Artificial Intelligence voor engagement-marketing

Derde deel van drieluik over optimale marketing-focus op AI

Artificial Intelligence voor engagement-marketing

Dit artikel is het derde en laatste deel van een mini-reeks over artificiële intelligentie in het marketing-domein. In het eerste deel heb ik beschreven waarom de ontwikkeling van AI binnen marketing zijn focus moet verleggen. Kort samengevat leidt de huidige focus op langere termijn tot verwrongen klantrelaties. Dit heb ik in het tweede deel toegelicht aan de hand van voorbeelden. In dit derde artikel werk ik de nieuwe focus uit, namelijk het gebruik van artificial intelligence voor engaging marketing.

Mijn doel met dit artikel is je meteen enthousiast te krijgen om een eerste stap te zetten. Ik geef je concrete handvatten voor een nuchter groeimodel. Omdat het begrip engagement binnen de digitale marketing op verschillende manieren gebruikt wordt, ga ik dit eerst uitwerken. 

Wat is engagement-marketing?

Onder engagement-marketing versta ik "het verbinden met klanten op een groter gedeeld thema". Het creëert betrokkenheid op dieper liggende emoties of maatschappelijk relevante thema's. Sommigen onderscheiden ook nog het functionele engagement, zoals Wim Vermeulen in zijn recente boek Marketing voor de Madmen van morgen. Het doel daarvan is aandacht. De houdbaarheid ervan is zeer kort. Om die reden laat ik dat hier buiten beschouwing.

Om betrokkenheid te creëren, zet je niet je producten maar het thema waaraan je wilt bijdragen centraal. Je producten leveren alleen een kleine bijdrage. Klantgroepen die zich verbonden voelen met een thema worden vaak aangeduid met het woord ‘tribe’. Eén persoon kan zich verbonden voelen met meerdere tribes en verschillende tribes kunnen overlappende subthema’s hebben. Een bedrijf als Vice Media heeft zich helemaal gespecialiseerd in het ontdekken van dit soort groepen en het formuleren van passende campagnes.

"Bedrijven die echt geloofwaardig willen zijn, moeten engagement vooral ook van mens tot mens uitdragen"

Het is belangrijk dat je als bedrijf helemaal gaat voor de engagement waarop je je klanten wilt binden. Maar dat is niet voldoende. De huidige consument heeft weinig vertrouwen in organisaties, dus wil je echt geloofwaardig zijn, dan zul je ook in H2H-interacties ('human to human') het thema moeten uitdragen. 

In de onderstaande paragrafen bespreken we een aantal vormen hiervan en de manier waarop artificiële intelligentie daarbij een rol kan spelen.

Leiderschap naar succes

Als je in engagement-marketing een rol wilt spelen, zul je als bedrijf een significante bijdrage moeten leveren aan het thema. Je zult bereid moeten zijn een van de voortrekkers te worden, zoals Tony Chocolonely doet met haar strijd tegen de uitbuiting van kinderen in de chocolade-industrie. Dat vraagt een investering, maar daar krijg je kansen voor terug.  

Engagement is een langetermijndoel, dat bereikt wordt door vele kleine stapjes te zetten. Elk stapje is een gedeeld succes en kan daarom een reden zijn voor contact. Alleen jouw leiderschap inspireert consumenten deel te nemen in dit succes. De rol die artificiële intelligentie hierin kan spelen, is het vertalen van kennis naar relevantie en het verbinden van mensen op basis van relevantie. 

Klant in control

Moderne klanten willen in control zijn. Dat heeft effect op onze marketingsystemen. Zo’n systeem moet zijn werk kunnen doen op het moment dat de klant gekozen heeft voor contact. Daarmee creëer je een moderne, gelijkwaardige klantrelatie. 

De klant in control zetten geeft een beperking ten opzichte van de werkwijze van Facebook en Google. Die partijen claimen voortdurend de emotie en activiteit van klanten te kennen. Maar het heeft ook grote voordelen. Het lost het privacyprobleem van je klant op en jouw problematische afstand tot je klanten. Als je werkt via de sociale platformen bouw je zelf geen kennis op over je klanten. Daardoor kom je in de neerwaartse spiraal van steeds hogere marketingbudgetten en lagere marges.

