Strategie

Hoe AI jouw waarde als professional in e-commerce kan vergroten

0

Tenzij je de laatste twee jaar onder een steen hebt geleefd, kan het je niet zijn ontgaan dat AI op het punt staat om de wereld over te nemen. Of toch niet? In e-commerce zien we steeds vaker dat wat getoond wordt aan bezoekers per keer kan verschillen. Is dit AI, plat gezegd dat het systeem niet meer aangestuurd hoeft te worden? Of is het niet volledig autonoom en maak jij als professional in e-commerce het verschil?

Waar kan technologie jouw waarde als professional in e-commerce vergroten? Als  je jezelf deze vraag niet stelt, neemt de kans toe dat jij in dienst staat van de technologie in plaats van andersom. Vroeger waren er locomotiefstokers die voortdurend kolen moesten bijvoeren en telefonistes in oude centrales die abonnees letterlijk met elkaar verbonden. De verschillen met e-commerce-professionals zijn natuurlijk groot, maar de overeenkomsten blijven overeind. Het is belangrijk te begrijpen hoe systemen werken zodat je mee kunt blijven denken met de techneuten.

Mijn doel met dit artikel is op een begrijpelijke manier te belichten hoe AI en predictive technologieën in e-commerce werken. Reageer onder het artikel of dat gelukt is en welke vragen je nog hebt!

Van datagedreven naar AI-gedreven e-commerce?

Data, machine learning, AI. Vijf jaar geleden draaide het vooral om big data, inmiddels horen we alleen nog AI. Big data ging vooral over het verhogen van datakwaliteit, het vastleggen van grote hoeveelheden data en het exploreren en analyseren van data. In e-commerce hebben sindsdien systemen hun intrede gemaakt die op basis van data taken hebben geautomatiseerd en autonomer zijn geworden. Technologie-aanbieders uit alle hoeken hebben dit aangegrepen om zonder onderscheid mee te liften op de AI-hype. Vrijwel geen enkele toepassing in e-commerce is echter echt AI-gedreven. Er zijn al wel systemen die behoorlijk slim gebruikmaken van data en inspelen op context.

Waar ligt de scheidslijn?

Wanneer is er sprake van AI? Hoe intelligent een systeem moet zijn, wordt bepaald door de complexiteit van de taak die geautomatiseerd wordt en hoe autonoom het systeem moet kunnen opereren. Eenvoudige en weinig autonome taken, zoals het maken van een database-selectie, kunnen we beter datagedreven dan AI-gedreven noemen. Een zelflerend systeem op basis van data ligt daarentegen dicht bij AI.

Waar ligt de scheidslijn? Dat kan per toepassing verschillen. Het is juist belangrijk dat AI het pas overneemt waar het beter en efficiënter presteert dan een deskundig persoon. Een marketeer of een e-commercespecialist met veel klantkennis kan juist beter dan een systeem relevante verbanden leggen. Die verbanden zijn beter uit te leggen zijn en er zijn minder datapunten nodig. Als er kennis is, wil je die maximaal benutten.

Twee uitersten

Hieronder ga ik dieper in op verschillende wijzen van werken met data. Te beginnen met het maken van database-selecties, een veelvoorkomende en weinig autonome taak. Gevolgd door het andere uiterste, systemen die unsupervised learning toepassen om geheel zelflerend betere resultaten op te leveren. Hier wordt veel mee geëxperimenteerd, maar in e-commerce zijn er nog geen autonome systemen die breed en succesvol worden toegepast. Voor e-commerce-professionals ligt de sweet spot daarom tussen die twee uitersten, in het domein van predictive. Predictive systemen kennen een hoge mate van autonomie en gebruiken gestuurde, lerende modellen. Die complexe modellen presteren het beste met input vanuit de kennis, intuïtie en creativiteit van e-commerceprofessionals.

Er waren eens…. database-selecties

Het maken van database-selecties is de moeder van datagedreven e-commerce. Voor e-mailmarketing bijvoorbeeld, is het inmiddels vrij gebruikelijk om selecties te maken en niet meer iedereen dezelfde e-mail te sturen. Selecties worden gemaakt aan de hand van kenmerken als ‘heeft iemand een bepaald product gekocht’ of ‘heeft iemand producten van het merk adidas bekeken’. Je kunt meerdere kenmerken combineren, zodat alleen e-mailontvangers die aan alle voorwaarden voldoen, een bepaalde e-mail krijgen toegestuurd.

