De meeste analisten zijn ondertussen bekend met termen als Machine Learning (ML) en Artificiële Intelligentie (AI). Er is een enorme groei aan modellen met als doel uiteenlopende vraagstellingen vanuit organisaties te beantwoorden. Om deze vragen te beantwoorden wordt vaak gebruik gemaakt van predictive analytics. In dit blog willen we u de link laten zien tussen predictive analytics en prescriptive analytics, de opvolgende stap op uw voorspellende modellen. 

ANALYSE PROCESSEN

Data analyse is op te delen in 4 types of delen: descriptive analytics, diagnostic analytics, predictive analytics en prescriptive analytics. In onderstaand model ziet u de opbouw van deze vier types en de bijbehorende vraagstelling. 

Veel van de huidige modellen zijn sterk gericht op predictive analytics, dus het voorspellen van events of resultaten. De vervolgstap van Prescriptive analytics wordt vaak nog niet gemaakt. Om de effectiviteit van uw modellen te optimaliseren en uw Business vraagstellingen zo duidelijk en efficiënt mogelijk te beantwoorden, is het van belang om ook deze stap waar mogelijk toe te voegen aan uw analyse proces. 

Voor de vraag “wat moeten we doen” wordt vaak de vraag “Wat kan er gaan gebeuren” gesteld. Hier ziet u dat de voorspellende analyse hand in hand gaat met de prescriptieve analyses. De voorspellende analyses laten met behulp van geavanceerde algoritmes zien wat er is gebeurd en tonen naast reeds bekende relaties ook niet voor de hand liggende patronen. Klanttevredenheid is hiervan een voorbeeld waarbij het veelal een combinatie is van ervaringen en acties in de tijd die aanleiding geven tot een bepaalde mate van (on-)tevredenheid . De voorspellende modellen geven de waarschijnlijkheid van uitkomsten of mogelijke scenario’s aan, maar ze zeggen niet welke acties u moet ondernemen op basis van die inzichten voor de beste resultaten. En wat is dan het “beste” resultaat; maximale klanttevredenheid onafhankelijk van de kosten? 

Om de resultaten van voorspellende analyses zo goed mogelijk te benutten, is het van belang om te investeren in prescriptieve analyses.

PRESCRIPTIVE ANALYTICS TOEVOEGEN AAN UW ANALYSE PROCES

Wat is Prescriptive Analyse nu precies? IBM geeft de volgende uitleg:

“Prescriptieve analyses geven organisaties aanbevelingen over optimale acties om bedrijfsdoelstellingen zoals klanttevredenheid, winst en kostenbesparingen te bereiken. Prescriptieve analyseoplossingen gebruiken optimalisatietechnologie om complexe beslissingen op te lossen met miljoenen beslissingsvariabelen, beperkingen en afwegingen.”

IBM

Organisaties in verschillende sectoren gebruiken Prescriptieve Analyses voor een hele reeks van scenario’s. Hierbij kunt u denken aan planningsvraagstukken, operationele activiteiten zoals het bijhouden van resources en vraagstukken rondom het minimaliseren van risico’s. Prescriptieve Analyse geeft analisten en organisaties de mogelijkheid om de kloof te overbruggen tussen de verkregen inzichten en het beslissen welke acties het beoogde resultaat mogelijk maken. 

De kracht van Decision Optimization in uw analyse proces

Een veelgebruikt tool voor Prescriptieve Analyse is IBM Decision Optimization. IBM Decision Optimization maakt nauwkeurige besluitvorming voor complexe problemen mogelijk door tools te bieden voor het bouwen en implementeren van optimalisatiemodellen die wiskundige representaties zijn van zakelijke problemen. Krachtige optimalisatie-oplossers lossen deze modellen vervolgens op met behulp van geavanceerde algoritmen en geven aanbevelingen aan besluitvormers. 

Het resultaat? U kunt advies krijgen over de acties die u moet ondernemen om doelstellingen te bereiken, zoals het bereiken van kostenreductie, klanttevredenheid, winstgevendheid en operationele efficiëntie.

IBM biedt deze tool laagdrempelig aan in hun IBM Cloud omgeving. Met de Decision Optimization Modeling Assistant maken ze Prescriptieve Analyse toegankelijk voor de zakelijke gebruikers, die de zakelijke beperkingen en doelstellingen kennen en deze mogelijk rechtstreeks willen uitdrukken, en voor de datawetenschappers die al wat AI- en DS-modellen doen, maar misschien te weinig vaardigheden hebben om te beginnen met het formuleren van een DO-model.

Bent u benieuwd naar de mogelijkheden van Prescriptieve Analyse voor uw organisatie? Volg dan geheel vrijblijvend ons webinar waarin we stap voor stap door een optimalisatie model lopen met behulp van de DO Modeling Assistant. Wilt u liever advies over de mogelijkheden voor voorspellende en prescriptieve analyses binnen uw organisatie? Neem dan contact met ons op via info@dasc.nl. 

In dit artikel:

• Analyse processen
• Prescriptive analytics toevoegen aan uw analyse proces
• De kracht van Decision Optimization

SPSS Modeler helpt bedrijven om een snellere time-to-value te realiseren, de productiviteit van data science- en bedrijfsteams te verhogen en ervoor te zorgen dat aan de governance- en beveiligingsvereisten wordt voldaan gedurende de hele levenscyclus van datawetenschap.  

Uw organisatie kan SPSS Modeler gebruiken om analyses uit te voeren, ongeacht waar de gegevens zich bevinden – op locatie of in de cloud – de grootte van de gegevens, of het is gestructureerd of ongestructureerd. Dankzij de schaalbare client-server-architectuur hebben gebruikers toegang tot alles, van platte bestanden tot big data-omgevingen. Analyse wordt teruggeduwd naar de bron voor uitvoering, waardoor gegevensverplaatsing wordt geminimaliseerd en de prestaties worden verbeterd.

Met SPSS Modeler kunnen gebruikers met verschillende vaardigheden samenwerken en doelgerichte use-cases aanpakken om snel tot een beter resultaat te komen. Het biedt analysetechnieken die variëren van voorspellende tot prescriptieve analyses tot geavanceerde algoritmen, waaronder geautomatiseerde modellering, tekstanalyse, entiteiten analytics, sociale netwerkanalyse, beslissingsbeheer en optimalisatie. Een intuïtieve interface is ontworpen voor een breed scala aan gebruikers, van de niet-technische zakelijke gebruiker tot de analytische professional. 

De korte leercurve voor SPSS Modeler maakt het aantrekkelijk voor de beginnende en gevorderde gebruiker, zodat ze snel inzichten krijgen en bedrijfsresultaten realiseren.

Geen zin om het hele artikel te lezen? Bekijk hier de 6 hoogtepunten van SPSS Modeler!

• Benut de waarde van uw data en vind patronen in meer gegevensbronnen, waaronder tekst, platte bestanden, databases, datawarehouses en Hadoop-distributies in een multi-cloudomgeving
• Zet meer dan 40 kant-en-klare machine learning-algoritmen aan het werk om de ontwikkeling en het beheer van modellen te vergemakkelijken
• Integreer met Apache Spark voor snelle in-memory computing
• Optimaliseer de productiviteit van datawetenschaps- en bedrijfsteams met programmatische, visuele en andere vaardigheden
• Gegevensanalyse versnellen met prestaties in de database en minimale gegevensverplaatsing met behulp van SQL pushback
• Breid uw mogelijkheden uit met open source-technologieën zoals R, Python, Spark en Hadoop, met of zonder codering

Wat is Data Science en hoe kan SPSS Modeler hierbij helpen?