"Online bedrijven maken te weinig indruk op hun klanten in de oriëntatiefase"

Mijn boodschap is dat de meeste bedrijven op langere termijn meer kunnen bereiken door bestaande klanten een geweldige ervaring te bieden. Wim Vermeulen levert met zijn boek prachtige voorbeelden en harde cijfers die deze visie ook onderbouwen. Artificiële intelligentie kan in de verschillende stappen van het aankoopproces het verschil maken. Mijn eigen onderzoek laat zien dat de oriëntatiefase het grote verschil maakt, en dat online bedrijven in deze fase juist te weinig indruk maken. Met behulp van artificiële intelligentie kan hierin verbetering gebracht worden.

Activeren

Oriënteren is niet hetzelfde als zomaar een beetje surfen op internet. Een klant die zich oriënteert is zich bewust van zijn behoefte, al kan het beeld daarvan nog vaag zijn. Deze klant ervaart een drive om iets aan die behoefte te doen. Het kantelpunt tussen browsen en oriënteren noem ik ‘activeren’. 

Activatie is altijd gebaseerd op ervaringen uit het verleden. Zelfs mensen die gek zijn op de nieuwste gadgets, krijgen hun drive vanuit eerdere ervaringen met het kopen - of juist niet kopen - van nieuwe gadgets. De kunst van het activeren is daarom het triggeren van herinneringen.

"Storytelling is veel meer dan contentmarketing"

Je kunt herinneringen triggeren met verhalen. We kennen storytelling als een aparte marketingdiscipline. Dat is veel meer dan contentmarketing, wat veel meer is gericht op het verstrekken van de juiste informatie.

Daar duikt een probleem op: informatie wordt heel gemakkelijk door ons brein genegeerd. Wat onze hersenen echter niet kunnen negeren zijn vragen. Zij kunnen zichzelf simpelweg niet remmen om een antwoord te formuleren. Daarbij is het van belang je te realiseren dat de hersenen onmiddellijk weten als ze het antwoord niet beschikbaar hebben. De activatie is dan ultra-kort. Vragen waarvan het antwoord wel ergens in de herinneringen verborgen liggen, zetten het brein aan de gang om oude snapshots aan elkaar te plakken om zo een antwoord samen te stellen. Twee voorbeeldvragen om het effect te demonstreren:

  1. Wie woont er op het adres Amsterdamse Straatweg 200 te Haarlem? 
  2. Hoeveel inwoners heeft Amsterdam? 

Op de eerste vraag weet je het antwoord niet, punt. Op de tweede vraag weet je het exacte antwoord ook niet, maar je hebt wel allerlei flarden informatie die je in staat stellen een antwoord te construeren.

Vragen van een bedrijf worden al snel als retorisch ervaren. Wat je wilt is echte klantvragen presenteren. Vragen van de ene klant, die de andere klant aan het denken zetten. Artificiële intelligentie kan zorgen dat de juiste vragen worden gepresenteerd.

Verdiepen

De oriëntatiefase zelf is helemaal niet zo gemakkelijk. Natuurlijk zijn er producten die we blind kopen, maar complexere producten vergen meer nuance. Daarin spelen meerdere dimensies een rol, elk met zijn eigen mogelijkheden en beperkingen. Elke consument moet voor zichzelf uitvinden welke waarde hij hecht aan elk van deze onvergelijkbare elementen. Dit staat nog los van de beschikbare producten. 

