AI Marketing: Hoe gebruik je AI voor marketing?

AI gebruik voor Marketing

Hoe gebruik je Artificial Intelligence voor marketing en hoe gaat het marketing verbeteren?

Artificial Intelligence is zo’n buzzword waar ik me eigenlijk altijd bij afvraag: Weten mensen wel wat het betekent? Of misschien nog wel beter: Heeft iedereen door hoeveel gebruik zij al maken van AI in hun dagelijks leven? Overal in de digital workspace zijn toepassingen van Artificial Intelligence. 63% van de consumenten blijkt geen idee te hebben dat zij gebruik maken van AI/Machine Learning toepassingen, wat natuurlijk absurd is (Vedant Misra, 2017). Hier blijkt dus uit dat AI en Machine Learning simpelweg termen zijn die bekend zijn, maar waar veel te veel onzekerheid over heerst. Niemand weet wat je moet verwachten van zelflerende computers, en dat is niet goed wanner je AI wil en moet gebruiken voor je marketing. “People fear what they don’t understand, hate what they can’t conquer”, is in dit geval wel toepasselijk. Marketeers gebruiken AI dagelijks, maar weten verder niks over AI gebruik voor marketing.

Daarom is het doel van deze blog om AI en Machine Learning op te helderen en de “buzz” uit deze buzzwords gedeeltelijk weg te nemen. Daarbij gaan we ons focussen op wat het betekent voor online marketeers, of misschien nog wel belangrijker: Hoe gebruik je AI en Machine Learning nu voor marketing en online marketing en hoe gaat het marketing verbeteren?

Intro van Artificial Intelligence en het “leren” van computers voor marketing

Het idee achter Artificial Intelligence is dat computers “uit zichzelf” gaan leren om taken te automatiseren/optimaliseren. Hiervoor heb je een aantal dingen nodig: Allereerst heb je een vraagstuk nodig. Een thema of iets specifieks dat je wil voorspellen/automatiseren. Ten tweede heb je relevante data nodig waarmee je kan voorspellen. De kans dat je kunt voorspellen hoeveel leads je als computer hardware retailer gaat krijgen in de aankomende maand met jaarcijfers van ijsverkopen in Californië acht ik erg klein. Daarna heb je mensen nodig die verstand hebben van het gebruik van Artificial Intelligence en Data analyses.

Het herkennen van handgeschreven getallen

Dit is natuurlijk heel hoog over bekeken en treedt niet in detail over hoe machines echt gaan “leren”. In essentie zijn Artificial Intelligence en Machine Learning een heleboel complexe wiskundige formules. Deze hebben als doel om dingen te “voorspellen” op basis van data uit het verleden. Bijvoorbeeld hoe een computer gaat leren hoe hij handgeschreven getallen gaat herkennen. Dat kan door te leren van data die al gelabeld is. Dit probleem wordt ook wel “image recognition” genoemd en hiervoor wordt over het algemeen een “recurrent neural network” gebruikt (zie figuur 1).

Figuur 1 (V Sharma, 2019)

In dit geval is er sprake van 3 lagen van “neuronen” die informatie aan elkaar doorgeven door middel van de connecties (de lijnen tussen de neuronen).

In sommige toepassingen is de type data die je erin stopt niet zo voor de hand liggend. Met welke data wil je een computer Google Ads of banners zelf laten maken, bijvoorbeeld? Maar in dit geval is het relatief straight-forward: Je hebt een image met pixels, die pixels hebben een waarde.      1 als deze wit is, 0 als deze zwart is en 0.75 wanneer deze grijsachtig is. De numerieke waarden van deze pixels gaan in de “Input Layer” zoals je in figuur 1 ziet.

Uiteindelijk wordt deze door de lagen heen gevoed door de connecties naar de “Output Layer”. In dit geval zijn dat de waarden 0 t/m 9. Dit omdat het neurale netwerk probeert te achterhalen welk getal bij het plaatje hoort. Wat er tussenin gebeurt is in principe dat het netwerk op haar eigen manier patronen probeert te herkennen, bijvoorbeeld een cirkel bovenin en een lusje onderin die duiden op een 9. Op basis van die informatie gaat het netwerk voorspellen.

