Machine learning: hype of here to stay?

Weten we eigenlijk wel waar we het over hebben als we iets betitelen als machine learning of data driven? Doorvragen leidt tot complexe antwoorden. Het begrijpen is juist vrij essentieel in het bepalen of we het nu over een hype hebben of een techniek die de maatschappij en ons leven aanzienlijk verandert.

De term machine learning wordt te pas en te onpas op alles methodes geplakt die ook maar iets met algoritmes te maken hebben. Het is hip en trending en brengt een golf aan nieuwe standalone marketingtools teweeg die je kunt scharen onder machine learning.

Om door de buzzwords heen te prikken en bij de echte toegevoegde waarde van machine learning te komen, is het van belang om kritisch en gericht door te vragen naar datgene wat dan machine learning is. Als de termen machine learning of data driven de revue passeren, accepteren velen dat zonder door te vragen. Verder de diepte induiken leidt tot een ingewikkeld verhaal waar niet iedereen kaas van gegeten heeft. Toch mogen we dit best vaker doen. Het gebruik van machine learning solutions gaat pas cumulatief werken zodra je er bijvoorbeeld van bewust bent welke data wordt gebruikt en hoe bepaalde suggesties tot stand komen.

Niet blind op machine learning afgaan

Bijvoorbeeld: bij het bepalen van een hot lead kun je niet blind op machine learning afgaan, als je niet weet waarop geselecteerd wordt. Het kan zijn dat er enkel naar functietitels wordt gekeken, maar dat zegt niet over het feit of het een relevante lead is of niet. Daar is meer business-specifieke informatie voor nodig. Je kunt uiteraard voorspellingen maken, maar per dataset zijn er meerdere datapunten nodig die niet altijd via machine learning naar voren komen.

Inmiddels is de manier hoe je de output van machine learning solutions gebruikt datgene wat business value genereert. Om terug te komen op je potentiële hot lead: jij bepaalt wanneer deze relevant genoeg is en wat je dus uiteindelijk doet met de conclusie om deze echt binnen te halen. Waar ga je op inspelen?

Alles valt te meten

Ja, machine learning is een hype op dit moment, maar dan wel een die niet van vergankelijke aard is. Het verandert de maatschappij in rap tempo. Is het dan vreemd dat we ons massaal storten op de hele machinelearningtrend? Niet echt. Met de hoeveelheid data die we nu tot onze beschikking hebben, is het logisch dat we hier steeds slimmer mee om willen gaan. Zeker binnen agency’s.

We kunnen vrijwel alles online meten. Hierdoor kunnen we een nieuwe dimensie geven aan het verbeteren van de relatie met de klant, namelijk op persoonsniveau. Dit betekent personalisatie van de online ervaring. Dit is cruciaal om klanten te binden. De toekomst zal zich ook richten op personalisatie van de offline ervaring, maar dat is nog iets verder weg. De focus van online personalisatie ligt nu vooral op real-time. Online gaat alles echt razendsnel, inclusief de aandacht en interesse van de klant. De link met machine learning is dat online personalisatie een echte boost krijgt door patronen in de data te vinden. Daarmee worden verbanden gelegd die een mens nooit zou kunnen vinden of zelf kunnen bedenken. Geen wonder dat we hier allemaal zo hyped van worden!

Personalisatie van de online ervaring is cruciaal om klanten te binden.

Ontwikkelingen binnen machine learning

Machine learning verandert razendsnel. Waar het startte met descriptive analytics, vindt er nu een verschuiving plaats naar predictive analytics. Wat achtergrondinformatie: descriptive analytics is het terugkijken naar wat er al heeft plaatsgevonden en hier slimme learnings uit halen. Bijvoorbeeld achteraf analyseren dat mensen uit Zeeland vooral product X interessant vinden.

Predictive analytics is juist het tegenovergestelde. Je kijkt hiermee naar de toekomst en probeert een voorspelling te doen. Hiervoor is meestal veel meer nodig. Het is moeilijker om te bepalen wat gaat gebeuren in plaats van te analyseren wat al gebeurd is. Maar dit is wel waar de grote voordelen van machine learning om de hoek komen kijken. In marketing zijn namelijk de meest geavanceerde use-cases gefocust op een-op-eenpersonalisatie waar machinelearningmodellen op persoonsniveau voorspellen wat bijvoorbeeld de wensen en voorkeuren van de persoon zijn. Je kunt de customer journey hier veel beter mee sturen.

Dimensies die bijdragen aan personalisatie

Er zijn verschillende dimensies – de verschillende benaderingen om machine learning toe te passen – die van links naar rechts bijdragen aan personalisatie. Deze volgorde is gebaseerd op de moeilijkheidsgraad, dus links is beginnend en overkoepelend voor descriptive use-cases, terwijl rechts meer gevorderd en predictive is. Hoe verder je rechts op de schaal komt, hoe moeilijker, specifieker en ook persoonlijker de use-cases worden.

1. Segmentation

Bij segmentation staat de vraag ‘Wat voor klantgroepen heb ik?’ centraal en ligt de focus op audience clustering en de analyse van de customer journey. Een bedrijf dat dat al goed doet is Eurail. Hun klanten vertonen in de verschillende fasen specifiek gedrag in termen van het consumeren van content en hebben verschillende behoeften gedurende hun oriëntatieproces.

Op basis van behavioural data wordt de digitale user experience onderverdeeld in 7 unieke fasen, variërend van awareness tot post-purchase. Met het leveren van overeenkomende content in de verschillende communicatiekanalen, als KPI’s die overeenkomen met die fasen, kom je tegemoet aan de behoeftes van iedere fase. De primaire doelstelling van de campagnes voor iedere verschillende fase is gefocust op het verder helpen van de klant en hen te helpen bij de volgende stap in de customer journey.

2. Forecasting

Bij forecasting wordt op geaggregeerd niveau voorspeld hoeveel er bijvoorbeeld volgende week verkocht zal worden, dus: ‘Wat zal de toekomst ons brengen?’

3. Predicting

Predicting gaat echt over het op persoonsniveau en in real-time voorspellen hoe groot bijvoorbeeld de kans is dat iemand volgende week een aankoop gaat doen. Dus centraal staat de vraag: ‘What happens next?’

4. Recommending

Centraal bij aanbevelingen staat de vraag ‘Welk product wil deze klant?’

5. Cognitive AI

Voorbeelden van cognitive AI zijn bijvoorbeeld gezichtsherkenning, text classification, image recognition, voice detection, et cetera. Hier wordt het meest over gepraat, maar de grootste winst zit hem (voor nu) in de vorige vier domeinen. Dit vooral omdat use-cases in dit domein complexe modellen vereisen en ook een zeer specifiek soort data. Deze data wordt door de meeste organisaties nog niet of niet volledig opgeslagen. Daardoor wordt het al snel een zeer kostbare onderneming.

De meerwaarde voor marketeers

In de categorie innovatieve machinelearning-oplossingen is er bijvoorbeeld het forecasting demand-systeem, waarmee je het probleem van zowel over- als underselling kunt oplossen. Stel, je bent een recruiter en je moet sollicitanten leveren voor verschillende vacatures. Je wil dan voldoende kandidaten kunnen leveren. Bovendien wil je geen marketingbudget investeren in vacatures die zonder meer worden ingevuld. Met behulp van een demand forecasting kun je dit probleem verhelpen. Dit systeem voorspelt namelijk de verwachte vraag voor bijvoorbeeld de komende 52 weken. Hierin wordt het toekomstige aanbod verwerkt om te bepalen of je acties moet ondernemen.

Het demand forecasting-systeem kan op verschillende manieren ingezet worden. Bijvoorbeeld om de vraag naar een bepaald product per week, voor een gewenst aantal weken in de toekomst te voorspellen. Dit wordt vergeleken met de levering van het product voor elke afzonderlijke toekomstige week. Als er een gat is tussen vraag en aanbod, wordt het product gemarkeerd en kunnen acties worden ondernomen om over- of underselling proactief te voorkomen. Als marketeers kun je hier dus heel slim op inspelen door meer, minder of geen marketing in te zetten voor een specifiek product. Vanzelfsprekend leidt dit tot meer sales en minder overschot. Win-win!

Omarm machine learning

Dankzij machine learning kunnen we flinke vooruitgang boeken binnen marketing. Het biedt je business heel veel mogelijkheden. Dit gaat veel verder dan het menselijk vermogen, omdat je met veel meer variabelen kunt werken. Machine learning zal bijdragen aan personalisatie van je media en je website op allerlei verschillende vlakken. Denk aan timing, product of het type berichtgeving. En het gebeurt allemaal automatisch: self-learning campagnes en automatische aanpassingen van je website die meebewegen op persoonsniveau en in real-time.

Met enige achtergrondkennis en de juiste inzet maak je van machine learning niet langer een hype. Dan wordt het een blijvend fenomeen dat je ten gunste van jezelf en de doelgroep in kunt zetten. Het is dus aan jou als marketeer: do you believe the hype?