkomsten te trainen zonder dat menselijke interventie nodig is. Een machine kan talloze datasets gemakkelijk analyseren, zonder moe of verveeld te raken en maakt super logische, risicovrije besluiten zonder enige stress, twijfel of emotie. Het gehoorzaamt de algemene regels van de reclame, maar het belangrijkste is dat het algoritme in staat is om te leren en zelf nieuwe regels schrijft, vanuit proactief gedrag, en is daarmee qua prestatie onevenaarbaar.

Veranderen richting AI-gepersonaliseerde ervaringen

Volgens Janrain & Harris Interractive is 74 procent van de online kopers behoorlijk gefrustreerd door de content die irrelevant is voor de actuele behoeften. Uit onderzoek van Infosys blijkt zelfs dat personalisatie bij 86 procent van de consumenten een rol speelt in hun aankoopbeslissing.

Het gebruik van ultra precieze aanbevelingen versterkt de relatie tussen een merk en haar consumenten. Het vergroot zelfs de verkopen via de detailhandel, verbetert het conversieratio en verhoogt de inkomsten. Het maakt niet uit of het gaat om een film, muziek of reclame. Een betere accuraatheid en een overtuigende aanpak zijn een must-have. Niet alleen voor de e-commerce-markt, maar ook voor banken, verzekeringen, toerisme en zelfs onze dagelijkse boodschappen.

Zoals de populaire quote van Steve Jobs al zegt: “Mensen weten niet wat ze willen, totdat we het ze laten zien.” De deep learning-industrie maakt dit proces een logische, geautomatiseerde ervaring voor elke gebruiker in het digitale tijdperk.

De auteur is country manager van RTB House Benelux, een technologiebedrijf gericht op geavanceerde retargeting-scenario’s.


Bron: CustomerTalk
0

Reacties

Logo CustomerTalk

Cookie-instellingen

CustomerTalk maakt gebruik van cookies voor een optimale gebruikerservaring.

Graag vragen wij uw toestemming voor het plaatsen van deze cookies.

Accepteren Meer informatie