Data Science

Next best action: Personalisatie met AI

Heb jij je wel eens afgevraagd hoe je de ideale klantreis inricht? De klantervaring wordt immers steeds belangrijker. Personalisatie speelt daar bij een cruciale rol, in alle touchpoints van de organisatie.

Heb jij je wel eens afgevraagd hoe je de ideale klantreis inricht? De klantervaring wordt immers steeds belangrijker. Personalisatie speelt daar bij een cruciale rol, in alle touchpoints van de organisatie naar de klant. Herken jij jezelf in een van de volgende vragen?

  • Wat voor banner moeten we tonen op de website?
  • Welke klanten kunnen we het beste benaderen voor een upgrade?
  • Welke klanten neigen ons op de korte termijn te verlaten?

Door data op een effectieve manier in te zetten is het mogelijk de klantreis voorspelbaarder en beïnvloedbaar te maken. Dagelijks kom je al voorbeelden tegen van effectieve personalisatie, denk daarbij aan de pushmelding van Uber Eats op de zondagavond als je op de bank zit, of de aanbevolen films van Netflix en Disney+ op basis van je kijkgedrag.

Experimentatie

Een groot onderdeel van de klantreis bevindt zich tegenwoordig op de website. Cruciaal aan het optimaliseren van de klantreis op de website is het opzetten van een experimentatie framework. Je wilt immers heel snel kunnen testen wat werkt. Met zogenoemde A/B testen kunnen diverse functionaliteiten op de website geoptimaliseerd worden.

Het idee daarachter is dat je de website gebruikt als een live experiment. Je hebt twee versies: versie (A) de website met een blauwe banner, en versie (B) een identieke website met een rode banner. Mensen die op de website komen zullen ofwel versie A of versie B te zien krijgen. Vervolgens worden er verschillende meetwaarden over de klant bijgehouden, zoals of deze sneller een aankoop doet na het zien van de rode banner in plaats van de blauwe banner.

Met een statistische toets wordt bepaald welke versie beter werkt en deze zal voortaan gebruikt worden op de website. Nu was dit een eenvoudig voorbeeld over de kleur van een banner, maar je kunt je voorstellen dat bedrijven dit op grote schaal op alle componenten van hun website doen. Bijna alle bekende technologie bedrijven werken hier dagelijks mee, zoals Amazon, Facebook, Netflix, Google en Airbnb.

Personalisatie op de website

Met personalisatie zet je nog een stap verder. Daarmee probeer je namelijk niet te kijken welke website voor iedereen beter werkt, maar je wilt zien wat beter werkt voor een bepaald klantprofiel. Het klantprofiel bevat informatie over de klant, bijvoorbeeld klikgedrag op de website, en op basis daarvan wordt gezocht wat klanten met hetzelfde klikgedrag eerder het beste geholpen heeft.

Een klant die bijvoorbeeld al langere tijd op de website zoekt naar badhanddoeken zal waarschijnlijk het meeste geholpen worden met informatie over badhanddoeken. Een klant die we voor het eerst zien op de website zal mogelijk het meest geholpen worden met hetgeen waar het meeste opgezocht wordt op de website. Een klant die binnenkomt vanuit de webbrowser Safari heeft mogelijk andere interesses dan een klant vanuit de webbrowser Chrome.

Het vinden van de beste banner op de website voor een klantprofiel is dus een experimentele, en complexe taak. Stel je hebt 10 banners, dan zul je voor alle 10 de banners voor alle type klantprofielen willen uitproberen welke banner het beste werkt. In sommige gevallen zijn er wel duizenden banners. Deze optimalisatie is uitermate geschikt om op te lossen met Kunstmatige Intelligentie - oftewel Artificial Intelligence (AI). Het doel is dan om de beste banner te voorspellen op basis van het klantprofiel. Een aanpak die daar veel voor gebruikt wordt is een speciale tak in de AI: Reinforcement Learning.

Bij reinforcement learning wordt gebruik gemaakt van een of diverse ‘agent(en)’ (het model) die opereren in hun ‘omgeving’ (de website) om een banner (’actie’) uit te leveren gegeven het klantprofiel. Vervolgens wordt gemeten hoe goed de uitlevering van een banner werkt bij de klant op basis van een ‘beloning’, en banners die goed werken worden in het vervolg vaker gekozen. Door dit bij genoeg klanten uit te proberen begint een model vanzelf te begrijpen wat voor banner werkt bij welk type profiel.

Dit betekent dus dat een model begint door heel veel te ontdekken. Dit kan het model bijvoorbeeld doen door willekeurig banners uit te leveren bij een klantprofiel en te zien hoe dat werkt. Na het willekeurig uitleveren van 1000 banners zal het model al iets beter begrijpen welk type banner beter functioneert: het model leert van haar uitleveringen. Op een bepaald punt (bijvoorbeeld bij 10000 banners) is het model bekwaam genoeg om slimme banners voor te stellen op basis van een klantprofiel: de stap richting effectieve personalisatie. De afweging tussen ontdekken en gebruik maken van het model staat ook wel bekend als de exploration-exploitation trade-off.

Met deze data-gedreven experimentele set-up is het dus mogelijk om iedere website en de klantreis naar een hoger niveau te tillen. Wij hebben met soortgelijke aanpakken verbeteringen bereikt waar de conversie met ruim 70% verhoogt werd.

The next best action

Echter hoeft personalisatie zich niet direct te richten op de website. Er zijn ook talloze voorbeelden waar men voor een keuze staat welke klanten beter benaderd kunnen worden voor een bepaalde oplossing. Een voorbeeld hiervoor is bijvoorbeeld welke mensen het beste benaderd kunnen worden voor een upgrade van een vlucht vlak voordat het vliegtuig vertrekt, of wanneer klanten benaderd moeten worden voor het doen van een nieuwe aankoop, zoals een nieuwe auto of het doen van boodschappen.

Op basis van historische data is het vaak al mogelijk modellen te trainen die leren wat voor klantprofielen in het verleden opnieuw een aankoop of upgrade gedaan hebben, en welke daarbij dus het beste benadert kunnen worden. Door dit op verschillende vlakken binnen de organisatie toe te passen, zal een combinatie van deze verschillende modellen leiden tot de volgende logische stap voor ieder klantprofiel: the next best action.

Ook in deze situatie is het wenselijk af en toe te ‘ontdekken’: prestaties uit het verleden zijn immers geen garantie voor de toekomst. Ontdekking vereist experimentatie, en daarmee is het interessant af en toe experimenten uit te voeren om het model te voorzien van nieuwe, waardevolle data om haar kennis te verrijken.

Kortom, er liggen ontzettend veel kansen als het aankomt op het inzetten van data en AI op het gebied van personalisatie. Met een experimenteel framework en de bijbehorende mindset is er veel mogelijk om de klant beter te ondersteunen in zijn of haar klantreis.

Benieuwd wat personalisatie voor jullie kan betekenen? Inmiddels hebben wij diverse personalisatie projecten uitgewerkt met waardevolle resultaten. Daar vertellen we je graag meer over in een gesprek.

Op zoek naar een specifieke expertise?

Wij hebben veel ervaring op het gebied van personalisatie met AI.

Fill the form to download the Whitepaper

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

Download whitepaper to learn

Unique computer vision technology reads invoices in a way that ensures fast invoice data capture and greater accuracy with use.


Unique computer vision technology reads invoices in a way that ensures fast invoice data capture and greater accuracy with use.


Unique computer vision technology reads invoices in a way that ensures fast invoice data capture and greater accuracy with use.

Your vendors need to get paid on time. We’re all dealing with coronavirus chaos, closures, and cutbacks, so using accounts payable automation to process their invoices efficiently will result in stronger supplier-customer relationships.