Machine learning is een vorm van artificiële intelligentie, waarbij algoritmes worden geleerd om voorspellingen te doen aan de hand van grote dataverzamelingen, zonder dat de algoritmes opnieuw hoeven te worden geprogrammeerd voor iedere nieuwe dataset. Een van de grootste uitdagingen op het gebied van machine learning in de retail is het winnen van het vertrouwen van klanten. Geef je geen goed advies, dan veroorzaak je een vertrouwensbreuk.
Met machine learning-software kunnen we voorspellen wat een klant in de toekomst zal doen, of het nu gaat om voorspellen van klikgedrag of hoeveel klanten je product zullen aanschaffen in het komende kwartaal. De toepassingen zijn zeer divers: van spamdetectie tot het voorkomen van creditcardfraude, en van geautomatiseerde toegangscontrole voor werknemers tot het voorspellen van wachttijden op de eerste hulp. Hoe waarschijnlijk is het dat een klant bijvoorbeeld terugkeert naar een productpagina? Aan welke producten heeft iemand behoefte, gezien zijn eerdere zoekvragen en de zoekvragen van anderen met een vergelijkbare interesse of achtergrond?
Voorspellingen worden gedaan op basis van calculus of probablitity – machine learning is patroonherkenning op grote schaal. Op basis van de inzichten die we verkrijgen, kunnen we dynamische prijsstellingen hanteren, content op maat voorschotelen en ervoor zorgen dat onze klanten een winkelervaring hebben die precies aansluit op hun behoeften. In de retail is machine learning dan ook vooral gericht op het helpen van klanten bij het maken van hun keuze, teneinde de klantbeleving te optimaliseren. Gegevens worden uiteraard enkel met toestemming van de klant verzameld, en bovendien uitsluitend op anonieme basis. Dat betekent dat aan de hand van eerdere zoektermen enkel te voorspellen is waar iemand op korte termijn naar zal gaan zoeken; over zijn of haar identiteit wordt geen informatie verzameld.
Van data naar voorspelling
Om van big data tot bruikbare inzichten te komen, dien je de klanttransacties vast te leggen als data. Vervolgens heb je software nodig om patronen aan die data te onttrekken. Veel van de algoritmes die worden gebruikt bij machine learning zijn echter bijzonder mathematisch complex. Het is daarom aan te raden om gebruik te maken van ‘high level’ cloud-diensten waarbij je niet iedere parameter hoeft bij te stellen voor een optimaal resultaat.
Bij Amazon Machine Learning gebruiken we api’s en wizards die het voor iedere ontwikkelaar eenvoudig maken om ML-modellen te bouwen en deze te optimaliseren voor hun specifieke data. Met de modellen kunnen vervolgens snel accurate voorspellingen worden gedaan.
Klanten helpen
Zoals overal in de retail, moet ook bij het toepassen van machine learning de klant centraal worden gesteld. Hoe? Machine learning heeft de potentie om het gebruik van targeting op klantniveau te democratiseren en het voor consumenten eenvoudiger te maken om aan het eind van de sales-funnel te komen. Je biedt klanten als het ware een begeleide ontdekkingsreis en je elimineert lange zoektochten naar het juiste, passende product. Dit soort begeleide ontdekkingstochten kunnen de zoekfunctionaliteit in webshops vervangen en ervoor zorgen dat klanten sneller tot een keuze komen.
Black box
Voor klanten lijken voorspellingen, zoals bijvoorbeeld een advies op maat voor een bepaald product, vooral uit een soort ‘black box’ te rollen. Het is voor hen niet mogelijk om te zien hoe de suggesties tot stand komen en precies daarom speelt vertrouwen zo’n grote rol. Want waarom zouden ze de suggesties opvolgen die door de webshop worden gegeven? Pas als we consumenten positieve ervaringen kunnen bieden waar ze daadwerkelijk mee geholpen zijn, in plaats van dat we ze enkel platte ‘upsell’-suggesties voorschotelen, zullen zij het nut van ons advies op maat in gaan zien.