Artificial intelligence en machine learning in online marketing

Artificial intelligence en machine learning in online marketing

Twee termen die we de laatste jaren enorm vaak horen: Artificial intelligence en machine learning. Alle grote namen zeggen dat we ermee aan de slag moeten gaan of al lang iets mee hadden moeten doen. Is dat waar? Ik vind van wel... Is dat makkelijk? Verre van zelfs...

In dit artikel ga ik proberen in begrijpbare taal uit te leggen wat machine learning is en wat je ermee zou kunnen doen op je website of in je online marketingstrategie. Extreme diepgang op dit onderwerp is niet mogelijk in een eerste artikel, gezien de complexiteit van de materie. In de loop van dit blogbericht verwijs ik naar een aantal artikelen en geef ik suggesties om jezelf verder te verdiepen in dit onderwerp.
 

Het verschil tussen artificial intelligence, machine learning en deep learning

Men heeft de neiging om deze uitdrukkingen bijna doorlopend door elkaar te gebruiken: Artificial intelligence (AI), machine learning (ML) en deep learning (DL). Dit helpt natuurlijk totaal niet om het begrijpelijker te maken voor iemand die start met dit onderwerp. Vandaar dat we de termen stuk voor stuk met je doorlopen.

Artificial intelligence is simpelweg een intelligente machine

Artifical intelligence kan je onderverdelen in narrow AI en general AI. Narrow AI is simpel uit te leggen als een machine die geprogrammeerd is om één bepaalde taak heel goed te doen. Denk aan Siri op de Apple iPhone. General AI is heel anders en is van het type intellect dat bij mensen wordt gevonden. Een flexibele vorm van intelligentie die veel taken uit kan voeren, die in staat is om te leren, en zichzelf te verbeteren. Deze general AI wordt gevoed door de machine learning laag. 

Machine learning is het vermogen om te leren zonder expliciet geprogrammeerd te zijn

Machine learning bevat het leren en handelen van computers zoals mensen dat doen en het zelf verbeterende karakter hiervan. Niet door te vertellen wat ze moeten doen maar door gegevens en informatie te geven in de vorm van observaties en interacties. Sleutel tot dit proces zijn neural networks. Dit zijn door de hersenen geïnspireerde netwerken van onderling verbonden algoritmes, neuronen genaamd. Deze neural networks nemen gegevens op en kunnen worden getraind om specifieke taken uit te voeren door het belang dat wordt gegeven aan de gegevens aan te passen terwijl het tussen de lagen beweegt. Op dit moment is machine learning de meest interessante toepassing van AI. 

Deep learning is een specifieke techniek om machine learning toe te passen

Deep learning is een subveld van machine learning dat zich bezighoudt met algoritmen die zijn geïnspireerd door de structuur en functie van de hersenen. Op dit moment vormt deep learning de basis voor de meeste ongelooflijke vooruitgang in machine learning en AI.

Een aantal voorbeelden van het gebruik van machine learning op websites en in marketing

Omdat het gebruik van machine learning op websites en in marketing behoorlijk complex is, zie je het nog niet zo heel vaak terug in het werkveld. Toch zijn er ongemerkt al flink wat grote bedrijven die deze technieken inzetten om jouw leven beter te maken. Hieronder twee voorbeelden.

Google RankBrain

RankBrain is een onderdeel van het kernalgoritme van Google dat machine learning gebruikt om de meest relevante resultaten te bepalen voor zoekopdrachten in zoekmachines. Voordat RankBrain in werking trad, gebruikte Google het basis algoritme om te bepalen welke resultaten voor een bepaalde zoekopdracht moesten worden weergegeven.

Met de release van RankBrain gaat men ervan uit dat de zoekopdracht die een gebruiker doet een interpretatiemodel doorloopt dat factoren als de locatie van de zoeker, personalisatie en het specifieke taalgebruik van de zoekopdracht analyseert om de ware bedoeling van de zoeker vast te stellen. Hierdoor kan Google nog relevantere resultaten leveren.

Om het RankBrain algoritme te 'leren' om bruikbare zoekresultaten te produceren, stopt Google vanuit diverse bronnen datasets in het algoritme. Het algoritme neemt dit allemaal op en leert zichzelf in de loop van de tijd om verschillende signalen aan verschillende resultaten te koppelen en zo de resultaten te rangschikken op basis van deze berekeningen. 

Yelp classificeert afbeeldingen met deep learning

Op dit moment heeft Yelp zo'n 10 miljoen afbeeldingen die ze classificeren. Als review website van restaurants is het cruciaal dat deze afbeeldingen correct zijn en dus ook op de juiste plek staan. Hiervoor heeft Yelp een Photo Classifier gebouwd. Die gebruikt o.a. foto omschrijvingen, crowdsourcing en attributen om foto's op voorhand in een bepaalde categorie te plaatsen en zo een eerste dataset te bouwen.

Met deep learning technologie is vervolgens een Photo Classification Service gebouwd op basis van deze attributen. Op basis hiervan hebben ze met een SOA (Service-Oriented Architecture) deze service RESTful opgezet om zo meerdere platformen binnen de website te kunnen ondersteunen.

Deze applicatie is nu de drijvende kracht achter o.a. de Cover Photo en het Tabbed Photo Browsing gedeelte op de website.

Yelp heeft een uitgebreid blogbericht geschreven hoe ze dit hebben gedaan en dat kan je via deze link lezen.

Drie mogelijkheden in de online marketing op dit moment

Bovenstaande voorbeelden laten zien dat je alle kanten op kan met machine learning. Dit maakt het moeilijk om te beginnen. Je hebt namelijk binnen je bedrijf een aantal knappe koppen nodig die weten hoe ze dit moeten doen en dit daadwerkelijk voor je kunnen uitrollen. Als je die hebt dan kan je hele interessante zaken ontwikkelen die je bedrijf kunnen onderscheiden van de concurrentie. Houd er rekening mee dat het over 3 jaar gebruikelijk is om een machine learning toepassingen te vinden in alle vormen en maten onder bedrijven, en dus ook onder je concurrenten.

Daarom hier drie ideeën die direct toepasbaar zijn voor alle online e-commerce bedrijven om betere (online) marketing te doen en een betere website aan te bieden aan hun gebruikers.
 

Cluster je klanten op basis van machine learning

Niet alle klanten zijn hetzelfde. Machine learning kan je helpen om je klanten te verdelen in dynamische groepen zodat je ze ook apart kunt benaderen. Identificeer de interesses van je klanten op basis van het gedrag op je website maar ook hun zoekgedrag, surfgedrag, social media activiteiten en nog veel meer. Zo leer je wie interesse heeft in welke producten, welke series kijkt op Netflix of wie naar welk land op vakantie wil.

Neem eens een kijkje bij Affinio die deze opties als software beschikbaar heeft.

Regressie modellen ontwikkelen voor dynamische prijzen 

De juiste prijs op het juiste moment maakt het verschil tussen een verkoop aan een klant of niet. Of dit nu gaat om koelkasten, vliegtickets of bungalows. Je wordt continu vergeleken met je concurrenten. Een regressie-analyse is een techniek waarbij met statistische modellen de samenhang van gegevens wordt bepaald. Als je dit combineert met machine learning kan je de juiste prijs voor het juiste product op het juiste moment in de customer journey bepalen. Dit kan ook worden toegepast op bijvoorbeeld marketingbudgetten of sales forcecasts. 

Welk algoritme je kiest is van groot belang voor het resultaat en dit is afhankelijk van je dataset, grootte en structuur zoals je hieronder in de afbeelding kan zien. Voor een veel diepere uitleg over de voor- en nadelen van de diverse modellen, lees dan dit artikel.

Analyseren en verlagen van je churn rate met Azure

Churn rate wil simpelweg zeggen het aantal afhakende klanten, opzeggende leden of abonnees van je bedrijf. Hoe lager dit is hoe beter natuurlijk, om diverse redenen. Dit staat namelijk direct in verband met customer lifetime en dus ook de custom lifetime value van je bedrijf, een waarde die we binnen online marketing enorm veel gebruiken. 

Stel je verliest 25% van je klanten elk jaar dan is de gemiddelde customer lifetime 4 jaar. Stel je verliest slechts 20% van je klanten elk jaar dan is de gemiddelde customer lifetime direct 5 jaar geworden. Een focuspunt dus voor veel ondernemingen.

Met behulp van grote datasets aan klantgegevens kan je een churn detectie op basis van big data uitvoeren als een effectieve benadering van het probleem binnen jouw organisatie. Azure heeft een mooie voorbeeldcase gemaakt hoe je dit vrij simpel kan opzetten met hun machine learning platform.

Ga zelf aan de slag met machine learning

Drie simpele voorbeelden, althans zo worden ze uitgelegd maar hoe nu verder? Dat is afhankelijk van de positie die je vervult binnen je bedrijf. Allereerst denk ik dat het heel belangrijk is om écht te begrijpen dat als je nu nog geen stappen maakt met machine learning je nog niet te laat bent. Echter veel van jouw concurrenten zijn wel aan het voorbereiden of zoals in bovenstaande voorbeelden simpelweg al aan het implementeren. 

De grote vooruitgang op het internet de komende jaren zit hem in machine learning en AI. Als bedrijf kan je niet achterblijven en je bent nu nog in staat een gigantische voorsprong te maken ten opzichte van veel van je concurrenten.

Wil je meer weten? Volg dan deze twee simpele stappen;

1. Jason Maye heeft bijna 2 jaar besteedt aan het uitzoeken hoe machine learning werkt, wat er mogelijk is en waar het heen gaat en heeft dit in een uitgebreide presentatie gezet.
2. Daarna ga je verder met de Machine Learning Crash Course van Google.

Heb je dit gedaan? Dan ben je er zeker nog niet maar weet je voldoende om voor jezelf en jouw bedrijf de volgende stap te bepalen.