Hoe machine learning de digitale klantervaring verandert

Machine learning is bezig aan een snelle opmars in het bedrijfsleven. Zeker voor het verbeteren van de digitale klantervaring kun je er bijna niet meer omheen. De e-commerce-sector was de eerste die deze technologie op grote schaal inzette om door middel van personalisatie de verkopen op te stuwen.

Inmiddels heeft ook de contentmanagement-industrie machine learning ontdekt als tool om slimme content te genereren en zo de gebruikerservaring beter aan de situatie te kunnen aanpassen (contextualiseren). Forrester Research zegt daarover in een recent branche-overzicht: “Doordat steeds meer organisaties de noodzaak van een gecontextualiseerde gebruikerservaring inzien, verandert de markt voor webcontentmanagement. Iedere (CMS-) leverancier probeert hier op zijn eigen manier invulling aan te geven.”^[1]

Het groeitempo van de online bedrijfsactiviteiten ligt inmiddels zo hoog dat het voor veel bedrijven onmogelijk wordt om handmatig content te blijven produceren – laat staan die ook nog te personaliseren. Machine learning maakt het mogelijk om de digitale klantervaring geheel automatisch te contextualiseren. En dat op onbeperkte schaal.

Het beeld dat machine learning en andere artificial intelligence-technologieën langzaamaan ieder aspect van ons leven zullen gaan beheersen is wijdverbreid en roept – niet geheel ongegrond – bij veel mensen een lichtelijke angst op. Toch is machine learning geen magie. In de basis gaat het om simpele data-analyse zoals je die ook handmatig zou kunnen uitvoeren – maar dan vele vele malen sneller.

Om je een idee te geven hoe machine learning in de praktijk kan worden toegepast, heb ik drie voorbeelden uitgewerkt van verschillende sectoren die deze technologie in hun digitale en operationele processen zouden kunnen integreren.

Retail: engagement die verder gaat dan het winkelwagentje

In de retail zal machine learning vooral worden ingezet om de klant te helpen sneller de producten te vinden die hij zoekt, maar ook om een betere shopervaring te creëren:

• Personal shopping

Elke customer journey is verschillend. Zelfs twee mensen die allebei op zoek zijn naar hetzelfde soort product zullen verschillende voorkeuren hebben en zich in verschillende stadia van de buying journey bevinden. Koopt een klant vaak op de laatste vrijdag van de maand? Dat geeft je een goede indicatie wanneer zijn salaris binnenkomt. Op basis van die informatie kun je hem aan het begin van de maand onderhoudende en informatieve content sturen en geef je hem op de laatste donderdag een aantrekkelijke kortingscode. Met machine learning kan zo’n persoonlijke klantervaring automatisch worden gegenereerd.

• Precies weten wat de klant wil

Met behulp van Natural Language Processing (NLP) kun je een bijzonder efficiënte marketing-machine optuigen met een ‘simpele’ site search balk als basis. Want wat voor de één een ‘gebreide kabeltrui’ is, omschrijft de ander als ‘dikke trui’. NLP herkent zoekintenties door middel van taalanalyse en linkt die aan elkaar. Met dit soort high performance analytics krijg je niet alleen inzicht in trending zoektermen; met behulp van dezelfde data kan het systeem ook voorspellen welke onderwerpen en categorieën de volgende trend worden en welk gedeelte van je actuele productaanbod daarbij past.

• Geautomatiseerde cross-selling

Retailers die een stap verder willen gaan dan productpagina’s kunnen met behulp van metadata eenvoudiger gecontextualiseerde content leveren. Een voorbeeld: twee bezoekers bekijken dezelfde koperen lamp. Bezoeker A klikt vervolgens op de zoekbalk en typt ‘stalen barkruk’ in terwijl bezoeker B op zoek gaat naar een ‘licht houten koffietafel’. Het algoritme is in staat om in deze twee combinaties overlappende thema’s te herkennen. Daardoor krijgt bezoeker A ‘De 10 coolste industriële appartementen’ te zien, terwijl bezoeker B een ‘10 stappenplan voor Scandinavisch design’ ontvangt (excuses aan alle design freaks die kromme tenen krijgen van dit voorbeeld – de machine learning software heeft meer verstand van design dan ik ooit zal hebben). Maar hoe vindt de technologie die producten op je site? Machine learning is in staat om automatisch metadata aan bestaande informatie toe te voegen. Daarbij wordt een voortdurend leerproces doorlopen, gebaseerd op een feed van interne data en het doorzoeken van externe domeinen.

• Digitale bakstenen en cement

Ook een bezoek aan een fysieke winkel kan met behulp van machine learning persoonlijker en plezieriger worden gemaakt. Op basis van eerdere aankopen van de klant ken je immers zijn stijlvoorkeuren en kun je de actuele voorraad scannen. Zo kun je suggesties doen van producten in zijn maat die voldoen aan zijn smaak, op voorraad zijn en binnen zijn gebruikelijke prijsrange vallen. Een digitaal display kan de checkout ter plekke faciliteren en je helpen om de voorkeuren van de klant nog beter te begrijpen voor toekomstige personalisatie.

