-

‘Toevoeging beeldanalytics verbetert voorspelling consumentengedrag’

Retailers die met algoritmes de smaak en productvoorkeur van hun klanten voorspellen laten vaak een heel belangrijke informatiebron links liggen. Door beeldherkenning en de analytics die hieruit voortkomen in te zetten, is consumentengedrag veel nauwkeuriger te voorspellen. Dat zegt Dennie van den Biggelaar, Data Scientist bij Building Blocks.

Om het productaanbod te personaliseren en het gedrag van hun klanten te sturen, maken retailers in toenemende mate gebruik van voorspellende analytics. Eigen algoritmes of die van ‘recommendation engines’ doen op basis van iemands klikgedrag een voorspelling over de smaak, een specifieke zoektocht en productvoorkeuren. Het algoritme komt tot een nauwkeurig profiel door onder meer het gemeten gedrag te koppelen aan productkenmerken.

Maar, zo valt Van den Biggelaar op, daarmee laten bedrijven een belangrijke databron links liggen. Met name bij nieuwe producten en smaak- of trendgevoelige artikelen zou men ‘predictive analytics’ moeten combineren met beeldanalyses. Data Science-bedrijf Building Blocks, onlangs genomineerd voor de Deloitte Technology Fast50, zet deze techniek sinds kort in bij retailers. Swarovski is er één van, zo blijkt uit het programma van de Big Data Expo van later deze week.

Kunstmatige variabele op basis van pixels

In de overweging een product aan te schaffen, kijken klanten natuurlijk naar vaststaande kenmerken als de kleur, prijs en natuurlijk het merk, zegt de Data Scientist. Maar minstens zo invloedrijk is hoe een product eruit ziet.

“Als retailer wil je voorspellen of klanten geïnteresseerd zijn in je producten of niet. Bij een hoop producten kan dat door surfgedrag en vaststaande variabelen te combineren. Maar bij nieuwe en smaakgevoelige artikelen zijn die data niet voor handen of speelt iemands persoonlijke voorkeur een grote rol. Door beeldherkenningstechnieken in te zetten creëren we in feite artificiële variabelen op basis van de pixels. Het knappe van de mens is dat hij het vermogen heeft een beeld te vormen van een product. Op basis van veel meer dan alleen de vorm of kleur. Dit bootsen we hiermee na en voegen vervolgens de kracht van een algoritme toe. Die kracht is dat het een heel grote dataset aankan: zo zijn er tienduizenden afbeeldingen te analyseren.”

Een afbeelding is in essentie niet meer dan een rechthoek met gekleurde pixels, legt Van den Biggelaar uit. Een vrij gestructureerde databron dus. Met een beeldherkenningstechniek zoekt het vervolgens naar patronen die worden vertaald naar nieuwe variabelen. Omdat vooraf niet duidelijk is welke variabelen worden gevonden, bestaat het gevaar bedolven te worden onder nieuwe kenmerken en dus overeenkomsten. “De volgende stap is dus om te bepalen welke variabelen echt iets toevoegen. Welke informatie bezitten we nog niet maar heeft wel extra voorspellende businesswaarde?” De KPI’s van een organisatie zijn daarin meestal leidend. Dus: de omzet, marge of klanttevredenheid bijvoorbeeld.

De eerste ervaringen leren dat door het toevoegen van de beeldinformatie ertoe leidt dat een algoritme 25 procent beter kan voorspellen of een product succesvol zal zijn.

‘Zoals een verkoper tot zijn aanbevelingen komt’

Voor veel retailers is de meest voor de hand liggende toepassing de recommendation engine die voor personalisatie van de webwinkel zorgt, denkt ook Van den Biggelaar. “Die hebben het vaak heel moeilijk als iemand voor het eerst een winkel bezoekt of anoniem surft. Als je op een broek klikt en vervolgens op een trui dan heeft zo’n algoritme nog geen beeld van iemands voorkeuren. Door de beeldanalyse toe te voegen, ontdek je smaak. Zoals een verkoper in een winkel ook tot zijn aanbevelingen komt.”

Behalve voor nauwkeurigere productaanbevelingen zijn de data ook bruikbaar om te bepalen welk beeld bij een product moet worden getoond. Zo kijkt iedere klant bij het boeken van een reis of verblijf naar andere aspecten. En laat zich dus ook door andere zaken overtuigen. Daarnaast ziet hij mogelijkheden voor de productontwikkeling. Blijken tieners aangetrokken te worden door bepaalde beeldkenmerken dan kan het slim zijn daar de ontwikkeling of inkoop op aan te passen. Met de beelddata die retailbedrijven in huis hebben, kunnen ze theoretisch sneller inspelen op trends.

Hoe snel retailers de beelddata toevoegen aan hun algoritmen durft Van den Biggelaar niet te voorspellen. Veel daarvan implementeren nu pas de personalisatie op basis van tekst en surfgedrag. “Maar wat ik me heel goed kan voorstellen is dat ik binnen een paar jaar een winkel binnenloop, voor een groot touchscreen ga staan en dan wat dingen aanklik die ik leuk vind. Vervolgens hoef ik niet de hele winkel door, maar krijg ik van alles geadviseerd. Een kledingassistent als vervanger van de verkoper dus.”

Online wordt het wat hem betreft een onderdeel van de customer journey. Door deze data met andere gegevens te combineren is het niet alleen mogelijk het ‘juiste’ product aan te bieden, maar ook tegen een juiste prijs. “Als je data laat samenwerken is het goed mogelijk de elasticiteit in kaart te brengen en dit een rol te laten spelen in het aanbod en prijsstelling per kanaal.”

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond