Verdergaande personalisatie door mobiele big data: goed of griezelig?

Als Big Data ‘veel, snel en divers’ is, dan is mobiele data ‘méér, sneller en nog gevarieerder’. Mobiele apparaten werken namelijk als katalysator van Big Data. Hoe zit dat dan? Laten we de drie genoemde aspecten eens stuk voor stuk bekijken.

Van veel naar meer, dat is nog te begrijpen. Er zijn namelijk meer mobiele apparaten dan pc’s en de meeste mensen gebruiken meerdere apps. Daar komt nog bij dat de meeste mobieltjes constant aanstaan en dat ze heel erg transactiegericht zijn. Er gaan dus vaker gegevens van de ene app naar de andere, of de hele app wordt regelmatig ververst. Bovendien is er de continue stroom van locatie-gerelateerde data.

Dan sneller. Smartphones hebben een relatief klein scherm; het is dus belangrijk om de beschikbare ruimte zo efficiënt mogelijk te gebruiken. De gebruiker wil data zien die zo relevant mogelijk zijn. De kleine schermen moeten dus veel kunnen verwerken. Denk bijvoorbeeld aan enorme hoeveelheden mutaties, verschillende voorkeuren, locatiegegevens en actuele informatie van servers. Alleen dan krijgt de gebruiker optimaal relevante data gepresenteerd. Een bijkomende factor is snelheid, zeker als het een potentiële klant betreft; als het in zijn beleving niet snel genoeg gaat, haakt hij af en zoekt hij zijn heil elders. Die klant is de organisatie in zo’n geval dus kwijt.

En waarom zijn mobiele data nog gevarieerder? Doordat de IT- of marketingmanager sneller meer data van en naar verschillende plaatsen verzendt, kan een heel nauwkeurig beeld worden opgebouwd van de individuele gebruiker. Dat opent nieuwe perspectieven op het gebied van personalisatie.

Quantified self
De mogelijkheden van mobiele data zijn ongelooflijk divers, maar bovenal maken ze het mogelijk om content te personaliseren. Een goed voorbeeld van gepersonaliseerde data is quantified self. Daarbij haalt de marketingmanager informatie uit verzamelde mobiele data, wat hij vervolgens kan inzetten om klanten beter van dienst te zijn.

Hoe ziet dat er in de praktijk uit? Stel dat de app de tijd van het woon-werkverkeer meet; vervolgens voegt de app daar alle historische data over de geografische verplaatsingen van de gebruiker aan toe, waardoor het de reistijd kan inschatten – of de persoon in kwestie nu gaat lopen of rijden. De app weet ook dat die persoon meestal de voorkeur geeft aan een iets langere, rustigere route boven een snelle, stressvolle. En niet alleen dat, de app voegt er ook realtime de huidige en historische verkeersdata aan toe uit apparaten van anderen. Uiteindelijk krijgt de gebruiker een routebeschrijving te zien die hem vertelt hoe laat hij kan vertrekken. Het resultaat is minder stress en meer vrije tijd.

Analytics kunnen inmiddels zó goed personen herkennen, dat een webshop heel goed kan raden wie de bezoeker is. De website ken natuurlijk niet zijn identiteit, maar kan uit eerder zoekgedrag en voorkeuren opmaken tot welk groepje gebruikers hij behoort. Zo kan het zaken, producten, diensten of gemeenschappen tonen die aansluiten op de persoonlijke interesses.

Het wordt interessanter als we kijken naar het aspect ‘sneller’. De webservices zijn in staat om in realtime te reageren op input en voorkeuren. Op basis daarvan kunnen ze voorspellen welke zoektermen de gebruiker het best kan gebruiken, zodat hij of zij zo snel mogelijk de relevante informatie vindt. Dat zal de klanttevredenheid alleen maar doen stijgen.

Uitdagingen
Er zitten technisch nogal wat haken en ogen aan om dit allemaal te realiseren. Maar er is één uitdaging die alle andere overschaduwt: hoe voorkomen we dat deze verdergaande vorm van personalisatie griezelig wordt? Dat zijn eigenlijk twee problemen in één. Aan de ene kant bevinden zich de doelgroep-advertenties die aansluiten op gedrag: de advertenties zien er anders uit afhankelijk van de persoon die ernaar kijkt.

Aan de andere kant van het spectrum zitten de doelgroep-advertenties die er zó naast zitten, dat de merkbeleving die de advertentie probeert te creëren hopeloos mislukt. Dat laatste is nog het meest eenvoudig te overwinnen, omdat het voortkomt uit slecht opgebouwde metrieken of data die niet ‘big’ genoeg zijn om een goed gepersonaliseerd beeld te krijgen. Een klant kan misschien nog wel lachen om een onjuist gepersonaliseerde boodschap en een soort gevoel hebben van ‘ik ben moeilijk te voorspellen’. Maar een advertentie die een klant keihard raakt in zijn comfortzone, kan het gevoel opwekken dat ‘ze’ wel heel veel van hem weten.

Griezelig
Er is geen twijfel over mogelijk: de wereld staat aan het begin van een nieuwe computerrevolutie die ons veel meer gepersonaliseerde, interactieve ervaringen zal brengen. Maar er zijn drie belangrijke factoren die daarvan de grenzen bepalen: de ‘uncanny valley’, het ‘Big Brother is watching you’-gevoel en ieders eigen persoonlijke verwachtingen.

De ‘uncanny valley’ behoeft wellicht enige toelichting. Volgens dit concept voelen mensen zich meer aangetrokken tot dingen naarmate die meer op een mens lijken. Maar als het ding voor meer dan negentig procent op een mens lijkt, gaan de alarmbellen rinkelen. In termen van Big Data: als uw smartphone of tablet zich teveel gedraagt alsof hij zelf kan denken, overschrijdt dat de acceptatiegrens en vinden we het eng. Diensten, apps en merken moeten dus zo dicht mogelijk het menselijke proces van ‘vrienden worden’ volgen en daarin binnen de grenzen blijven.