Marketing op maat gemaakt
Van theorie naar praktijk
Potentiële kopers overtuigen is een kunst. Demografische, financiële, en omgevingsfactoren bepalen of jouw potentiële klant effectief overgaat tot een aankoop. Hoe beter je het profiel van de klant aflijnt, hoe beter je kan inspelen op die factoren. Denk hierbij niet enkel aan welke boodschap je presenteert aan de klant, maar ook aan het communicatiekanaal dat je daarvoor gebruikt of de frequentie waarmee je communiceert. AI helpt je om het profiel van jouw klanten scherper te stellen. Dit bied je de mogelijkheid om gerichter aan marketing te doen, wat kan leiden tot een hogere merkbekendheid, betere klantrelaties, meer return of investment (ROI) op je budget voor marketing, en uiteindelijk een verhoogde omzet.
Toepassingen
Klanten zetten reeds veel informatie online waarmee je hun klantenprofiel verder kan afstellen. Het is echter vaak moeilijk om die grote hoeveelheid data te verwerken en om te zetten naar een bruikbaar profiel. AI helpt je sneller grote hoeveelheden van klantendata om te zetten naar zo een klantenprofiel.
Je bent vast al bekend met de reviews die klanten online delen wanneer ze een product of service hebben gebruikt. Denk bijvoorbeeld aan iemand die een avondje op restaurant is gegaan en nadien haar ervaring deelt op Google Maps. Of iemand die een review schrijft op de website van een supermarkt over een product dat hij recent heeft gekocht. Maar ga maar eens door al die reviews om waardevolle informatie over je klanten te vinden, dat kost enorm veel tijd en je moet er de juiste expertise voor in huis hebben. AI maakt het echter mogelijk om automatisch een zogenaamde sentimentanalyse uit te voeren op deze reviews, waarbij je de emoties (bv. boos, blij, verrast) achter de reviews detecteert. Zo een analyse laat je toe om bijvoorbeeld te achterhalen welke producten of ervaringen specifieke klanten leuk vinden en welke net niet.
Maar je kan ook verder gaan dan enkel online reviews. De koffiehuisketen Starbucks gebruikt zo AI om – met toestemming van hun klanten – de smartphone van klanten met een Starbucks account te herkennen bij binnenkomst, hun bestelgeschiedenis op te halen, en vervolgens de barista een gepersonaliseerd productvoorstel on the-spot te doen. Knorr, het Duitse voedingsmerk, benutte de nieuwe mogelijkheden van AI om klanten te leren kennen nog wat creatiever. Knorr zag dat mensen vaak graag foto's van wat ze eten op Instagram plaatsten. Dat gaf hun een idee. Waarom de gerechten op die foto’s niet analyseren met beeldherkenning en op basis daarvan gepersonaliseerde recepten met Knorr-producten voorstellen? Zo creëerde Knorr met de tool “Eat Your Feed” een mooie link tussen de leefwereld van hun potentiële klanten en Knorr's producten.
Ook Coca-Cola is niet onbekend met op creatieve manieren hun klanten persoonlijk aanspreken. Deze keer gebruikten ze AI daarvoor. Met data van selfservice drinkfonteinen die klanten toelaat om hun eigen drankjes te mixen, kon Coca-Cola de meest populaire combinaties achterhalen. Deze analyse leidde uiteindelijk tot een geheel nieuwe smaak: Cherry Sprite. Overigens analyseert Coca-Cola met behulp van AI wanneer hun merk vernoemd werd op sociale media zoals Facebook en Twitter om te achterhalen wie hun klanten precies zijn, waar ze vandaan komen, en wat ze zeggen over Coca-Cola.
Tot slot, Campbell, van de bekende Campbell tomatensoep, maakt gepersonaliseerde advertenties met behulp van AI. Tijdens de coronacrisis zag Campbell dat mensen hun eet- en winkelgewoontes plots veranderden, bijvoorbeeld doordat mensen meer thuis kookten. Om op deze veranderingen in te spelen, bouwde Campbell meer dynamische advertenties met bijvoorbeeld receptsuggesties die continue aangepast werden op basis van het clickgedrag van online bezoekers. Dit leidde tot een vier keer zo hoge click-through rate voor de advertentie dan wat ze normaal verwachtten.
Vereisten
Data
- Historische marketingacties en campagnes
- ~Inclusief timestamps, target audience, boodschap, kanaal etc.
- ~Indien mogelijk: reactie van klant op marketingcampagne (zoals registratie, click...)