Het echte “leren” van een Recurrent Neural Network

Hoe het netwerk nou daadwerkelijk leert is door middel van zogeheten “Backpropagation”. Dit wordt gebruikt door middel van de gelabelde data, dus de data die het goede antwoord al hebben. Het netwerk probeert iets te voorspellen en controleert later of dat goed of fout is. Vervolgens gaat dit netwerk door middel van backpropagation terugwerken langs haar neuronen en connecties. Dit gaat bepalen welke neuronen en connecties belangrijk zijn en welke niet. Zij hangt dus “gewichten” aan connecties en zegt daarmee: “de connectie tussen deze neuronen is wel/niet relevant”. Vervolgens hangt deze “biassen” aan neuronen met hetzelfde doel. Dit werkt in principe hetzelfde in onze eigen hersenen. Op deze manier probeert het netwerk zelf te “leren” van haar fouten en behaalde winsten, door de gewichten biassen aan te passen.

Het hierboven uitgewerkte voorbeeld is een relatief simpele toepassing van Deep Learning en is over het algemeen één van de eerste projecten waar introducees aan AI zich het hoofd over breken, met goede reden. Het geeft een mooie introductie en een basis begrip van hoe computers onze wereld gaan proberen te begrijpen en is goed te volgen.

 

AI vs. Machine Learning vs. Deep Learning voor marketing

In het thema van zelflerende machines en computers is er een onderscheid te maken tussen AI, Machine Learning en Deep Learning. In essentie vallen Machine- en Deep Learning allebei onder het kopje van Artificial Intelligence. Artificial Intelligence bevat het idee dat computers taken gaan overnemen waar eerst menselijke intelligentie voor nodig was. Machine Learning is de algemene term die gebruikt wordt wanneer computers leren van data. Hierin zijn nog drie onderverdelingen te maken: Supervised-, Unsupervised- en Reinforcement Learning. Supervised slaat op het leren van gelabelde data, Unsupervised op het leren van ongelabelde data en Reinforcement op het leren door beloning maximalisatie.

Deep Learning is een complexe tak van Machine Learning die zich volledig richt op het leren van computers door middel van een structuur die lijkt op de structuur die wij in onze hersenen ook hebben, neurale netwerken dus (zoals het voorbeeld van het recurrent neural netwerk net). De onderverdelingen van Supervised-, Unsupervised- en Reinforcement Learning zijn ook op deze tak van sport nog steeds va toepassing.

Hoe gebruik je AI in marketing?

Nu we weten wat de verschillen zijn tussen deze manieren van leren, is het de vraag wat het verschil is qua toepassing van deze technieken in marketing.

Supervised Learning voor marketing

Supervised Learning maakt dus gebruik van een bekende relatie tussen de input en de output van data. Het doel van het algoritme is dus om te leren van juiste antwoorden in de training data en gebruik te maken van deze kennis om goed te kunnen voorspellen wanneer dit algoritme nieuwe data krijgt.

Supervised Learning heeft twee verschillende toepassingen in de Marketing (en überhaupt over het algemeen):

  1. Regressie: Het voorspellen van een numerieke waarde. Bijvoorbeeld: Hoeveel traffic zal ik krijgen op mijn website over 30 dagen? Of: Hoeveel klanten kunnen we verwachten in de winkel?
  2. Classificatie: Een label geven aan iets/iemand. Bijvoorbeeld: Is deze klant op mijn website geïnteresseerd in mannen/vrouwenkleding? Broeken/Handschoenen? Wil hij/zij meer artikelen lezen over Mode of over Politiek?

Om te begrijpen hoe Supervised Learning werkt bekijken we een voorbeeld van Classificatie: “Wil deze gebruiker van mijn nieuws website meer artikelen zien over Mode of over Politiek?”. Stel je zou zelf constant kijken naar de actieve gebruikers op je website, zou je op basis van hun gedrag handmatig artikelen voor kunnen schotelen. Dit kost alleen veel tijd, dus we willen het automatiseren.

Stappenplan Supervised Learning:

  1. Gelabelde data ophalen/bijhouden, in dit geval het klikgedrag van individuele gebruikers uit het verleden, gekoppeld aan zijn/haar account + labels van de artikelen waar zij op hebben geklikt (Mode, Politiek, Economie, etc.)
  2. Deze data aan het algoritme geven. Door middel van deze data gaat het algoritme patronen proberen te herkennen zoals: “Wanneer iemand een Mode artikel heeft gelezen, zijn ze daarna eerder geneigd om op een Economisch artikel te klikken”. Belangrijk om hierbij te zeggen is dat dit soort patronen voor ons bijna niet vallen uit te lezen.
  3. Het getrainde algoritme testen op test data sets, om te bekijken hoe accuraat deze kan voorspellen welke artikelen het meest interessant zijn voor gebruikers.
  4. Indien het model beter werkt dan de methode die daarvoor gebruikt werd, is het tijd om deze toe te passen. Dan kunnen artikelen d.m.v. dit algoritme voorgesteld worden aan actieve gebruikers.
  5. A/B testen waar op de website dit het beste kan gebeuren. Onderzoek of het het beste in een sidebar gedaan kan worden, of een carrousel onder aan de pagina of beiden.