Er zijn verschillende stijlen om te verdiepen. De term 'persona’s' is misschien de meest herkenbare aanduiding. Over het algemeen worden vier stijlen onderscheiden:

  • Sociaal gedreven: passen binnen de voorkeuren in het sociale netwerk
  • Competitief gedreven: uitsteken boven anderen
  • Methodisch: technische afweging van het belang van verschillende productkenmerken
  • Humanistisch: vanuit eigen levensvisie en spirit

Artificiële intelligentie kan helpen klanten te herkennen qua stijl, zodat de juiste content voor verdieping kan worden geboden. Daarbij wil ik nog wel opmerken dat je jezelf de vraag moet stellen of je wel alle vier de stijlen wilt kunnen bedienen. Voor de herkenbaarheid van je merk is het mogelijk beter een keuze te maken. 

Het verdiepen is een gevaarlijk proces. De klant kan afhaken. Van belang is dat de klant voortgang ervaart. Zoals een surfer geconcentreerd zo ver mogelijk meerijdt op een golf, zo zal een klant zo lang mogelijk aangehaakt willen blijven als hij ervaart dat hij steeds verder komt in zijn proces. Artificiële intelligentie kan een rol spelen in het aan elkaar schakelen van deze verschillende golven en de klant in flow brengen, schreef ik al eens.

Verbinden

Er wordt vaak gesteld dat klanten niet meer trouw zijn aan een merk of winkel. De vraag is of de oorzaak/gevolg-relatie wel goed wordt gelegd. E-commerce heeft zich geprofileerd als pure prijsconcurrentie. Alle shops hebben min of meer hetzelfde uiterlijk, dezelfde productomschrijvingen (die de leverancier aanlevert) en een totaal gebrek aan smoel. Hoe kun je dan verwachten een klant te binden?

Daarbij komt dat klantenbinding werkt van mens tot mens, niet van mens tot bedrijf. Willen we binnen e-commerce engagement van klanten realiseren, dan zullen we deze H2H-verbinding moeten opbouwen. Webwinkels hebben juist in de andere richting gelopen, van klantenservice naar uitbesteding en geautomatiseerde communicatie.

"Artificiële intelligentie kan de klant verbinden met relevante anderen en medewerkers positioneren als voortrekkers"

Wim Vermeulen toont het alternatief en stelt dat een merk zich als ‘Open Source’ moet opstellen. Niet het bedrijf maar de klanten maken het merk. Ikzelf heb het ‘Open Kitchen’ genoemd. Daarmee wilde ik het belang onderstrepen van de voortrekkersrol die jouw mensen moeten spelen in die open gemeenschap. Zoals net gezegd: een merk genereert geen binding als het zelf niet voorop loopt. Het is van belang dat je richting uitzet, voor mensen een stip op de horizon zet. Vervolgens kun je samen de weg er naar toe uitstippelen. 

Artificiële intelligentie kan hierin een belangrijke rol spelen. Enerzijds kan het de klant verbinden met de juiste relevante anderen. Anderzijds kan het helpen medewerkers van het bedrijf als voortrekkers te positioneren.

Ontwikkelpad

Wat is een reëel ontwikkelpad naar intelligente systemen die real-time de relevante kennis en relaties op passende wijze kunnen realiseren? Om antwoord te geven op deze vraag, schets ik de ontwikkeling van artificiële intelligentie in niveaus. Elk niveau is randvoorwaardelijk voor het volgende niveau. Met deze kaart kun je kijken waar je staat en hoe je concreet een volgende stap kunt zetten.

Niveau 1: Dataverzameling

De basis van AI is data, heel veel data. Het eerste niveau is daarom het geautomatiseerd verzamelen van data. Of de slimme thermostaat nu een vorm van AI is, valt te betwijfelen, maar in ieder geval legt het de basis voor toekomstige intelligentie. Een kernelement is dat The Internet of Things systemen onafhankelijk maakt van menselijk input. Zij verzamelen zelf hun data. 

Spraakherkenning geeft een systeem het vermogen zelfstandig menselijke input te verzamelen. Er wordt hoog opgegeven over de toekomst van spraakgestuurde systemen en in een aantal situaties heeft dat ook zeker toegevoegde waarde. Maar in andere situaties is spraak eerder onhandig. Mensen zijn bijvoorbeeld juist gaan appen in plaats van bellen. Van spreken naar schrijven, de omgekeerde tendens dus. Voor tech-bedrijven is het echter van levensbelang dat wij spraak als 'data entry'-modus gaan adopteren, omdat ze daarmee data kunnen verwerven zonder dat mensen dat als data entry ervaren. Hetzelfde geldt voor fotoherkenning.

Indien het mogelijk is om data uit verschillende bronnen te combineren, worden de mogelijkheden krachtiger. Facebook en Google lopen hierin voorop, maar ook in multichannel-retailing wordt uit meerdere bronnen geput. De nieuwe Europese wetgeving op gebied van privacy maakt het combineren wel lastiger, omdat je toestemming moet hebben om identificerende data op te slaan. Zonder die toestemming kun je toch nog steeds naar trends kijken.

Niveau 2: Data-upgrade

Hoewel data een voorwaarde voor AI is, is het meteen ook de eerste hindernis. Van de volgende soorten data heb je meer last dan plezier:

  • Noisy data:  veel tegenstrijdige of misleidende data.
  • Vervuilde data: missende waardes, inconsistente waardes
  • Schaarse data: data die niet veel voorkomt (moeilijk te vinden is)
  • Ongeschikte data: niet compleet of niet betrouwbaar.

Zelfs schone data moet eerst bewerkt worden voordat het echt bruikbaar wordt. Het tweede niveau van AI automatiseert deze upgrade-processen. Deze systemen kunnen data:

  • Filteren: alleen de meest betekenisvolle eigenschappen worden gebruikt door het algoritme
  • Indikken: Broneigenschappen combineren tot een beperkte set gecalculeerde eigenschappen.
  • Verrijken: met een combinatie van broneigenschappen nieuw te definiëren eigenschappen berekenen.

Toepassingen zijn te vinden in bijvoorbeeld het lezen en filteren van grote hoeveelheden juridische dossiers of wetenschappelijke publicaties.

Niveau 3: Interpretatie

Een goed voorbeeld van de kracht van dataprocessing is een presentatie over wat je over iemand kunt zeggen op basis van 500 foto’s. In een fascinerende TEDx-presentatie wordt het karakter van Melania Trump ontleedt op basis van foto’s die ze zelf publiceerde op Twitter. Stop het model van deze presentatie in een systeem en je kunt over elk van ons een psycho-analytisch model bouwen. Facebook doet soortgelijke dingen met de likes die we vrijwillig geven. Eén like is betekenisloos, na 500 likes beweert Facebook precies te weten wie je bent, hoe je denkt en welke emoties je ervaart.

Artificiële intelligentie werkt in laagjes. Op de onderste laag worden conclusies over contouren getrokken. De bovenliggende laag gebruikt die conclusies als input. Naarmate je stijgt in de lagen, worden de conclusies fijnmaziger. In deze fase wordt het systeem vaak ondersteund door menselijke input. De interpretatie van mensen wordt meegenomen als input, zodat het systeem sneller leert en conclusies kan trekken.

"Artificial intelligence werkt in laagjes"

Laten we foto-analyse als voorbeeld nemen. Foto’s worden als data ingelezen, vervolgens wordt naar patronen gezocht en gestapelde conclusies uit patronen leiden uiteindelijk tot interpretaties over welk personen op welke locatie op een foto staan. De politie is bijvoorbeeld al gestart met dit soort toepassingen om verdachte personen in groepen te kunnen herkennen.

Een ander sprekend voorbeeld is van een bedrijf in China dat elke medewerker een mutsje opgeeft met sensoren. Het bedrijf verzamelt op deze manier continue hersensignalen. Vervolgens worden deze signalen geïnterpreteerd in termen van de gemoedstoestand van de werknemer. Ook in de VS is het niet meer uniek om een chip bij werknemers te implanteren of ze te volgen op basis van hun smartphone of smartwatch en deze gegevens te interpreteren.

Niveau 4: Beslissen

In het vierde niveau van AI nemen systemen beslissingen voor ons, op basis van de interpretatie van data. Er zijn al systemen om eenvoudige rechtszaken af te toen, hypotheken te verstrekken of juist niet, medische diagnoses te stellen of personen te selecteren voor nadere inspectie. 

Het grote verschil met het vorige niveau is dat er consequenties gaan ontstaan zonder dat er nog een mens aan te pas komt. Daarmee is de impact van een modelfout ook groter. Ook zelflerende systemen zijn, weliswaar op een diepere laag, gemodelleerd. De manier waarop ze leren, waarop ze in de data zoeken naar verbanden, is een keuze. Daarbij moeten we ons realiseren dat correlatie in trends niet altijd duidt op oorzakelijk verband en dat er dus na kortere of langere tijd fouten kunnen ontstaan. Het is dus van groot belang ook een feedback loop in te bouwen.

Ik zou een systeem pas een artificieel intelligente beslisser willen noemen als ook de feedback loop is gerealiseerd. Dan worden foute beslissingen in de toekomst voorkomen en worden goede beslissingen in de toekomst juist vaker herhaald. De crux is dat zo’n systeem zich automatisch kan aanpassen op basis van de feedback. Als het dat niet kan, dan zit het systeem op niveau 3, met daarop een adviesmodule.

Niveau 5: Acteren

Misschien spreken we op dit niveau niet meer van AI, maar meer van robotisering. Een robot heeft ‘ledematen’ om driedimensionale bewegingen te maken, die worden aangestuurd door AI. De eerste robots in de industrie waren nog dom. Op basis van zeer beperkte informatie voerden zij steeds dezelfde handeling uit. Intelligente robots doorlopen alle vijf de niveaus, van autonome dataverzameling, via upgraden, naar interpreteren, beslissen en acteren. Ook in ons vakgebied gaat robotica zijn intrede doen. 

Stappenplan

Om een eerste stap te maken heb je drie dingen nodig: visie, data en software.

Visie

Een stappenplan begint in mijn ogen met het formuleren van een richting. Daarvoor heb je een vrije geest nodig. Disrupties zijn gebaseerd op het loslaten van de wetmatigheden van de gevestigde orde. Zoals Van Belleghem mooi zegt: "Als je niet bereid bent je eigen bedrijfsvoering om zeep te helpen, dan doet iemand anders dat."

Je zou hiervoor professionele consultants kunnen inhuren. Maar je kunt ook brainstormen met jonge academici of analisten uit een andere bedrijfstak. Dat laatste zouden we veel meer moeten doen, want de wetmatigheden van sectoren zijn namelijk zo verschillend, dat er aan beide zijden een kruisbestuiving ontstaat.

Data

Elk bedrijf heeft data, maar waarschijnlijk zul je extra data willen generen. Analyseer wat sensoren hierbij kunnen betekenen. Daarnaast kan klantinteractie veel data opleveren voor je marketing. 

Om snel te leren van data, moet je er meteen mee het werk. Daarbij wil je het afbreukrisico minimaliseren. In mijn ogen is het toevoegen van content op basis van eerste handgemaakte algoritmes een goede optie om te starten.

Handgemaakte algoritmes kosten weliswaar tijd en dekken daardoor maar een beperkte scope, maar toch zijn ze van grote waarde. Artificiële Intelligentie is namelijk geen hocus pocus. Zie het als werk dat in principe door een mens gedaan zou kunnen worden, alleen dan sneller, vollediger en met meer diepgang. Dat betekent dat je als organisatie wilt meegroeien. 

Er zijn op dit moment twee vormen waarin deze eerste stap wordt gemaakt:

  • Logaritmen gericht op de klant, zoals een automatische beantwoording van vragen. Deze systemen zijn gericht op kostenreductie. Automatische antwoorden resulteren helaas vaak in gedeeltelijke tevredenheid en dus ook gedeeltelijke ontevredenheid. Meer geavanceerde systemen schatten eerst de kans in dat hun antwoord juist is en geven alleen automatisch antwoord boven de ingestelde kans. 
  • Logaritmen die de medewerkers van het callcenter ondersteunen, zodat zij de klant beter kunnen helpen. Omdat de medewerker nog de vertaalslag maakt tussen systeem en klant, is de kans op teleurstelling gering. Deze oplossing levert met name een kwaliteitsverbetering en in mindere mate een kostenreductie.