De taak om iedere dag checken welke geadresseerden aan de voorwaarden voldoen en die vervolgens een e-mail sturen, kan worden geautomatiseerd. Dit wordt marketing automation genoemd. De meeste e-mailserviceproviders hebben dergelijke functies. Ook retargeting-functies en personalisatiefuncties die standaard meegeleverd worden met e-commerce-suites, steunen in hoofdzaak op het handmatig definiëren van doelgroep en opvolgactie.

De kracht en de keerzijde van database-selecties

De kracht van het maken van database-selecties is dat deze manier van werken aansluit op de traditionele top-downaanpak in marketing. De online professional bepaalt zelf welke opvolgacties, campagnes of promoties belangrijk genoeg zijn en maakt en automatiseert hiervoor de selecties. De keerzijde is natuurlijk dat er geen opvolgacties komen zonder dat de marketeer iets heeft gedefinieerd. Voor een hoge slaagkans (bijvoorbeeld een klik of aankoop) moet je bovendien de selecties klein en precies maken. Maar dan heb je weer een klein bereik en dus veel verschillende e-mailuitingen nodig.

Verder hebben database-selecties het nadeel dat een e-mailontvanger wel of niet tot een selectie behoort. Iemand heeft wel of geen artikelen van adidas bekeken. Maar als die persoon één artikel van adidas heeft bekeken en tien van Nike, zou een Nike-promotie doeltreffender dan één van adidas.

 

Heeft iemand merk X bekeken? Dan sturen we die de e-mail waarin dat merk gepromoot wordt.

Deep learning is het helemaal… in de toekomst

De relatie tussen de professional in e-commerce en het systeem is meestal dat de professional het systeem vertelt wat te doen en ook hoe de taak te doen. Bijvoorbeeld: welke data gebruikt moet worden. Dit noemen we expliciet modelleren. Lastig van expliciet modelleren is dat mensen relaties of complexiteit in relaties over het hoofd kunnen zien. Of ze denken dat relaties bestaan die er in werkelijk niet zijn. Een marketeer kan vanwege zijn achtergrond veel belang toekennen aan merken, terwijl bezoekers van een webshop beslissingen nemen op recensies en levertijd.

Unsupervised machine learning

Om het probleem van een vooropgezet maar helaas onvolledig of onjuist model te vermijden, worden deep learning-methodes ingezet. Deep learning kan, kort gezegd, steeds andere combinaties en abstracties maken van data en leent zich goed voor unsupervised machine learning. Door in neurale netwerken heel veel acties en uitkomsten te verwerken, kan het systeem leren welke actie tot een betere uitkomst leidt. Zo kunnen twee neurale netwerken elkaar trainen door spelletjes Go tegen elkaar te spelen. Alleen de uitkomsten en de zetten van de spelletjes zijn expliciet. Het systeem leert autonoom, zonder een vooropgezet model. Deep learning wordt toegepast op uiteenlopende gebieden waar mensen het moeilijk vinden om tot een goedwerkend model te komen (zelfrijdende auto’s, herkennen wat is afgebeeld, gesproken taal).

Hoe heeft het systeem geleerd?

Op een webshop kan een systeem leren van een set van getoonde producten en de conversie van die producten tot een aankoop. Stand-alone e-commerce-toepassingen werken op het moment nog onvoldoende. Zo weet je niet precies wat het systeem leert. Merkvoorkeur kan bijvoorbeeld een rol spelen, de manier waarop dat werkt is goed te begrijpen. Maar het is ook mogelijk dat het systeem relaties legt met combinaties of abstracties van variabelen. Die hebben cijfermatig een hoge verklarende waarde, maar missen de intuïtieve interpretatie zoals motieven of gedragingen van klanten die wel hebben. Er is ook geen model dat je onder de loep kunt nemen. Het enige dat je hebt zijn de uitkomsten en hoe goed het systeem heeft gescoord op de totale test-set. Maar wie zal zeggen hoe het systeem heeft geleerd dat onderstaand plaatje een man voorstelt die een skateboard rijdt op een helling?

experiment AI Samim Winiger

Een experiment van Samim Winiger, Samim liet een neuraal netwerk de titels plaatsen bij een serie populaire video’s en clips uit films om enorme variatie in nauwkeurigheid te tonen van verschillende algoritmes.

Zelflerende systemen zijn ook gevoelig voor bias en kunnen zelfingenomenheid uit trainingsets overnemen. Ook is het werken met gaten in de data lastig, zeker als dat structureel is. Er is bijvoorbeeld geen data voorhanden van klanten die sites van concurrenten bezoeken nadat jij een productaanbeveling hebt gedaan. Dan kan het systeem niet leren dat die aanbevelingen blijkbaar interessant genoeg zijn voor klanten om daar bij een concurrent op te gaan zoeken.

Met deze obstakels benoemd, is het niet verwonderlijk dat autonoom leren in e-commerce vooral op labschaal plaatsvindt. Een veelbelovende ontwikkeling is het creëren en aanpassen van digitale content voor individuele advertenties. Deze toepassing kan duidelijk de relatie tussen tonen en klikken leggen. Bovendien zijn er in potentie heel veel gebruikers waarop geleerd kan worden. Dat geeft goede en diverse data om systemen mee te trainen. Verder worden AI-modellen in e-commerce ingezet als toevoeging op andere modellen, bijvoorbeeld op aanbevelingen uit gestructureerde modellen.

Predictive haalt het beste uit e-commerce-professionals

We nemen een klein stapje terug, meer letterlijk dan figuurlijk. We gaan terug van volledig autonoom lerende systemen naar het eerste voorbeeld over merkselectie. Iemand heeft een voorkeur heeft voor Nike en gaat toch een e-mail over adidas ontvangen. Je zult zeggen: ‘Ja, maar ik weet toch dat iemand tien artikelen van Nike heeft bekeken, dat staat toch gewoon in de data? Daar moet ik toch iets mee kunnen doen?’. Ja, dat staat gewoon in de data en er iets mee doen gaat richting predictive.

Predictive is een verzamelnaam voor het statistisch uitdrukken en inzetten van data. Een eenvoudige datagedreven opzet ziet het bekijken van een ieder merk als een aparte gebeurtenis (wel bekeken/niet bekeken). Predictive benadert het merk als een eigenschap van een bekeken product. Meerdere merken kunnen naast elkaar bestaan. De relevantie van ieder merk voor een individuele bezoeker kan het percentage bekeken producten van dat merk zijn, gedeeld door alle bekeken producten. Eventueel kan merkrelevantie per productgroep worden berekend, waardoor merkrelevantie Nike in loopschoenen anders kan zijn dan in loopkleding.

voorspelling merk

Slimme selectie

De selectie voor de e-mail kan hiermee een stuk slimmer worden. Je maakt je de selectie ‘welke bezoekers hebben adidas als meestbekeken merk’. Of ‘welke bezoekers hebben adidas als meestbekeken merk binnen sportschoenen’. Nog een stap verder ga je door adidas niet meer als geplande campagne in te zetten. In plaats daarvan wijs je alle ontvangers op de nieuwe collectie van hun favoriete merk. Dit doe je door per ontvanger de banner te sturen die overeenkomt met hun favoriete merk.

In e-commerce is het selecteren en tonen van relevante afbeeldingen, content of producten een veelvoorkomende toepassing. Verschillende verkooptaken zoals gepersonaliseerde productoverzichten, up- en cross-sell-aanbevelingen en promoties maak je hiermee een stuk slimmer en autonoom. Een paar maanden geleden heb ik op Frankwatching een artikel geschreven over predictive cross-sell-aanbevelingen. Predictive kun je ook loslaten op servicetaken, zoals het bovenaan tonen van de relevante FAQs, how-to-content en onderwerpen op gebruikersfora.

Wat je kunt doen met merk, kun je natuurlijk ook doen met andere kenmerken: maten, kleuren, et cetera. Je kunt statistieken van meerdere kenmerken combineren om te voorspellen wat voor een bepaalde bezoeker interessant is. Voor een gepersonaliseerde ervaring kun je de statistische gegevens van één bezoeker gebruiken. Je weet bijvoorbeeld dat het merk Nike een relevantiescore van 30 procent heeft, dan kun je items van Nike hoger tonen.

data klant

Data van een klant: Als vaak producten van Nike bekeken zijn, levert dit een grote bol op bij Merk: Nike. Ook het kenmerk Maat en relevantie van bijv. Medium is uitgedrukt in een score.