Op deze manier kan Supervised Learning dus toegepast worden op een heleboel websites.

 

Unsupervised Learning voor marketing

Waar Supervised Learning dus input+output (gelabelde) data vereist om te leren, werken Unsupervised Learning algoritmen met alleen input-data (ongelabelde data). Het klinkt wat minder voor de hand liggend en minder specifiek. Dit is het ook. Je gebruikt deze algoritmen ook alleen waarin je eigenlijk bijna niet weet wat de resultaten zouden moeten zijn. Het doel is hier ook voornamelijk om nieuwe kennis op te doen en structuur te vinden in je data.

Dit klinkt uiteraard allemaal erg vaag, daarom ga ik het weer uitleggen met een voorbeeld. Laten we een Marketingmanager nemen die de vraag heeft gekregen van een student: Tussen welke klantsegmenten maken jullie eigenlijk onderscheid? Hij noemt een onderverdeling op die hem logisch in de oren klinkt, maar als hij eerlijk tegen zichzelf is weet hij het ook niet. Wat voor mensen komen er op mijn website? Wie kopen mijn producten eigenlijk? Je hebt dus nog geen data hier van. Unsupervised Learning algoritmen kunnen hier voor ingezet worden om automatisch klantsegmenten en groepen te herkennen en maken. Met Unsupervised Learning wil je eigenlijk ongelabelde data gaan clusteren en onderverdelen.

 

Reinforcement Learning voor marketing

Deze is wat “trickier” om toe te passen op een business case. Er hangt een stigma om Reinforcement Learning, dat het niet toe te passen valt in het bedrijfsleven. Dit komt deels doordat de meest bekende toepassing van RL AlphaGo is, Google’s AI die professionele gamers verslaat in hun eigen games. Weinig raakvlak met marketing dus.

Wat lastig is bij het toepassen van Reinforcement Learning, is dat je enorme datasets met gelabelde data nodig hebt. Omdat het hele specifieke data moet zijn, kan het verkrijgen en verwerken van de data erg tijdrovend zijn.

Wat interessant is, is dat deze manier van leren erg diverse outputs gaat krijgen. Daardoor ook enorm afhankelijk van de kwaliteit van de input data. Als je in het voorbeeld van de AlphaGo input data geeft van professionele games die al gespeeld zijn door menselijke spelers, leert dit algoritme simpelweg de game te spelen zoals een mens en zal deze nooit beter worden dan, of met nieuwe technieken komen.

Daarom is de beste manier om zo’n algoritme te trainen door deze zelf te spelen/werken, met totaal willekeurige acties en een scoring systeem die de feedback verzorgt. In het begin zal het algoritme alleen maar verliezen, maar op een bepaald moment zal deze geluk hebben en iets goeds doen. Hier leert het algoritme van en deze zal deze acties positief associëren. Het probleem met deze methodiek zal waarschijnlijk wel opvallend zijn nu: Het kost ongelooflijk veel tijd en moeite. En dit is ook de reden dat deze techniek voor het grootste deel van alle bedrijven niet interessant zal zijn in de nabije toekomst.

Sectoren met Reinforcement Learning toepassingen:

  • In de Robotica wordt RL door Google gebruikt om hun energieverbruik te halveren en er zijn startups die RL gebruiken voor het tunen van hun gereedschap in het design-proces
  • Salesforce gebruikt RL om Text Mining toe te passen om van lange teksten goed leesbare en relevante samenvattingen te laten maken. Dit kan interessant zijn om bijvoorbeeld en masse websites/LinkedIn profielen van potentiële klanten/recruits te analyseren.
  • In de Zorg wordt RL gebruikt om adviezen te geven op dosering van medicaties, optimalisatie van behandelingen en klinische trials, etc.

Reinforcement Learning is dus enorm interessant, maar (nog) niet op voor het gebruik voor Marketing. Wat wel interessant is, is het streven van data professionals van Marketing Automation. Dit is het idee dat computers uiteindelijk klanten optimaal door hun Customer Journey heen gaan helpen, door op de juiste momenten op de juiste plekken gepersonaliseerde advertenties te plaatsen en e-mails te versturen.

 

Bekend gebruik van AI en Machine Learning voor marketing

Buiten de eerder genoemde voorbeelden van toepassingen van de verschillende methoden, zijn er natuurlijk veel meer toepassingen die je kan bedenken (en al bedacht zijn). Hier zal ik een lijstje geven van bedrijven die marketing en online marketing makkelijker en efficiënter maken door het gebruik van AI en Machine Learning.

