AI en data: begin bij klantdata

Artificial Intelligence (AI), het is inmiddels overal. In deze podcast van Studio Beeckestijn gaat Bart Meerdink in gesprek met Alex Dowdalls. Alex is helpt organisaties hun business model te vernieuwen door de inzet van AI en blockchain. In deze podcast staan de begrippen AI en data centraal. Alex gaat in op de toepassing van AI in organisaties en geeft mooie tips en voorbeelden.

Wat is AI?

Om te beginnen: wat is artificial intelligence nou precies? AI (kunstmatige intelligentie) is een concept met betrekking op systemen en computers waarbij taken uitgevoerd worden waar normaal gesproken mensen voor nodig zijn. AI bootst de menselijke intelligentie na. Een aantal voorbeelden van AI zijn chatbots, aanbevelingsengines en beeldherkenning.

De impact van Artificial Intelligence

Sundar Puchai (CEO van Google) voorspelde in één van zijn laatste conferenties: de doorontwikkeling van AI heeft een grotere impact op de mensheid dan de uitvinding van vuur en elektriciteit. Alex is het hiermee eens. AI is een revolutie die ons leven écht aan het veranderen is. AI heeft inmiddels een strategisch nationaal belang voor de overheid, non-profit bedrijven en commerciële bedrijven.

Van de top 10 bedrijven van de wereld, zijn 7 van die 10 bedrijven data en tech georiënteerde bedrijven, veelal Amerikaans en Chinees. Amerika en China zijn de koplopers als het gaat om AI, maar ook Europa is volop bezig met AI en data.

AI is overal

AI is inmiddels overal om ons heen. Het begint bij de gemiddelde persoon al bij het opstaan. De wekker op je smartphone gaat af, dus je pakt deze en unlocked je telefoon d.m.v. gezichtsherkenning. Vervolgens ga je naar je werk en gebruik je Google Maps, die suggesties en advies geeft over jouw route. Tijdens je werk luister je op Spotify naar muziek, waarbij Spotify liedjes uitkiest op basis van jouw algoritme. Zo kunnen we nog wel even doorgaan, maar het is duidelijk; AI is niet meer weg te denken uit ons leven.

Soorten herkenning

Bij callcenters die honderden (al dan niet duizenden) calls per dag hebben, wordt er nu ook voice recognition gebruikt. Als de klant iets niet snapt of niet tevreden is, wordt dit herkend en krijgt bijvoorbeeld de manager een seintje dat er iets niet goed gaat. Naast voice recognition bestaat er ook nog speed-, face-, emotion-, intense-, en nu zelfs gesture recognition.

Marketing en AI

Dan de slag met marketing. We gaan tegenwoordig steeds meer vooruit kijken in plaats van achteraf kijken. Bij Google Analytics wordt er bijvoorbeeld achteraf gekeken en gemeten. Dit wordt steeds lastiger i.v.m. de cookiewet en je kunt niet vooruitkijken. De ontwikkelingen met betrekking tot vooruit kijken gaan ontzettend hard en het is ook mogelijk met kleinere datasets.

AI en data is geen science fiction

Veel corporates zijn ontstaan in een tijd waar data geen kernresource was. Ze hadden de basisinformatie van een klant, zoals het verzendadres, maar wisten totaal niet wie de klanten waren, en wat de kernmerken en behoeften waren. Bedrijven waren niet data driven. Nu leven we in een wereld waar data onmisbaar is en dit is voor veel organisaties een uitdaging. Het voelt als een ver-van-het-bed-show, maar dat is het niet. Het is hier en nu en het raakt je in de kern van je bedrijfsvoering.

Bedrijven die wél met data en AI werken, winnen van bedrijven die dat niet doen.

Alex Dowdalls

Voor veel bedrijven is dit even schrikken, want dit betekent dat ze moeten leren omgaan met data. Want wat is AI en data? Waar gaat het nou over? Wat zijn al die slimme toepassingen? AI en data klinkt vaak als een soort science fiction, maar dat is het niet. Het commercieel beleid van een organisatie moet gericht zijn op data en hoe je hierop kunt inspelen.

Het begint bij klantdata

Veel organisaties zeggen al data driven te werken, maar in de praktijk valt dit tegen. Ze hebben vaak financieel data (zoals de rekeningen) en logistiek data (als de bestelfrequentie), maar de klantdata ontbreekt. Hoeveel data heb je over klanten? Hoeveel weet je over de klant? Hoe goed ben je in het segmenteren van de markt o.b.v. behoeften? En hoe weet je dat je proposities goed aansluiten op de segmenten waar je je op richt?

Hier wordt het dan ook lastig voor organisaties. Ze hebben geen klantdata, of zijn afhankelijk van andere partijen om deze data te leveren of ze komen erachter dat Google Analytics niet meer gaat werken (i.v.m. het verdwijnen van cookies).

Begin bij de klantdata en werk terug in de supply chain naar andere data

Klassiek dataprobleem

Oké, dus je begint bij de klantdata. Maar er heerst een klassiek dataprobleem bij organisaties: de organisatie heeft een geweldig analytics team met veel kennis en kunde, heeft een mooie software aangeschaft, maar de business mensen identificeren geen user cases. Dit is een enorme frustratie, want de data analisten kunnen deze informatie niet zelf verzinnen. De data is dan dus van lage kwaliteit, maar AI wordt vaak als toekomstmuziek gezien en men wil eerst weten of het CRM werkt. En daar zit wat in, maar dan blijf je in een kloof. Mensen hebben moeite om de toepassing van AI te zien in het domein waarin ze werken.

Maak persona’s o.b.v. clusteranalyses

Uit deze frustratie doen veel commerciële marketing mensen een persona workshop. Dan maken ze persona’s o.b.v. buikgevoel, maar hoe weet je of dit klopt? Je kunt namelijk ook persona’s maken o.b.v. data. Je krijgt zo veel meer inzicht en duidelijkheid in wat de segmenten zijn en de kenmerken. Als tweede stap kun je dan persona’s maken voor elk segment. Dit noemen we ook wel clusteranalyses.

Binnen 2 dagen kun jij dit ook

Nu denk je waarschijnlijk: klinkt goed, maar hoeveel tijd gaat dat mij wel niet kosten? Het antwoord: 2 dagen. De technieken van AI zijn niet nieuw, de meeste zijn al zo’n 70 jaar geleden ontdekt. Het probleem is de missende data, waardoor het niet toegepast kon worden. Je hoeft niet te kunnen programmeren. Er zijn een aantal tools waarmee je dit heel gemakkelijk kan. Een gemiddelde professional kost dit 2 dagen om te leren en in te richten. Met een klein beetje training is het heel makkelijk en zou iedereen het moeten kunnen.

Big Data hoeft niet zo ‘big’ te zijn

Alex helpt een mythe rondom Big Data uit de wereld: men denkt dat Big Data heel veel data is, maar dit is niet zo. Big Data hoeft niet zo ‘big’ te zijn. Meer is niet altijd het beste, maar het gaat erom wat je verzamelt. Je kunt bijvoorbeeld in een spreadsheet beter minder regels en meer kolommen hebben, want dit betekent rijkere data, correlaties maken en (causale) verbanden leggen.

Simpele vuistregel voor data

Bij een AI-project komt vaak de aandacht snel bij data te liggen. Alex geeft een simpele vuistregel voor data: denk outside-in en top-down. Veel corporates bedenken vanuit de data die ze hebben wat ze ermee kunnen doen (inside-in benadering). De vraag is echter: wat zou je willen? Welke data is hiervoor nodig? En hoe kom je aan die data? Deze data moet je dus zelf ophalen, oftewel first-party data verzamelen.

First-party data

Als je contact hebt met klanten geven ze je continu input, bijvoorbeeld door welk of niet ergens op te klikken. Het klantgedrag is enorm belangrijk bij het verzamelen van first-party data. Dit wordt een input business model genoemd. Met die input kun je een preferencemodel bouwen, die je weer kunt inzetten om te klantervaring te verrijken.

Voorbeeld zelf first-party data verzamelen

Om zelf first-party data te verzamelen, kun je wat gereedschap inzetten. Je kunt bijvoorbeeld simpele vragenlijsten opzetten. Je laat je klanten wat gegevens invullen, waar ze iets voor terugkrijgen (bijvoorbeeld productinformatie). Dan kun je een dialoog maken met de klant in een vroeg stadium van de customer journey. Je kunt inzien wat de behoeften en kenmerken zijn van de klant en waarom de klant verder gaat of juist afhaakt. Hoe meer je dit doet, hoe beter.

Neemt AI ons werk over?

Er heerst een angst dat AI het over gaat nemen van de mens. Is dit zo? Alex denkt van niet. AI is eigenlijk heel simpel en absoluut niet in staat om de rol van de mens over te nemen. De volgende regel geldt: AI neemt het niet over van de mensen, maar mensen die AI gebruiken winnen het van de mensen die dit niet gebruiken. Hetzelfde geldt voor bedrijven. Dat is de kern.

Ethisch verantwoord AI

Er is een toenemend besef van het ethisch verantwoord gebruiken van AI. Hoe voorkomen we ongewenste vooroordelen binnen algoritmes? En heel belangrijk thema, dat wordt aangevlogen op verschillende niveaus. Op overheidsniveau zijn er richtlijnen over betrouwbare AI. Hier wordt gekeken naar de criteria waarmee je AI kunt verantwoorden en of het voldoet aan de wet. Er is ook een nieuwe wetgeving onderweg om risicoanalyse te doen op AI, om te zorgen dat er geen structurele vooroordelen in de AI zit. En het laatste gebied: explainable AI. Veel algoritmes bestaan allang, maar zijn lastig uit te leggen. Daarom dit nieuwe gebied, om AI uit te leggen. Deze factoren bij elkaar zijn er om vooroordelen AI voor te gaan.