Technologie als je nieuwe, favoriete collega?

Klanten verwachten een naadloze customer journey over alle touchpoints, waarbij informatie consistent, relevant en in veel gevallen zelfs gepersonaliseerd moet zijn. Volgens Adobe ziet 66 procent zelfs van een aankoop af, wanneer de content niet gepersonaliseerd is.

Om als organisatie die naadloze customer journey aan je klanten te geven, heb je data nodig. Vervolgens kun je daar met slimme technologieën als artificial intelligence (AI), machine learning en data fabrics op inspelen.

Hoe maak je gebruik van die technologie? En wat is het sentiment van de consument tegenover het geven van gegevens? Consumenten willen niet zozeer dat je ze goed kent, het gaat er voor hen om dat je weet hoe je efficiënt en effectief op hun behoeften in kunt spelen.

In deze blog laten we zien hoe je technologie voor je kunt laten werken en hoe je omgaat met data (duurzaamheid).

Ook al lijkt technologie in de ogen van organisaties een enorme vooruitgang te boeken, kunnen consumenten daar anders over denken. Wat is de reactie van de consument op technologie en hoe verwacht zij daar op de toekomst op in te spelen?

In een onderzoek van ShoppingTomorrow en GfK werd de verhouding van de consument tegenover technologie getoetst. Hieruit blijkt dat consumenten over het algemeen positief staan tegenover technologische ontwikkelingen in de winkel zoals een digitale kassabon, body/foot scanner om je maat te bepalen, slimme spiegels of paskamers. Maar, naarmate de echte interactie met mensen wegvalt, lijkt die houding zich negatief te ontvouwen.

Zo scoort een checkout less store, robots die je assisteren in de winkel en betalen door middel van gezichtsherkenning aanzienlijk minder hoog - en consumenten verwachten hier in de toekomst ook geen gebruik van te willen maken.

Uit datzelfde onderzoek blijkt dat consumenten nu 33 procent van hun uitgaven online doet en de verwachting is dat dit stijgt naar 41 procent in 2027. Hoe we technologie slim in kunnen zetten op webshops wordt daarmee alsmaar belangrijker. Vooral wanneer we lezen dat de consument snel antwoord wil hebben op vragen (36%) en proactief geïnformeerd wil worden over bijvoorbeeld een vertraging in levering (24%).

De afgelopen jaren is het gebruik van AI enorm toegenomen. Van product development tot klantenservice: op alle vlakken kan AI van toegevoegde waarde zijn. Door de opkomst van cloud computing en de beschikbaarheid van AI services van onder andere Microsoft, IBM en Google, is de drempel om AI in te zetten sterk verlaagd.

Toch wordt AI bij veel Nederlandse merken op dit moment slechts op beperkte schaal toegepast. In de toekomst zullen (ook kleinere) merken - net zoals nu al het geval is in China - AI steeds meer gaan inzetten om onderscheidend vermogen te creëren ten opzichte van concurrenten.

Voorbeelden van AI-toepassingen:

• Het analyseren van klantcontact en reviews via Natural Language Processing (NLP) om de dienstverlening te verbeteren. Bijvoorbeeld door automatisch alle telefoongesprekken te vertalen naar tekst, te analyseren en een overzicht te maken van de meest voorkomende problemen of klachten, zodat hier gericht op kan worden ingespeeld.

• Klanten te segmenteren om gerichtere service te kunnen bieden, bijvoorbeeld door te bepalen welke klanten een hoge kans hebben op verloop, zodat je specifiek die klanten vanuit je marketing kan gaan benaderen.

• Het verbeteren van de customer experience door de volledige klantreis te personaliseren, bijvoorbeeld door gepersonaliseerde productaanbevelingen of dynamische productprijzen aan te bieden.

• Het analyseren van (grijze) derving en het optimaliseren van voorraad en logistiek.

AI als medewerker?

Het tekort aan personeel is in veel sectoren schrijnend en de beroepsbevolking zal de komende jaren niet of nauwelijks groeien. Tegelijkertijd zal de groei van veel merken nauw samenhangen met de groei van productiviteit uit goed opgeleid IT-personeel en technische medewerkers.

De samenwerking tussen mensen en AI algoritmes zal de komende jaren daarom toenemen. Nu al zijn er al voorbeelden waarbij we in ons werk of daarbuiten ondersteund worden door AI. Zo kunnen algoritmes ons helpen om productiever te worden, fouten te minimaliseren en betere keuzes te maken.

Dat zien we in marketingcampagnes en -budgetten die automatisch door een algoritme worden beheerd, gesprekken van klantenservice medewerkers die samen met een bot gevoerd worden, het schrijven van teksten en het maken van visuals met - door AI gegenereerde - foto’s en het genereren van unieke en gepersonaliseerde productteksten: op heel veel vlakken zullen de taken die we nu doen verschuiven en gaan we hand in hand samenwerken met algoritmes en devices om ons heen.

Al eens gehoord van copy.ai? Het is een tool die je zou kunnen helpen met productteksten. De tool maakt gebruik van deep learning technieken om automatisch teksten te genereren.

Snel en efficiënt software kunnen uitrollen is al jaren een belangrijk onderwerp in (product)development. Het continu uitrollen van wijzigingen zonder de tussenkomst van IT en het stroomlijnen van alle processen daaromheen is onderdeel van wat DevOps genoemd wordt. In vakjargon wordt er gesproken over Continuous Integration en Continuous Delivery (CI/CD): het doorlopend lanceren van nieuwe ontwikkelingen naar gebruikers.

Wanneer het aankomt op de ontwikkeling van machine learning (ML) algoritmes is deze behoefte niet anders. Wel is er een verschil tussen lifecycle management van reguliere software en ML software. Doordat ML algoritmes getraind worden op data, en zowel de data en de gewenste business output continue aan verandering onderhevig zijn, is het monitoren, testen en updaten van bestaande algoritmes cruciaal.

Het ontwikkelen en onderhouden van ML applicaties vereist daarnaast meerdere specialismen. De business bepaalt doelen, data scientists ontwikkelen en onderhouden algoritmes en developers ontwikkelen vervolgens de applicaties of API’s. Om te zorgen dat ook de algoritmes efficiënt uitgerold kunnen worden is MLOps in het leven geroepen. Dit is een proces om geautomatiseerd nieuwe machine learning modellen te trainen en te deployen.

Er zijn verschillende tools beschikbaar om je ‘machine learning lifecycle’ goed te beheren. Een laagdrempelige optie is MLFlow van het bedrijf Databricks. Ontwikkelaars van machine learning modellen (vaak data scientists) hebben inzichtelijk welke versies van een model er beschikbaar zijn, hoe goed iedere versie presteert en nieuwe modellen kunnen eenvoudig worden toegevoegd, zonder de tussenkomst van IT. Daardoor kunnen de data scientists sneller en efficiënter werken én kunnen ze beter samenwerken.

Het best presterende model kan vervolgens eenvoudig live gezet worden, bijvoorbeeld in de cloud op Amazon Web Services (AWS). Iedere service biedt een ‘endpoint’, een API waar externe applicaties mee kunnen communiceren om gebruik te maken van het machine learning model. Op die manier kunnen andere mensen binnen de organisatie (zoals het development team) gebruik maken van de voorspellingen van het model.

Mede gestuwd door smart devices, Internet of Things (IoT) sensoren en (web) analytics verzamelen we meer data dan ooit. Het realtime samenbrengen van al deze data én zorgen dat de data ook omgezet kan worden naar nuttige informatie is daardoor ook een steeds grotere (en belangrijkere) uitdaging.

Data fabrics zijn een opkomend concept, volledig gericht op het versnelt genereren van inzicht vanuit data door deze automatisch samen te brengen vanuit de verschillende silo’s en geautomatiseerd de data te cureren.

Eenvoudig gezegd zorgt een datafabric voor één overkoepelend beeld op de data van een organisatie die automatisch wordt aangevuld, opgeschoond en wordt voorbereid om analyses op te kunnen doen, waardoor de waarde van de data voor organisaties gemaximaliseerd wordt.

Volgens Gartner bevindt de term Data Fabric zich momenteel op de ‘peak of inflated expectations’: de verwachtingen zijn hooggespannen. Het is daarom nu vooral een ontwikkeling die goed in de gaten gehouden moet worden, zodat er snel op ingespeeld kan worden als de systemen zich verder ontwikkelen en het succes hiervan is aangetoond.

We hebben data nodig voor AI-toepassingen, machine learning en brengen gegevens samen in data fabrics. Wat we niet moeten vergeten is het risico van het opslaan en verwerken van data.

Bijna wekelijks zijn grote privacyschandelen en oneerlijke algoritmes in het nieuws. Consumenten zijn terughoudender dan ooit om hun persoonlijke informatie te delen. Er klinkt kritiek op de wijze waarop grote bedrijven omgaan met data. De rol en invloed van Big Tech bedrijven ligt onder een vergrootglas en fake news wordt op grote schaal geproduceerd en gedeeld.

Eind oktober zijn er kamervragen gesteld over het zelflerende risicoclassificatiemodel van de belastingdienst dat vanaf april 2013 werd gebruikt om te bepalen welke aanvragen voor toeslagen extra controle zouden krijgen. Uit intern onderzoek van de belastingdienst bleek dat het algoritme mogelijk ‘onrechtmatig en ‘discriminerend’ was. Mede doordat mensen met een lager inkomen een grotere kans hadden om gecontroleerd te worden.

De wijze waarop organisaties omgaan met persoonlijke informatie staat voor millennials in de top 3 van factoren hoe ze naar een bedrijf kijken, aldus de Deloitte Global Millennial Survey 2021. Een kwart van de millennials geeft aan dat ze hun relatie met een bedrijf zouden verbreken als deze niet in staat zijn om hun persoonlijke data te beschermen.

Ook de oudere generatie, die van oudsher weinig bezig geweest met privacy, zijn door de pandemie en masse online gaan winkelen. Daarmee zijn ze ook steeds ongeruster geworden over hun privacy. Doordat die generatie minder bekend is met digitale technologie, is er al minder vertrouwen om online aankopen te doen. Juist sterke merken, die goed omgaan met privacy en goede informatie bieden, zullen deze klanten voor zich kunnen winnen.

Voor veel e-commerce retailers en merken lijkt het verzamelen van zoveel mogelijk klantdata een doel geworden. In een wereld waarin consumenten steeds terughoudender worden in het delen van hun data en kritischer worden op de wijze waarop bedrijven hier mee omgaan, lijkt hierin een omwenteling nodig.

Door een coherent beeld te hebben van de data in een organisatie en te streven naar dataminimalisme kunnen merken de risico’s van een datalek beperken. Dit principe staat expliciet in de GDPR vermeld als vereiste bij het verzamelen van klantdata, maar wordt in de praktijk nog maar weinig gevolgd.

Merken kunnen werken aan hun data duurzaamheid door kritisch na te denken over de reden waarom data wordt verzameld, per type data te kijken of dit geaggregeerd of geanonimiseerd bijgehouden kan worden en systemen goed te integreren, zodat er geen oude data onnodig in een systeem achter blijft.

Voor veel van de toepassingen van data is het niet nodig om dit terug te kunnen leiden naar het individu. Vooral als het gaat om analyses over het gebruik van producten, defecten die optreden of onderhoud dat nodig is, kan data prima samengevoegd (geaggregeerd) worden. Het wordt daardoor niet minder nuttig, maar de kans op een datalek wordt daarmee wel sterk geminimaliseerd.

De wijze waarop merken omgaan met data kan in toenemende mate een unique selling point worden en het sentiment tegenover het merk beïnvloeden. Daarnaast is de EU met diverse wet- en regelgevingen bezig die het gebruik van data nog meer aan banden zullen gaan leggen. Ook vanuit die optiek dienen merken kritisch te zijn om hun databeleid.

Waar interne teams voorheen veel bezig waren met het updaten en onderhouden van diverse applicaties, verschuift deze rol naar het opzetten van een heldere data architectuur, het doorbreken van data silo’s en het zorgen voor data consistentie binnen de hele organisatie en de volledige architectuur.

Dit is niet alleen belangrijk omdat je klanten op alle momenten de juiste - hoog kwalitatieve - informatie verwachten, maar ook omdat goede data in combinatie met technologie het verschil kan maken voor merken door relevanter te zijn voor klanten en nieuwe businessmodellen te ontwikkelen. En op die manier kan technologie je nieuwe, favoriete collega worden.