Navigeren in de toekomst: de opkomst van AI in e-commerce

Laten we beginnen bij het begin, zodat we een consensus hebben over de definitie van AI. Veel organisaties doen iets met Tableau of Google Data Studio om data te visualiseren en er learnings uit te trekken. In principe kijk je dan terug naar het verleden. Met AI kijk je ook terug, maar doet dat om beter vooruit te kunnen kijken. 

Met AI analyseer je dus patronen uit het verleden om iets zinnigs over de toekomst te zeggen. Dat doe je op basis van algoritmes, wat een soort wiskundige stappenplannen zijn. Met deze algoritmes kan je bijvoorbeeld de snelste route naar huis uitrekenen, voorspellen of iemand zijn of haar lening zou kunnen terugbetalen óf een chatbot het juiste antwoord op een vraag laten formuleren. Algoritmes hebben data nodig om goede voorspellingen te kunnen maken, zoals bijvoorbeeld de afstanden tussen steden, files en weersomstandigheden als we het hebben over de snelste route naar huis. Zo gaat een algoritme van data naar voorspelling. 

Er zijn ontelbaar veel algoritmes. Het recommender systeem is er een die we vaak zien. Dit is de techniek die bijvoorbeeld producten, muziek of series kan aanbevelen. Handig om als merk je vraag en aanbod te matchen, maar ook om de verkoop te vergroten. Dit gebeurt door gebruikers te classificeren en deze over vergelijkbare groepen heen te leggen om vervolgens een vergelijkbaar relevant aanbod te tonen.

Hoe zoek je patronen binnen data en maak je de algoritmes steeds beter? Simpel gezegd, onderscheiden we drie manieren:

• Supervised: hierbij corrigeer je de foutieve antwoorden;
• Unsupervised: hierbij maken algoritmes clusters;
• Reinforced: dit werkt met een straf- en beloningssysteem;

Meer weten over de verschillende manieren? Lees deze longread over AI in e-commerce. 

• Marketing: Je hebt vast al eens gehoord van A/B tests. Wanneer je deze een shot steroïde geeft, kom je terecht bij de zogenaamde ‘multi-armed bandits’, wat eigenlijk erg veel A/B/C/D/...-tests parallel draait en het algoritme onthoudt welke het beste presteert. Hiermee ga je blijvend exploreren en exploiteren, bijvoorbeeld om engagement te vergroten of het aantal verkopen te laten stijgen. 
• Proactief klantbeheer: Elke klant vertegenwoordigt een bepaalde klantwaarde. De een is heel trouw en de ander staat op het punt iets bij de concurrent te bestellen. Door onderliggende patronen te ontdekken, weet je wie je wanneer moet opbellen en overhalen om bij jou te blijven of te laten gaan omdat deze klant eigenlijk juist geld kost.
• Customer service bots: Je ziet ze al langer op webshops en apps, en ze worden steeds slimmer doordat Google, Facebook en OpenAI hiermee verder ontwikkelen. Een niet te vergeten ingrediënt op deze toepassing is het toevoegen van sentiment: als iemand heel negatief is (bijvoorbeeld te herkennen in woordgebruik), kan het algoritme dat ticket prioriteren tegenover iemand die neutraal is of dat ticket aan een menselijke agent toebedelen voor verdere afhandeling.
• Virtual AI assistants: Hiermee kun je een stuk service verlenen aan je klanten door antwoord te geven op concrete input zoals: wat is de status van mijn pakket met bestelnummer XXXXXX.

Het ethische dilemma vergt geen extra uitleg. Het AI tijdperk wordt tegenwoordig nog weleens vergeleken met de ‘wild wild west’. Eerst moeten er dingen gebeuren, daarna komen er pas wetten. Gelukkig zijn er wel ethische uitgangspunten die je op de weegschaal zou moeten leggen:

• Nauwkeurigheid
• Transparantie
• Interpreteerbaarheid
• Eerlijkheid
• Veiligheid
• Privacy

Hoe je de weegschaal gebruikt, is afhankelijk van het toepassingsgebied. Soms heb je liever een nauwkeurig model wat niet interpreteerbaar is, soms andersom. Bij de defensie is het bijvoorbeeld heel belangrijk dat de interpretatie haast perfect is wanneer een drone een aanval doet, in tegenstelling tot bijvoorbeeld eerlijkheid. Voor de overheid is juist eerlijke informatie belangrijk. 