Finance: geautomatiseerd persoonlijk advies

Machine learning wordt de drijvende kracht achter de voortschrijdende digitale transformatie van de financiële sector. Klanten krijgen hierdoor niet alleen meer duidelijkheid en transparantie, maar ook eenvoudiger toegang tot hulpmiddelen en diensten.

• Automatisch advies

Het maken van een financiële planning kan behoorlijk wat stress opleveren. Niet alleen zijn er diverse factoren die invloed hebben op iemands beslissingen, ook is het financiële pad voor niemand van start tot finish hetzelfde. Door de financiële keuzes (en de gevolgen daarvan) van alle klanten mee te nemen in de overweging, kan machine learning begrijpen waar de klant zich op zijn financiële pad bevindt en hem advies geven over de beste vervolgstappen.

• De juiste informatie verstrekken

Grote kans dat mensen die de zoekopdracht ‘hoe plan je de komst van een baby?’ intypen en degenen die zich afvragen ‘hoeveel groeien obligaties in achttien jaar?’ baat hebben bij dezelfde informatieve content. Met behulp van natural language processing leert het digital experience platform voortdurend van zoekintenties. Daardoor kan het automatisch de meest relevante informatie aan de gebruikers ter beschikking stellen en een notificatie geven wanneer een categorie waar vaak op wordt gezocht meer content nodig heeft.

• Behoeften van bezoekers begrijpen

Op meta-niveau kan een analyse van het klikgedrag van alle bezoekers je helpen om nuttige content te selecteren voor specifieke financiële vragen. Gaan bijvoorbeeld veel mensen na gelezen te hebben over studentenleningen naar de pagina met tips om te budgetteren? Op basis van dit soort informatie kun je kijken welke content waar ingezet kan worden. Op persoonlijk niveau kunnen gegevens over de financiële historie en de huidige situatie een indicatie geven van waar iemand zich op zijn financiële pad bevindt. Dat biedt de mogelijkheid om automatisch informatie te verstrekken voor de volgende stap.

Maakindustrie: efficiency door de hele keten heen

Productieprocessen zijn altijd afhankelijk geweest van data en analytics. Met machine learning kan die informatie oneindig veel efficiënter worden verwerkt, zodat bedrijven hun productie makkelijker kunnen opschalen en hun supply chain eenvoudiger kunnen stroomlijnen. 

• Voorraadoptimalisatie

Machine learning kan gebruikmaken van de grote hoeveelheid data die er door de hele supply chain heen wordt verzameld en op basis daarvan inzichten verschaffen om de processen verder te optimaliseren. Door informatie over voorraad, hulpmiddelen, assemblage-capaciteit, transportmiddelen en zelfs weersomstandigheden te combineren, kunnen productiebedrijven hun keten uiterst efficiënt inrichten en automatiseren. Wanneer een klant van een bepaald product te weinig op voorraad heeft, wordt dit automatisch gemeld waarna de optimale supply chain timeline wordt berekend om de uitlevering zonder onderbreking te laten plaatsvinden.

• Personal Performance Metrics (en voorspellingen)

Het uitgebreid analyseren van data met behulp van machine learning zorgt niet alleen voor meer efficiency, het houdt klanten en medewerkers ook op de hoogte van hun supply chain en geeft ze er door middel van geautomatiseerde prestatierapporten controle over. Dit soort rapporten verschaft real time inzicht in de volledige supply chain en kan ook suggesties doen voor kosten- en tijdsbesparing. Voor prospect klanten kunnen gegevens van bestaande klanten die qua omvang en locatie identiek zijn worden samengevoegd om een zeer betrouwbaar speculatief rapport te creëren.

• Product-innovatie en -verbetering

Door het analyseren van aankoopgegevens krijg je niet alleen inzicht in de productvarianten en -eigenschappen die je klanten prefereren, maar ontdek je ook welke varianten niet goed presteren. Zo kan uit de gegevens blijken dat de klanttevredenheid even groot is wanneer je alleen de meest gevraagde productconfiguraties aanbiedt als wanneer je alle mogelijke varianten ter beschikking stelt. Op basis van dit soort informatie kun je processen beter stroomlijnen en efficiënter inrichten tegen veel lagere operationele kosten.

Een wereld vol gemak

Uiteindelijk krijgen de bedrijven die het beste op de behoeften van hun klant inspelen de hoogste waardering. Door gebruik te maken van machine learning kunnen bedrijven die behoeften op tot nog toe ongekende schaal identificeren en erop inspelen.

Machine learning en AI zullen meer en meer in ons leven infiltreren. (Nog) niet in de vorm van robots, maar door slim in te spelen op onze keuzes in het verleden en daarmee het dagelijkse leven steeds een stukje gemakkelijker te maken.

^[1] The Forrester Wave: Web CMS Q1, 2017. Mark Grannan. January 24, 2017.