Collaborative filtering

Maar het kan ook zijn dat je maar weinig weet van bezoeker A. Dit kan zijn doordat je verschillende sessies van één bezoeker niet aan elkaar kunt relateren. Een geheel andere situatie kan zich ook voordoen: je weet weinig van de bezoekers, maar je weet heel veel over welke producten in dezelfde sessie bekeken worden. De producten zijn mogelijk goede substituten voor elkaar, bijvoorbeeld een bepaalde Nike- en een bepaalde Mizuno-loopschoen. Je wil de informatie die je wel hebt maximaal inzetten. Als bezoeker A kenmerken deelt met bezoeker B, kun je daar gebruik van maken. Producten van Under Armour die bezoeker B wel bekeken heeft en bezoeker A (nog) niet, kunnen voor A ook interessant zijn. Of je maakt gebruik van relatie tussen bepaalde schoenen en toont Mizuno-schoenen aan bezoeker A, als die gerelateerde Nike-schoenen interessant vindt. Gebruikmaken van relaties tussen personen of producten wordt collaborative filtering genoemd en worden veel toegepast in e-commerce.

Kennis van de marketeer als leidraad

Het mooie van predictive is dat de kennis van de marketeer als leidraad kan dienen in de modellen. In de mode kan een marketeer je vertellen dat merk, maat en kleur bepalend zijn of een klant een item interessant vindt of niet. In een andere categorie echter, bijvoorbeeld elektronica, kan het gaan om aantal en kwaliteit van de reviews. Het is de ervaring en analyse van het marketing of e-commerceteam waarmee datamodellen voor personalisatie direct in de juiste richting gestuurd worden. Lastig blijft hoe zwaar ieder kenmerk (feature) moet wegen. Maar met behulp van (supervised) machine learning kunnen deze geoptimaliseerd worden en blijven.

Vrijwel alle moderne commerce engines en recommender systems die door bedrijven in-house ontwikkeld worden, vallen in de predictive categorie. Wel zijn er grote verschillen tussen de gebruikte algoritmen, de complexiteit en de contextgevoeligheid van de toepassingen. Als realtime contextuele gegevens mee worden genomen (wie is de bezoeker, welke pagina’s zijn zojuist bekeken, wat zit er in de winkelwagen, wat is de locatie van de bezoeker, et cetera), wordt het systeem als ‘intelligenter’ ervaren.

Realtime interactie heeft als gevolg dat niet alleen goede modellen een rol spelen, maar ook om goede engineering, zodat gebruikers ondanks complexe modellen toch vrijwel direct resultaten getoond krijgen. E-commerceprofessionals kunnen hierin weer een behulpzame rol spelen. Door op bepaalde punten te benadrukken dat hoe het model de werkelijkheid moet volgen en op andere punten toestaan dat zaken eenvoudiger meegenomen kunnen worden.

Technologie vergroot de waarde van e-commerce-professionals

Technologie brengt voor e-commerce-professionals eigenlijk alleen maar goed nieuws. Professionals kunnen enorm veel waarde toevoegen door klanten en klantgedrag te doorgronden en deze kennis te verspreiden in de organisatie. Data en technologie doorgronden wordt wel steeds belangrijker. Het tijdperk waarin boodschappen en gedragingen vergaand gesimplificeerd moesten worden om het begrijpelijk en uitvoerbaar te maken (we hebben vier persona’s met deze typische kenmerken – trouwens we weten eigenlijk niet goed wie waarbij hoort) loopt op zijn laatste benen. Voor een-op-eenpersonalisatie op online kanalen moeten marketeers weten welke gedragingen van bezoekers belangrijke informatie opleveren over intentie en voorkeuren, waar in de data deze informatie is vastgelegd en welke methodes ze het beste kunnen toepassen om modellen goed te laten werken.

Echte AI in e-commerce is misschien nog ver weg, maar de slag om intelligenter dan je concurrent gebruik te maken van je data, is allang begonnen.