In de hyperconcurrerende zakelijke omgeving van vandaag finetunen marktleiders hun investeringen in Data Science om de bedrijfsresultaten te verbeteren. Hierbij kunt u denken aan de volgende voorbeelden van doelen voor data science projecten:

• Werven en behouden van klanten
• Operationele efficiëntie stimuleren
• Minimaliseren en voorkomen van fraude
• Optimalisatie van wervingsprocessen en vermindering van verloop 
• Creëren van nieuwe bedrijfsmodellen

Data science is het proces waarbij analytische technieken worden gebruikt om patronen in gegevens te ontdekken en de resultaten toe te passen voor bedrijfswaarde. Beschrijvende analyse, voorspellende modellering, tekstanalyse, geospatiale analyse, entiteitsanalyse, beslissingsbeheer en optimalisatie worden gebruikt om patronen te identificeren en voorspellende modellen in te zetten in operationele systemen. Systemen en mensen kunnen deze patronen en modellen gebruiken om inzichten af ​​te leiden die hen in staat stellen om consequent de juiste beslissing te nemen op het moment van impact. Resultaten worden geoptimaliseerd op basis van de voorspellende intelligentie die verborgen zit in data van toenemende omvang en complexiteit.

SPSS Modeler is een krachtige tool voor visuele Data Science en Machine Learning die is ontworpen om voorspellende intelligentie te bieden bij beslissingen die worden genomen door individuen, groepen, systemen en uw onderneming. SPSS Modeler schaalt van desktop-implementaties tot integratie met operationele systemen om u een reeks geavanceerde algoritmen en technieken te bieden. Het toepassen van deze technieken op beslissingen kan resulteren in een snelle ROI en kan organisaties in staat stellen proactief en herhaaldelijk kosten te verlagen en tegelijkertijd de productiviteit te verhogen.

Toegang tot alle soorten data

Gegevens worden in een exponentieel tempo gegenereerd uit een groot aantal bronnen, waardoor nieuwe informatie en onbenutte kansen worden aangewakkerd voor die organisaties die deze kunnen benutten en de waarde ervan kunnen realiseren. 

Deze gegevens worden opgeslagen in verschillende systemen en formaten, dus het samenbrengen ervan kan een uitdaging zijn. De hoeveelheid gegevens is zo groot dat u deze niet handmatig kunt analyseren en ook niet in tabellen in rapporten kunt kijken om te zien waarom iets wel of niet gebeurt. Het analyseproces vormt nog een andere uitdaging vanwege een gebrek aan bekwame analisten die met de gegevens kunnen werken om de waarde ervan te extraheren.

Met SPSS Modeler kunnen jij en je organisatie de beschikbare data – zowel gestructureerd, ongestructureerd als ruimtelijk – gebruiken, en er waarde uit halen door onbenutte kansen en nieuwe informatie te ontdekken. Met nieuwe inzichten uit uw gegevens kunt u voorspellen wat er waarschijnlijk gaat gebeuren, proactief worden en de resultaten optimaliseren, in plaats van simpelweg te reageren zoals uw huidige situatie dit vereist.

Met SPSS Modeler kunt u een reeks analytische technieken gebruiken om toegang te krijgen tot gegevensbronnen zoals tekst, platte bestanden, databases, datawarehouses en Hadoop-distributies. Deze statistische technieken gebruiken historische gegevens om voorspellingen te doen over huidige omstandigheden of toekomstige gebeurtenissen. Ook inbegrepen zijn mogelijkheden voor gegevenstoegang, gegevensvoorbereiding, gegevensmodellering en interactieve visualisaties. Met geautomatiseerde procedures voor voorbereiding en modellering is het geschikt voor een breed scala aan analysemogelijkheden.

De intuïtieve grafische interface van SPSS Modeler stelt gebruikers in staat om elke stap van het data science-proces te visualiseren als onderdeel van een stream. Door interactie met deze stromen, kunnen analisten en zakelijke gebruikers goed samenwerken, wat zakelijke kennis en domeinexpertise toevoegt aan het datascienceproces. Gebruikers kunnen zich concentreren op het ontdekken van inzichten in plaats van op technische taken zoals het schrijven van code. Ze kunnen ook gedachtenanalyses uitvoeren en gegevens dieper onderzoeken, die alle aanvullende relaties kunnen blootleggen die zinvol zijn voor uw organisatie.

Data preparatie- en manipulatie

Het voorbereiden van gegevens voor analyse is een belangrijke maar tijdrovende stap in de analyse. SPSS Modeler versnelt gegevensvoorbereiding om het proces te vergemakkelijken en om u te helpen ervoor te zorgen dat uw gegevens de beste indeling hebben voor analyse. De geautomatiseerde taken omvatten het analyseren van gegevens en het identificeren van fixes, het screenen van velden, het afleiden van nieuwe attributen waar nodig en het helpen verbeteren van de prestaties door middel van intelligente screeningtechnieken.

SPSS Modeler biedt een grote hoeveelheid manieren om gegevens te manipuleren en voor te bereiden voor analyse op record- of veld- (of variabele) niveau. Om ervoor te zorgen dat uw gegevens de optimale indeling hebben voor het specifieke type vereiste analyse, gebruikt SPSS Modeler deze methoden:

• Recordbewerkingen: Met Select-, Sample- en Distinct nodes kunt u specifieke gegevensrijen kiezen. U kunt nodes samenvoegen en toevoegen om gegevens samen te voegen door kolommen of rijen toe te voegen aan een dataset. Aggregate en recentheid, frequentie, monetaire nodes vatten records samen in een enkele rij. Een Balance-node past de verhoudingen van records in onevenwichtige gegevens aan en een Sorteerknooppunt herordenen op basis van waarde. De Space Time Box-node creëert geospatiale en op tijd gebaseerde gegevens voor records.
• Variabelen bewerkingen: Een Type-node specificeert metagegevens en eigenschappen van een dataset, en de Filter node negeert velden. De Derive-node maakt nieuwe velden aan en een Filler-knooppunt kan bestaande veldwaarden vervangen. Gegevens kunnen worden geherstructureerd met de nodes Set to Flag, Om te helpen bij het modelleren, kan de node Partitie de gegevens splitsen en kunnen de nodes Geschiedenis en Tijdsintervallen extra velden maken. De node Veldherschikking definieert de weergavevolgorde om bepaalde velden gemakkelijker te kunnen bekijken.

Wij merken dat er drie groepen te onderscheiden zijn in het updateproces van de software van SPSS:

Het analyse bereik vergroten met een reeks technieken

Analytische technieken blijven zich ontwikkelen en bieden analisten een overvloed aan opties om de problemen die voor hen liggen aan te pakken.  Met SPSS Modeler kunnen uw analisten hun bedrijfsproblemen oplossen met een oplossing die is ontworpen voor eenvoudige beschrijvende analyse, de meest complexe optimalisatieproblemen en alles daartussenin. 

SPSS Modeler biedt mogelijkheden die verder gaan dan de standaard analytische vereisten van hedendaagse analisten en data scientisten. Een reeks van meer dan 40 modellen, visuele drag-and-drop-modellering, ingebouwde gegevensvoorbereiding, tekstanalyse, entiteitsanalyse, sociale netwerkanalyse en de mogelijkheid om modellen op parallelle processen te bouwen, kunnen u allemaal helpen de meest geavanceerde problemen aan te pakken.

Visuele Drag-and-drop modellering voor Data Science

Met de drag-and-drop modelleringsfuncties van SPSS Modeler kunnen ook niet-analisten snel nauwkeurige modellen produceren zonder gespecialiseerde vaardigheden. Bovendien stellen geavanceerde voorspellende modelleringscapaciteiten professionele analisten en data scientisten in staat om de meest geavanceerde streams te creëren.

Met visuele modellering kunt u meerdere modellerings benaderingen vergelijken. Door specifieke opties voor elk modeltype in te stellen (of de standaardinstellingen te gebruiken), kunt u een groot aantal modelcombinaties en opties verkennen. De gegenereerde modellen worden vervolgens gerangschikt op basis van de gespecificeerde maatregel, waarbij de beste voor het scoren of verdere analyse wordt bewaard.