Max Roeters heeft liever een interpreteerbaar AI model dat iets minder nauwkeurig is dan een nauwkeurig model dat niet interpreteerbaar is. Daardoor kan je als mens van je algoritme leren: je wordt zelf steeds slimmer, in plaats van dat het algoritme slimmer wordt, maar jij dommer, omdat je niet begrijpt wat het algoritme doet.

Hierin schuilt wel een gevaar. Je zou in ieder geval de principes van de algoritmes moeten snappen, zodat je ook weet wanneer het gaat ‘hallucineren’. Het algoritme kan zeker in het begin verbanden denken te zien, die niet stroken met de realiteit. Het concept begrijpen, helpt je om dit te corrigeren en te kunnen differentiëren. Werk daarom samen met domeinexperts.

Volgens Max Roeters is het dus een absolute basisvoorwaarde dat je het algoritme kan interpreteren, zeker bij kritische processen die van significante waarde zijn voor je bedrijf. Denk aan de prijsstrategie van je producten. Bij de inzet van AI op dit soort onderwerpen is de inzet van een data scientist onmisbaar. 

Er zijn verschillende algoritmes bedoeld voor verschillende taken. De een is goed in het voorspellen van trends, de ander voor teksten schrijven. Afhankelijk van je toepassing kan het zo zijn dat het cruciaal is dat je data gecentraliseerd staat opgeslagen in een database. Hier kan het algoritme dan uit putten. Echter, datakwaliteit is voor elk algoritme in elke vorm een belangrijke factor die de kwaliteit van de output beïnvloedt.

Een postcode mag bijvoorbeeld niet uit vijf cijfers bestaan en een leeftijd niet onder de 0. Als je zulke foute data vindt, pas je aan de voorkant natuurlijk ook meteen de validatie aan, zodat dit niet meer gebeurt.

Denk je nu: waar begin ik? Pak dan een aantal data variabelen zoals geslacht, aankoopfrequentie en leeftijd en begin daar met het schoonmaken van die data. Dit kun je zelfs ook al geautomatiseerd doen.

“Met een kleine dataset kun je prima beginnen met AI, waarbij ik altijd adviseer om nooit met vuile data je algoritmes te trainen en liever ook niet met persoonlijke data. Gebruik deze experimenten vooral om te leren en zet ze nog niet in voor echte doeleinden.”
Max Roeters, managing partner bij Brush AI

1. Breng je digitale landschap in kaart en ontdek manieren waarop je kan optimaliseren (is de receptie bijvoorbeeld nog gegevens aan het overtypen, is customer service steeds dezelfde vragen aan het beantwoorden?) 
2. Verhoog jouw data-volwassenheid en zorg voor zo min mogelijk bias (door bijvoorbeeld te voorkomen dat er alleen maar mannen in je dataset zitten, als de totale populatie wel gemixt is)
3. Prioriteer menselijke normen en waarden als uitgangspunt (de machines moeten mensen dienen en niet andersom)
4. Werk iteratief van “descriptive” naar “prescriptive” (dus kijk terug en blik dan weer vooruit)
5. Denk aan relevante wetgeving (AVG & AI Act)

Als het goed is, heeft AI je al meerwaarde getoond. Het werkt bijvoorbeeld al heel goed bij teksten met ChatGPT. Benieuwd naar onze toekomst met AI? Wij ook. In de bluepaper van onze ShoppingTomorrow-groep (de omni-commerce architectuur van de toekomst) geven we een voorzet van hoe wij denken dat deze eruit zou kunnen zien.

In conclusie denken wij dat het belangrijk is om je data te centraliseren, op te schonen en vervolgens te starten met experimenteren met een beperkt aantal variabelen. Zodat je het algoritme kunt interpreteren aan de hand van een ‘begrijpbare’ dataset. Daarna stap voor stap verder! Onderzoek hoe jouw organisatie voordeel kan behalen met AI, maar verlies nooit de mens uit het oog. De machine zou mensen moeten ondersteunen, niet andersom.