Artificiële intelligentie begint bij data en marketing bij emotie. Om de emotie van klanten goed te begrijpen en te kunnen plaatsen, hecht ik groot belang aan een directe link tussen de interactie en het aankoopproces. Discussies in een forum leveren wel enig inzicht, maar zijn niet gericht genoeg. Je krijgt op die manier te veel data waar je last van hebt. Datacollectie van winkelgedrag levert veel feiten, maar geen context en achtergrond. De data geeft weinig inzicht in emotie. 

Het combineren van data van gedrag en interactie, wat ik Augmented Interaction noem, levert een derde optie:

  • Logaritmen die de interactie tussen klanten onderling of met medewerkers verrijken met relevante content. Dit gaat net als optie twee uit van menselijke interactie en focus op emotionele fit. De augmented content wordt net zoals bij optie 1 ook meteen aan de klanten gepresenteerd, zodat het kostenvoordeel ook gehaald kan worden. 

Software

Rondom artificiële intelligentie worden veel magische verhalen verteld. Bijvoorbeeld over software die dingen ontdekt die je nooit had kunnen bevroeden. Als nuchtere Brabander wil ik altijd blijven snappen hoe iets werkt. Als het 'too good to be true' is, dan is het niet 'true'. Bij zulke partijen kom je na lange tijd en veel kosten van een koude kermis thuis.

"Over AI worden veel magische verhalen verteld, too good to be true"

Qua software is mijn advies om te werken met software-bedrijven die AI-gedreven gereedschappen verkopen die je kunt implementeren op je eigen dataset. Er zijn reeds veel deeloplossingen in de markt. De software-markt voor artificiële intelligentie gaat zich de komende jaren nog stormachtig ontwikkelen en de beste tools van vandaag zijn volgend jaar misschien wel achterhaald. Sta dus open voor nieuwe innovatieve partners, altijd vanuit je eigen visie en data.

Call-to-action

Mijn call-to-action voor jullie is om artificiële intelligentie te gebruiken om klanten te verbinden. Biedt klanten waarde en betekenis in plaats van individualisme en afhankelijkheid. Elk bedrijf kan daaraan bijdragen door zijn producten en klantencontacten te verrijken. Enkel en alleen hetgeen dat waarde creëert voor de klant, heeft de potentie op langere termijn te overleven. 

Om lekker op te warmen voor je volgende stap, kun je inspiratie tanken uit twee boeken. Ik heb ze ook al rijkelijk aangehaald in deze artikelenreeks. ‘Marketing voor de Madmen van morgen’ van Wim Vermeulen (recensie) zit bomvol met voorbeelden van engaging marketing. ‘Hallo Robot’ van Bennie Mols en Nieske Vergunst (recensie) geeft een groot aantal voorbeelden hoe artificiële intelligentie kan bijdragen aan een mooiere wereld. 

Dit was het derde en laatste deel van een drieluik over AI. Lees ook deel 1 en deel 2.

Credits afbeelding: Pixabay.com, licentie: CC BY-NC-ND (Niet-commercieel hergebruik)

Delen

0
1


Er zijn 0 reacties op dit artikel

Plaats zelf een reactie

Log in zodat je (in het vervolg) nóg sneller kunt reageren

Vul jouw naam in.
Vul jouw e-mailadres in. Vul een geldig e-mailadres in.
Vul jouw reactie in.

Herhaal de tekens die je ziet in de afbeelding hieronder


Let op: je reactie blijft voor altijd staan. We verwijderen deze dus later niet als je op zoek bent naar een nieuwe werkgever (of schoonmoeder). Reacties die beledigend zijn of zelfpromotioneel daarentegen, verwijderen we maar al te graag. Door te reageren ga je akkoord met onze voorwaarden.