Modellen en algoritmes

SPSS Modeler biedt een scala aan modelleringstechnieken, waaronder de volgende algoritmen:

• Classificatie-algoritmen: Maak voorspellingen of prognoses op basis van historische data met technieken. Voorbeelden zijn beslissingsbomen, neurale netwerken, logistische regressie, gegeneraliseerde lineaire gemengde modellen en meer. 
• Segmentatie-algoritmen: Groepeer mensen of detecteer ongebruikelijke patronen met technieken als automatische clustering, anomaliedetectie en clustering van neurale netwerken. Gebruik automatische classificatie om meerdere algoritmen in één stap toe te passen en neem het giswerk weg bij het selecteren van de juiste techniek.
• Associatie-algoritmen: Ontdek associaties, links of sequenties met Apriori, CARMA en sequentiële associatie.
• Tijdreeksen en prognoses: Genereer prognoses voor een of meer reeksen in de loop van de tijd met statistische modelleringstechnieken. Met behulp van temporele causale modellering kun je causale verbanden ontdekken tussen een groot aantal reeksen.
• Uitbreidbaarheid met programmeertalen R en Python: Pas transformaties toe, gebruik scripts om tekst en grafische uitvoer te analyseren, samen te vatten of te produceren met R. Met de Custom Dialog Builder kunt u R- en Python- en Python-code delen en hergebruiken met degenen die ervoor kiezen om geen programmering te gebruiken voor analyse.
• Monte Carlo simulatie: Houd rekening met onzekerheid in input voor voorspellende modellen. Modelleer onzekere invoer op basis van historische gegevens of met kansverdelingen om gesimuleerde waarden te genereren en gebruik deze vervolgens in het voorspellende model om een ​​uitkomst te genereren. Het resultaat is een verdeling van uitkomsten die antwoorden kunnen geven op vragen die gebaseerd zijn op realistisch gegenereerde data.
• Entiteitsanalyse: Identificeer relaties en verbeter de samenhang en consistentie van huidige gegevens door identiteitsconflicten in de records zelf op te lossen. Het identificeren van deze relaties kan van cruciaal belang zijn op een aantal gebieden, waaronder klantrelatiebeheer, fraudedetectie, antiwitwaspraktijken en beveiliging.

Geospatiale analyse

Met SPSS Modeler kun je de relatie van gegevenselementen aan een locatie koppelen en een geografische ruimtelijke analyse van uw gegevens uitvoeren om inzichten te onthullen die niet zichtbaar zouden zijn in grafieken of tabellen. Met ruimtelijke analyse kunt u eenvoudig geospatiale gegevens opnemen met behulp van ESRI-vormbestanden. Door zowel niet-ruimtelijke als ruimtelijke gegevens te analyseren, wordt de algehele nauwkeurigheid van het model verbeterd en krijgt u diepere inzichten in mensen en gebeurtenissen.

Voeg een nieuwe dimensie toe aan uw analyse door associatieregels te ontdekken tussen ruimtelijke en niet-ruimtelijke attributen. Met behulp van ruimtelijke temporele voorspelling kunt u lineaire modellen gebruiken voor metingen op locaties in de 2D-ruimte, zodat u gemakkelijk hete gebieden kunt voorspellen en hoe die gebieden in de loop van de tijd kunnen veranderen. U kunt deze technologie toepassen om geospatiale gegevens te ontginnen op gebieden zoals analyse van misdaadpatronen, epidemische surveillance, gebouwbeheer en analyse van brancheprestaties.

Tekstanalyse

De interactieve, visuele omgeving van SPSS Modeler maakt gebruik van geavanceerde taaltechnologieën en Natural Language Processing om ongestructureerde tekstgegevens snel te verwerken. Uit deze tekst worden de belangrijkste concepten geëxtraheerd en geordend. Met de aanpasbare branche specifieke tekstanalysepakketten kunt u bovendien relevante termen en zinnen analyseren naar acroniemen, emoties en vaktaal in de juiste context. 

Interactieve grafieken helpen u tekstgegevens en patronen te verkennen en weer te geven voor directe analyse. U kunt hiërarchische categoriseringsstructuren maken en deze opnemen als input voor een voorspellend model om betere en meer gerichte beslissingen en resultaten te verkrijgen. Vooraf gedefinieerde categorieën, zoals hiërarchieën, annotaties en trefwoorddescriptors, kunnen worden geïmporteerd om initiële ongestructureerde gegevens te categoriseren, zodat u concepten logischer en gedetailleerder kunt ordenen.

Voldoe aan alle behoeften met flexibele modelimplementatie

De inzet van analytics in uw organisatie is afhankelijk van veel omgevingsfactoren. Dergelijke factoren zijn onder meer de zakelijke problemen die moeten worden aangepakt, uw keuze van besturingssystemen en platforms en de andere technologieën en gegevensbronnen in uw infrastructuur. Technologie, en met name software, moet flexibel genoeg zijn om verschillende permutaties aan te kunnen en toch de verwachte prestaties en resultaten te bieden.

De SPSS Modeler-architectuur is een open architectuur die een reeks platforms en talen ondersteunt, waaronder R en Python. U kunt uw oplossing lokaal, vanuit de cloud of zelfs in een hybride cloudbenadering implementeren, en deze vervolgens vol vertrouwen gebruiken met uw bestaande systemen om de prestaties te optimaliseren en uw zakelijke problemen aan te pakken. Deze flexibele implementatie overbrugt de kloof tussen analyse en actie door mensen en processen volgens een schema of op aanvraag resultaten te bieden. 

SPSS Modeler-streams kunnen worden ingezet voor modelvernieuwing of geautomatiseerde taakplanning. Ontwikkelaars kunnen SPSS Modeler-streams insluiten in Java-applicaties met behulp van de embedded predictive modeling Java API. 

Optimalisatie Data Science projecten

Zelfs de meest toegewijde organisatie kan het zich niet veroorloven om elke klant naar voren te halen, en evenmin kan een verzekeraar elke claim onderzoeken. Bedrijven opereren onder reële beperkingen, onderhevig aan limieten voor beschikbaar personeel, apparatuur en investeringen. Optimalisatie stelt organisaties in staat om het beste uit schaarse middelen te halen door de oplossing te identificeren die het beste aansluit bij een specifiek doel. Voorbeelden hiervan zijn het maximaliseren van de opbrengst van een marketingcampagne of het minimaliseren van het risico op fraude of churn. Optimalisatie kan op aanvraag worden gebruikt, bijvoorbeeld voor een persoon om de beste aanbieding voor die persoon te bepalen, of in batch om aanbiedingen toe te wijzen aan alle in aanmerking komende klanten.

Uitvoering en planning van het Data Science project

SPSS Modeler bevat mogelijkheden om automatisering te gebruiken om uw resultaten consistenter te maken. Een grotere consistentie versterkt het vertrouwen van mensen in analyses, omdat het management de zakelijke omgevingen waar analytische processen plaatsvinden efficiënt kan besturen. Deze governance helpt ervoor te zorgen dat aan alle interne en externe procedurele vereisten wordt voldaan.

Met SPSS Modeler kunnen analisten flexibele, herhaalbare analytische processen construeren die kunnen worden geoperationaliseerd, dat wil zeggen op het juiste moment gestart en geïntegreerd met andere bedrijfsprocessen. Vooraf gedefinieerde modelbeheerprocessen helpen modellen relevant en nauwkeurig te blijven.

Database mogelijkheden

SPSS Modeler biedt een aantal mogelijkheden om gegevensverplaatsing te minimaliseren en analyses naar de database te pushen, zoals:

• SQL-pushback maakt transformatie en voorbereiding van gegevens in de database mogelijk zonder de noodzaak om SQL te schrijven of te programmeren. Het resultaat is een aanzienlijke verbetering van de analytische prestaties.
• Databasefuncties. SPSS Modeler kan gebruik maken van bijna alle door de gebruiker gedefinieerde functies, database-aggregatie en windowed-aggregatiefuncties die door een database worden geleverd. Deze worden weergegeven door de SPSS Modeler-werkbank om de beschikbare native functionaliteit uit te breiden en ervoor te zorgen:
• SQL-pushback analyse in de database. SPSS Modeler Server ondersteunt integratie met de analysemogelijkheden, modelleringstools en database-native algoritmen die beschikbaar zijn. Je kunt modellen bouwen, scoren en opslaan in de database, allemaal vanuit de SPSS Modeler-werkbank.

Conclusie

SPSS Modeler biedt een data science platform wat u kan ondersteunen bij alle fases van een data science project. Het vergemakkelijkt het samenwerken tussen diverse specialisten en werkt naadloos samen met database systemen. Door aan de slag te gaan met SPSS Modeler bespaart u veel tijd, heeft u uitstekend versiebeheer en bent u in staat om gebruik te maken van alle kennis binnen uw organisatie.

Bent u benieuwd geworden naar SPSS Modeler en wilt u graag meer informatie ontvangen of een demo krijgen van de software? Neem dan contact met ons op via onderstaande buttons.

In dit artikel:

• Hoogtepunten van SPSS Modeler
• Wat is Data Science ?
• Toegang tot data
• Data preparatie en manipulatie
• Analyse bereik vergroten
• Visuele Drag-and-drop modellering
• Modellen en algoritmes
• Geospatiale analyse en tekstanalyse
• Flexibele modelimplementatie
• Modeloptimalisatie
• Uitvoering en planning van het Data Science project
• Database pushback

Marketing als vakgebied is non-stop in ontwikkeling, zowel bij Business-to-Business als Business-to-Customer. Dit komt onder meer door de enorme groei aan mogelijkheden die voortkomen uit technologische innovaties. Een belangrijk onderdeel van deze innovaties is Artificiële Intelligentie, die een steeds grotere rol speelt bij het bepalen van de marketing resultaten. Maar hoe groot is die invloed? Daar gaan we in deze blog verder op in.

AI als onderdeel van het dagelijks leven

Artificiële Intelligentie (AI) maakt een steeds groter deel uit van ons dagelijks leven, maar hier zijn we ons vaak niet van bewust. Wereldwijd gezien gebruikt 63 procent van de consumenten AI zonder het zelf door te hebben.We zijn gemiddeld 6 uur en 42 minuten ‘online’. Tijdens de momenten dat we online zijn, zoeken we antwoorden en oplossingen via Google, kijken we video’s of zitten we op social media. De aanbevelingen van Google, voorgestelde nummers van Spotify, aanbevolen video’s van YouTube of Netflix, iemand opbellen via Siri… Allemaal kunstmatige intelligentie, die je gewoon in je broekzak hebt zitten! Wanneer ik naar mijzelf kijk kan ik alleen maar zeggen dat ik blij ben met het bestaan van AI, omdat dit mijn leven aanzienlijk makkelijker maakt en het mij helpt met het besparen van tijd. AI helpt ons dus om dingen gemakkelijker, sneller en efficiënter te kunnen doen.

Gezien de tijd die uw consumenten online spenderen, wordt het interessant om te kijken of u de aandacht van uw consumenten kan trekken op de momenten dat ze online zijn. Hierbij kan gedacht worden aan gepersonaliseerde advertenties of het aanleveren van de juiste content op het moment dat de consument hierom vraagt. Daarnaast genereren alle mensen wanneer ze online zijn een enorme hoeveelheid data, die veel relevante en interessante informatie kan bevatten voor uw organisatie. AI komt al snel om de hoek kijken wanneer men gaat nadenken over het optimaal benutten van de beschikbare data en de mogelijkheden om de consument op het juiste moment te bereiken, het liefst meteen hoge kans op verkoopsucces.

Analyseer je marketingstrategie

Om je marketingstrategie te bepalen en vervolgstappen te kunnen plannen gebruik je data en kennis die je hebt over jouw ideale klant. Hierbij onderzoek je de buyer persona’s, de buyer journey (afgelegde klantreis) en analyseer je voorgaande campagnes. Je wilt natuurlijk je concurrenten voor zijn en de vragen en problemen van potentiele klanten oplossen voor ze bij de concurrent uitkomen. Mensen zijn alleen niet in staat om op zo’n hoge snelheid data te verwerken, dat het mogelijk is om alle ontwikkelingen op de markt bij te benen. We hebben als mens veel tijd nodig om de data te verwerken, te begrijpen en te analyseren. Gelukkig biedt AI hier uitkomst. Door verschillende algoritmes wordt het steeds beter mogelijk om de snelheid van het verzamelen, verwerken en het analyseren van de data dermate hoog te krijgen dat je goed kan meelopen met de markt en op tijd op de hoogte bent van potentiele klanten, hun uitdagingen en hun vragen.

AI als marketingtool

Waarschijnlijk heeft u al deze informatie echter al vaak genoeg gehoord en heeft u zich net als ik afgevraagd wat AI precies is en welk onderdeel van AI u kan helpen bij het optimaliseren van marketing resultaten. Wanneer u googelt op AI komt u een wildgroei tegen aan varianten, definities en synoniemen van Artificiële Intelligentie. Maar welke varianten van AI kunt u nu inzetten voor het optimaliseren van uw marketing resultaten? Hier is geen eenvoudig antwoord op helaas. Er zijn ontelbaar veel verschillende opties, die bedrijfsafhankelijk beter of slechter toepasbaar zijn. Gelukkig zijn er wel een aantal standaardopties die op diverse manieren geïmplementeerd kunnen worden, zodat het volledig aansluit op uw wensen. U kunt kunstmatige intelligentie zien als een gereedschapskist waarin hamers, zagen of beitels zitten om het in de praktijk te brengen. Om het overzichtelijk te houden zal ik een paar meest gebruikte tools uitleggen die vrijwel in elk type organisatie gebruikt kunnen worden.

• De eerste optie is voorspellen met behulp van AI, ook wel predictive modeling genoemd. Deze technologie kan op basis van veel data en rekenkracht voorspellingen doen over toekomstige gelijksoortige situaties. Voorbeelden zijn gepersonaliseerde advertenties op basis van surfgedrag, de tijdlijn op basis van het gedrag op Facebook of systemen waarmee voorspelt wordt of iemand zijn rekeningen wel op tijd kan betalen. AI kan worden gebruikt om miljoenen posts op sociale media te verwerken en subtiele overeenkomsten te vinden in de gebruikte tekst, afbeeldingen en hashtags. Een subtiele overeenkomst kan duiden op een opkomende trend. We hebben nog steeds door mensen aangestuurd onderzoek nodig om te interpreteren wat de overeenkomsten betekenen in de context van de branche, maar de belofte is zeker fascinerend.
• De tweede optie is het gebruik van chatbots. Chatbots of virtuele assistenten combineren meerdere AI-technologieën om uit een dataverzameling gebruikersvragen te beantwoorden of vragen te stellen om zo betere informatie te bieden. Hierdoor kunt u snel de vragen van uw potentiele klant beantwoorden er ervoor zorgen dat deze niet wegloopt naar uw concurrent door te lange wachttijden.
• Daarnaast is de monitoring van sociale media erg belangrijk. En hoewel er tools beschikbaar zijn om het gemakkelijker te maken, heeft AI de mogelijkheid om het naar een hoger niveau te tillen. Het is nuttig om de inhoud van concurrenten, recensies en op welke inhoud te reageren, te volgen. Er zullen veel kansen liggen in reputatiemanagement en crisismonitoring met behulp van AI.

Schrijf u in voor het live webinar Marketing & AI

Dit korte overzicht is bij lange na niet de samenvatting van alle mogelijkheden van AI binnen de marketing branche. Maar het geeft wel een overzicht van wat u kunt verwachten van de toegevoegde waarde van AI ten opzichte van het verbeteren van uw marketing resultaten. Er zijn veel opties om AI in te zetten en even zoveel opties aan services, software leveranciers enzovoort. Om u alvast op weg te helpen met het starten van het gebruik van AI binnen uw marketingstrategieën, heb ik onder dit blog alvast een gratis trial klaar gezet voor de Cloud Pack for Data van IBM. Dit platform biedt een groot aantal services aan voor uiteenlopende acties op uw data, zoals bijvoorbeeld voorspellende modellen, auto-AI en chatbots. Hierdoor kan u makkelijk van start gaan en de uitgebreide mogelijkheden van AI gaan verkennen