- Historische bestellingen van klanten
- ~Klant te koppelen aan marketingactie
- ~Gekocht item te koppelen aan marketingactie
- ~Inclusief timestamp, verkoopkanaal, item(s), monetaire waarde/winst
- Persoonlijke klanteninformatie
- ~In zoverre compliant met GDPR
- Optioneel: historische marketingcampagnes van klanten
Hardware
- Standaard dataopslag en data verwerkingscapaciteit
Algoritme
- Classificatie-algoritme
- ~Support vector machine
- ~Random forest / decision tree
- ~Neuraal netwerk
- Clustering algoritme
Aandachtspunten
- Aandacht voor GDPR en Ethiek. Marketing intelligence toepassingen vergen het gebruik van klantendata en dit is steeds gevoelig. Consulteer je Data Protection Officer of GDPR consulent. Maak duidelijk welke datavelden je wenst te gebruiken en waarom.
- Anonimiseer je data. Steek voldoende tijd in het anonimiseren van data. Een algoritme heeft geen boodschap aan eigenschappen zoals voornaam en achternaam, deze kunnen makkelijk uitgefilterd worden. Eigenschappen die mogelijk wel belangrijk zijn zoals leeftijd en/of locatie probeer je best te abstraheren naar een hoger niveau (leeftijd in jaren i.p.v. exacte geboortedatum, stad i.p.v. GPS-coördinaat) of vervang je door anonieme labels (LOC123 i.p.v. Brussel).
- Geen one size fits all. Er zijn vele aanpakken mogelijk om een suggestie te krijgen over ideale marketing-boodschap, -kanaal... voor een specifieke klant. We geven hieronder drie verschillende aanpakken. Deze lijst is niet exhaustief.
- ~(1) Je filtert uit je historische dataset die instances waarvan je weet (of aanneemt) dat ze een positief effect hadden op een individu. Dit kan je afleiden aan bijvoorbeeld het plaatsen van een bestelling of het reageren via click, registratie... Vervolgens train je een classificatiemodel dat marketingkanaal en/of -boodschap... voorspelt op basis van klanteninformatie en contextinformatie.
- ~(2) Je beschouwt je probleem als een recommendation engine. Je gaat op zoek naar klanten voor wie een marketing-kanaal, -boodschap.... een positief effect had in je historische dataset. Voor nieuwe klanten, of klanten die in een nieuwe fase van hun customer lifecycle zitten, voer je vervolgens een clustering uit om te kijken op welke historische klant zij het meest lijken. Je selecteert dezelfde marketingacties voor deze klant.
- ~(3) Je definieert een indicator voor “bereidheid tot aankoop” (zelfstandig te definiëren aan de hand van effectieve aankoopwaarde, reactie op marketingboodschap). Je moet deze indicator voor 1 bepaalde klant op meerdere momenten in de tijd kunnen meten (zowel voor als na een marketingactie). Je berekent per klant het effect van een marketingcampagne op de bereidheid. Vervolgens train je een model dat deze verandering kan voorspellen aan de hand van marketingactie, klanteninformatie en contextinformatie. Ten slotte bouw je een optimalisatiealgoritme dat de marketingparameters optimaliseert om tot een zo hoog mogelijke bereidheid te komen gegeven bepaalde klanteninformatie en bepaalde contextinformatie.
- Marketing is een marathon, geen sprint. Bij een marketingcampagne kunnen langetermijn-effecten spelen die verder gaan dan enkel het effect van de huidige campagne. Hierdoor zou je eigenlijk op strategisch/tactisch niveau naar marketingcampagnes moeten kijken en per klant een optimale frequente, sequentie van boodschappen, kanalen etc. selecteren. Indien je rekening wenst te houden met al deze factoren, dan heb je behoefte aan een oplossing die nog een graad complexer is dan degene die hierboven voorgesteld worden.
Stappenplan
- Vastleggen van de doelstellingen van het algoritme: zoek je beste boodschap/kanaal/... voor een bepaalde klant of zoek je het ideale publiek voor een specifieke boodschap?
- Vastleggen hoe de oplossing past in het huidige bedrijfsproces
- Kiezen van oplossingsstrategie en architectuur
- Identificeren van benodigde en beschikbare data
- Aftoetsen van GDPR beperkingen en verplichtingen
- Verzamelen van benodigde data
- ~Ontsluiten en/of aankopen van data
- ~Indien nodig: annoteren van data
- ~Anonimiseren van data
- Voorverwerken van dataset
- ~Feature engineering: toevoegen van impliciete features aan dataset.
- ~Feature engineering: berekenen van gedefinieerde indicatoren
- ~Opsplitsen van data in inputvariabelen en outputvariabelen
- ~Opsplitsen van data in training en test set
- ~Normaliseren van data
- Bouwen van gekozen oplossing
- ~Trainen en finetunen van machine learning model(len)
- ~Valideren van resultaten
- Operationaliseren van oplossing
- ~Operationaliseren van data pipeline
- ~Ontplooien van oplossing
- ~Integreren van resultaten
- Monitoren van oplossing
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