  • GumGum: Een Computer Vision toepassing die miljoenen websites scant en de plaatsing van advertenties efficiënter maakt en Cognitief Advertentie Vermijdend Gedrag (Roy de Jong & Wouter de Vries, 2019) tegengaat. Hier vind je een case study die ingaat op hoe GumGum een hotelketen heeft geholpen met het binnenhalen van 148.000 extra bezoekers.
  • AiDeal: Een toepassing die ontwikkeld is door Appier. AiDeal bepaalt wie twijfelende consumenten zijn en ontwikkelt in real-time gepersonaliseerde deals.
  • Quantcast: Het bedrijf Quantcast heeft het grootste platform voor “audience behaviour” gelanceerd: Q. Als klant van Q lever je je ideale klanten of doelgroepen aan, en vervolgens bouwt Quantcast een uniek algoritme die klanten binnen de doelgroep op het juiste moment een advertentie van het juiste product laat zien.
  • Cognitiv: Cognitiv laat met 4 toepassingen verschillende toepassingen van Marketing Automation zien. Met hun 4 AI toepassingen (Cognitiv Performance, Incremental, Audience en Search) richten zij zich volledig op het efficiënt gebruik maken van advertentiemogelijkheden. Cognitiv is een erg vooruitstrevend bedrijf, gedreven om uit zo min mogelijk euro’s zoveel euro’s tevoorschijn te toveren/voorspellen.

 

Conclusie

Het doel van deze blog was om te kijken wat Artificial Intelligence is en hoe je het gebruikt voor marketing. Hiervoor zijn we eerst gaan onderzoeken hoe het werkt. Daarmee hebben we voortgebouwd op hoe het gebruikt kan worden. Vervolgens keken we naar wat use cases zijn en wat voor problemen daarmee getackeld kunnen worden. Belangrijke toepassingen van A.I. kunnen dus het uitzoeken van de juiste doelgroep zijn, het aanbod van de content op je website/shop personaliseren voor de unieke gebruiker of het hele Internet te Minen om er achter te komen welke bedrijven geïnteresseerd zouden zijn in je B2B service/product.

Dit zijn maar een paar voorbeelden van methoden die al ouder en al talloze keren gebruikt zijn. Wat het meest interessante is voor marketeers en marketing managers, is dat je begrijpt wat A.I. is en inhoudt. Dat je vervolgens een beetje begrijpt wat wel en niet mogelijk is en dat je zelf gaat bedenken hoe je jouw marketing met A.I. kunt verbeteren. Deze toepassingen beginnen allemaal met een vraag/probleem en daarna ga je kijken naar welke data je nodig hebt. Het marketingveld verandert snel en het is niet alleen handig om te weten wat je kunt verwachten.

Daarom doe ik hier ook een oproep: Doe je eigen kennis op over Artificial Intelligence en ga innoveren. Als grote organisatie moet je bezig met het toepassen van alle data die je hebt opgedaan. loop je vast en zeker al een kilometer achter op de toppers van je branche. Gebruik AI voor je marketing en ga voorlopen in efficiëntie!

En met deze uiteenzetting geven we antwoord op de vraag: Hoe gebruik je AI en Machine Learning nu voor marketing en online marketing en hoe gaat het marketing verbeteren?

 

 

Bronnenlijst

Vedant Misra. (2017). AI and Big Data Are Changing Our Attention Spans. Hubspot.com. https://blog.hubspot.com/marketing/ai-and-big-data-are-changing-our-attention-spans?__hstc=8116973.cfb9d28f125db2c0f21d2cc9981faeaa.1608195057727.1608195057727.1608195057727.1&__hssc=8116973.2.1608195057728&__hsfp=2249088457

V Sharma. (2019, January 8). Deep Learning – Introduction to Recurrent Neural Networks. AILabPage; AILabPage. https://ailabpage.com/2019/01/08/deep-learning-introduction-to-recurrent-neural-networks/

Roy de Jong & Wouter de Vries (Augustus, 2019). Online adverteren en het brein van de consument; Val niet op, dan valt u op!.

 

 

3 Replies to “AI Marketing: Hoe gebruik je AI voor marketing?”

  1. Erg interessant artikel! Leest ook erg fijn. Mooi om te zien dat er eindelijk iemand is die iets daadwerkelijk opheldert over de toepassing van AI voor marketing. Prettig om te zien.

  2. Heldere introductie voor een voor mij nieuw gebied. Je geeft een goed overzicht van de verschillende methoden. Het nodigt uit om er mee aan de slag te gaan.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *