Het ‘magische’ machine learning in de praktijk

Er hangt een soort magie om machine learning heen. Sommige mensen denken dat je er de aandelenkoers mee kunt voorspellen, de loterij of de uitslag van het WK in 2026.

Met machine learning kunnen we zeker voorspellingen maken of processen automatiseren - en dat kan je een magische voorsprong geven op je concurrenten binnen e-commerce.

Voor veel mensen is machine learning een toverdoos vol magie, terwijl het in de essentie ‘gewoon’ een label-machine is, die aan de hand van jouw beschrijving of historische data vertelt welk label iets krijgt. Op die manier kan het patronen ontdekken en voorspellingen doen.

Machine learning heeft dus data nodig. Dit kan interne data zijn uit de backend van je webshop, uit Google Analytics of externe data zoals die van het CBS of uit de markt. Data is de voedingsbron waar machine learning eigenlijk continu op leunt. Het is de leerstof die als basis gebruikt wordt om te leren en te ontwikkelen. Logischerwijs geldt dan: hoe vaker een bepaalde taak is volbracht, hoe slimmer het systeem wordt.

Een ander essentieel onderdeel van machine learning is een toepassing die we data mining noemen. Data mining staat voor het geautomatiseerd zoeken naar verbanden of voorkomende patronen in een grote hoeveelheid data.

De meeste mensen zijn zich er niet van bewust dat ze iedere dag met machine learning in aanmerking komen, terwijl ze dagelijks iets Googlen, een nummer luisteren, door hun Facebook scrollen of een foto maken. Machine learning is ook de motor van grote ontwikkelingen. Denk maar eens aan zelfrijdende auto’s of het opsporen van kankercellen - en dat is dan toch een beetje magisch.

3 keer machine learning

Machine learning leunt op drie verschillende methoden:

• Supervised machine learning
  Deze vorm van machine learning heeft beperkte controle van een mens nodig. Het bekendste voorbeeld is het automatisch herkennen van mensen op een foto, waarbij je eerst de foto moet labelen door de juiste naam van een persoon erbij te zetten. Vanaf dat moment kan het systeem zelf herkennen op welke foto’s deze zelfde persoon staat. Bij supervised machine learning weet je als eindgebruiker in principe al wat de uitkomst is, maar maak je gebruik van een automatisch systeem om grote hoeveelheden werk voor je op te lossen. Deze methode is dan ook vooral interessant bij het automatisch verwerken van productinformatie in e-commerce systemen.

• Unsupervised machine learning
  Dit is de vorm van machine learning waarbij geen labels of input van mensen nodig zijn. Daardoor is de output dus ook nog niet bekend. De software gaat zelf op zoek naar nieuwe patronen in de data. Deze toepassing is voornamelijk interessant bij het clusteren van ‘nieuwe’ data.

• Reinforcement machine learning
  Deze methode is gebaseerd op het trial & error-principe. Deze vorm van machine learning is bijvoorbeeld interessant bij het optimaliseren van de ervaring die een gebruiker heeft op de webshop. Een A/B-test is hier een goed voorbeeld van: is er een positief effect op bijvoorbeeld de sessiewaarde per klant, als je een bepaalde aanpassing doet in de checkout? Reinforcement machine learning verzamelt deze data en analyseert de resultaten, om daar vervolgens een conclusie uit te herleiden die je vertelt wat het beste werkt.

Binnen e-commerce groeit de populariteit van machine learning. Een paar praktische voorbeelden zijn het automatisch produceren en toevoegen van productomschrijvingen. Een afbeelding wordt dan gescand en er worden verschillende attributen geïdentificeerd zoals type, kleur, grootte of gebruikte materialen. Met die informatie wordt automatisch een tekst geschreven, die wordt toegevoegd aan de verschillende producten.

Je kunt ook denken aan het automatisch voorlezen van wat er in een afbeelding afgebeeld wordt. Dit maakt je webshop toegankelijker voor slechtzienden of blinden (meer over digitale toegankelijkheid in deze blog). 

Maar denk ook aan het automatisch aanbieden van gerelateerde producten, op basis van productkenmerken maar ook op basis van waar anderen in het verleden ook naar hebben gekeken. Je kunt klantsegmentaties maken en daar productaanbevelingen op doen. Bijvoorbeeld wanneer je ontdekt dat mensen weinig geld uitgeven en weinig kopen, en meestal op donderdag 22.00 uur een bestelling plaatsen. Op basis van zo’n inzicht kun je een marketingplan maken en je gemiddelde orderwaarde verhogen.

Ook in je customer support is er ruimte voor machine learning. Een chatbot kan bijvoorbeeld fungeren als shopping-assistant om bezoekers gepersonaliseerd advies te geven. Of juist op operationeel vlak voor sales forecasting, een voorspelling van ziekteverzuim of optimaliseren van de planning.

Machine learning voorbeelden

• Dall-E 2

AI-systeem DALL. E 2 heeft geleerd verbanden te leggen tussen afbeeldingen en de tekst die wordt gebruikt om ze te beschrijven. Het gebruikt een proces dat ‘diffusie’ heet. Dat begint met een patroon van willekeurige punten en dat patroon verandert geleidelijk in de richting van een afbeelding. Hieronder zie je een voorbeeld van zo’n afbeelding: een astronaut die basketbal speelt in de ruimte met katten in aquarel stijl.

• Machine Learning met afvalzakken voor Brabantia

Samen met onze klant Brabantia hebben we een machine learning experiment uitgevoerd. Zij wilden de verkoop van hun vuilniszakken verhogen en wilden daarom weten na hoeveel dagen een klant nieuwe afvalzakken nodig heeft. Hiervoor hebben we ons vier-stappenplan doorlopen, welke je we later uitleggen.

Uiteindelijk zijn we tot een voorspellende analyse gekomen waarbij we op productniveau kunnen zien hoeveel dagen er tussen een volgende aankoop in zitten. Deze gegevens kunnen we gebruiken om herhaalaankopen te stimuleren en hier meer data over te verzamelen. In de toekomst kan deze data toegepast worden om een accurater aankoopmoment te bepalen door middel van machine learning.

Bekijk de Brabantia case.

It’s a match! voor JohnBeerens.com

Voor onze klant JohnBeerens.com hebben we ook gewerkt met machine learning technieken. Voor hen ontwikkelden we een slimme haaranalysetool waardoor het beautyplatform meer relevante productaanbevelingen kon doen aan haar bezoekers. Hoe dat werkt? Bezoekers maakten een selfie of uploaden een foto in de tool en door het analyseren van het haar van de bezoeker op verschillende kenmerken zoals steil, lengte en leeftijd, worden relevante producten voorgesteld.

Lees meer over de slimme haaranalysetool

Data in een model stoppen en wachten op een wonder? Tuurlijk niet. Wat ons betreft gaat machine learning hand in hand met datagedreven optimalisatie. We raden je aan om de volgende vier stappen te volgen:

1 - Verkennende analyse

In de eerste stap ga je een verkennende analyse toepassen op de gegevens. Tijdens deze analyse:

• onderzoek je of de kwaliteit van de data hoog genoeg is;

• krijg je inzicht op hoog niveau;

• en ontdek je of er uitschieters zijn.

Als voorbeeld nemen we een ijswinkel. In de verkennende analyse kun je erachter komen dat er een aantal gegevens missen die wel ingevuld zouden moeten worden, dat er in juli meer omzet gemaakt wordt dan de andere maanden en dat de gemiddelde besteding €25,- is.

2 - Diagnostische analyse

De uitkomsten van de verkennende analyse worden tijdens deze stap verder onderzocht, het resultaat van deze analyse is dat je correlaties vindt tussen een of meerdere variabelen. Hierbij kun je verschillende databronnen toepassen. Voorbeelden hiervan zijn Magento, Google analytics en het CBS. Welke bronnen je gebruikt is afhankelijk van wat je wilt onderzoeken.

Als je bijvoorbeeld de vraag zou stellen “Waarom hadden we meer omzet in juli?”. Dan zou je data kunnen opvragen over het weer bij het KNMI. Hieruit kan bijvoorbeeld blijken dat je verhoogde omzet sterk correleert met de temperatuur, die ook hoger is in juli.

3 - Voorspellende analyse

De voorspellende analyse probeert de vraag te beantwoorden: "Zal dit weer gebeuren?". Deze analysemethode schat in wat er in de toekomst gaat gebeuren op basis van historische data.

Zo weten we bijvoorbeeld dat er meer omzet gemaakt wordt in juli omdat het dan warmer is. Uit gegevens van het KNMI blijkt dat het volgend jaar in juli weer warmer is. We kunnen dus inschatten dat ook volgende jaar de omzet in juli hoger gaat zijn.

4 - Voorschrijvende analyse

De voorschrijvende analyse probeert de vraag te beantwoorden: "Wat moeten we doen?". Deze methode bepaalt hoe je moet handelen om optimaal gebruik je maken van toekomstige trends.

Bijvoorbeeld: we weten dat we meer omzet kunnen verwachten in juli. Gebaseerd hierop kunnen we machine learning toepassing om een voorspelling te maken over de benodigde voorraad om aan de vraag te kunnen voldoen. Het resultaat van dit machine learning model kan bijvoorbeeld zijn dat we 350 liter ijs op voorraad moeten hebben in juli.

Je hebt heel veel data nodig om machine learning toe te passen en deze data moet ook kwalitatief zijn. Als je bijvoorbeeld het aantal herhaalaankopen wilt verhogen maar slechts vijftien procent van je klanten keert terug, dan heb je te weinig data om een volgend aankoopmoment te voorspellen en is het moeilijk is om een patroon te ontdekken. Machine learning heeft op zo’n moment nog niet veel zin, je kunt dan beter eerst je data verrijken.

Je hebt vast al eens gehoord van een zogenaamde ‘bias’. In machine learning modellen komen die ook zeker voor. Daarom is het belangrijk om heel kritisch te zijn op je data en te blijven valideren, zodat je niet door blijft werken op verkeerde aannames.

Een klassiek voorbeeld is het verband tussen ijsverkoop en verdrinkingen. Hoe meer ijs er gekocht wordt, hoe meer mensen er verdrinken. Dat komt natuurlijk niet doordat ijs gevaarlijk is voor zwemmers. Warm weer veroorzaakt zowel meer behoefte aan ijs als zwemmen - en leidt daardoor tot meer verdrinkingen.

Waarschijnlijk is de magie van machine learning er na het lezen van deze blog een beetje vanaf. En dat is goed, want we kunnen er de aandelenkoers of loterij niet mee voorspellen. Ook de uitslag van een toekomstige voetbalwedstrijd is vrijwel niet haalbaar door de vele afhankelijkheden.

Maar dat machine learning je kan helpen in ondernemen in e-commerce is een feit. Denk aan het automatiseren van productbeschrijvingen, voorspellen van het ziekteverzuim of toegankelijk maken van je webshop voor blinden. Voor bedrijven waarbij bevoorrading belangrijk is en voor B2B-bedrijven met veel terugkerende klanten, kan machine learning je direct een voordeel geven.