De businesscase van kunstmatige intelligentie voor marketing en verkoop

Klantprofilering en persoonlijke aanbevelingen

Marketing en verkoop worden steeds persoonlijker, omdat het met machine learning mogelijk is een gedetailleerd profiel van bestaande en potentiële klanten op te bouwen. Een profiel bevat naast de identiteit van de klant gegevens over zijn tevredenheid, loyaliteit en waarde voor het bedrijf. Ook wordt er een beeld gevormd van zijn voorkeuren, behoeften en interesses. De klantsegmenten (min of meer homogene groepen klanten) worden steeds kleiner en in steeds meer detail gedefinieerd.

Een klantprofiel wordt opgebouwd vanuit verschillende databronnen. Data over bijvoorbeeld eerdere aankopen, betaalgedrag en vragen aan de klantenservice zijn beschikbaar in interne databases. Als je een product levert dat data genereert, omdat er sensoren in zitten en het een IP-adres heeft (Internet of Things), dan weet je ook hoe je product wordt gebruikt. En dan zijn er nog diverse externe databronnen die het profiel verder kunnen verrijken, zoals sociale media, kenmerken van de buurt waar je klant woont en gegevens van de Kamer van Koophandel.

In alle fasen van het klantproces kun je hiermee je voordeel doen, zowel online als offline. Verkoop begint met het genereren van leads. Door middel van predictive analytics kun je potentiële klanten vergelijken met bestaande klanten en op basis daarvan inschatten welke van je producten en diensten het beste aansluiten bij hun behoeften. Het resultaat is dat de kans van slagen toeneemt en dat je je tijd vooral besteedt aan de prospects met het grootste potentieel.

Het wordt persoonlijker

Reclames worden dankzij kunstmatige intelligentie steeds persoonlijker. Niet iedereen krijgt online dezelfde banners te zien en niet iedereen ontvangt van winkelbedrijven dezelfde aanbiedingen. Albert Heijn weet dankzij de bonuskaart precies wat je normaal gesproken koopt en stemt persoonlijke aanbiedingen daarop af. Een klant die een voorkeur heeft voor A-merken, krijgt geen aanbiedingen voor huismerken. En wie geen luiers koopt, is ook niet geïnteresseerd in babyvoeding. De data maken duidelijk welke consument je met welke boodschap op welk moment kunt overtuigen iets te kopen en tegen welke prijs.

Andere bekende voorbeelden van persoonlijke aanbevelingen zien we bij streamingdiensten zoals Netflix en Spotify. Hun assortiment is zo groot dat veel consumenten door de bomen het bos niet meer zien. De meldingen die je krijgt van nieuwe films en series die waarschijnlijk goed aansluiten bij jouw voorkeuren zijn bedoeld je zo lang mogelijk te vermaken en je te motiveren je abonnement voort te zetten. Om relevante aanbevelingen te doen, kun je je om te beginnen baseren op de aankopen die iemand eerder heeft gedaan en op de producten die daaraan zijn gerelateerd. Geavanceerder wordt het als je ook aankopen van andere consumenten en commentaren op sociale media gaat meenemen.

Onderstaande figuur biedt een samenvattend overzicht van de mogelijkheden.

Iedere klant zijn eigen customer journey

De meeste organisaties werken tegenwoordig met een customer journey, waarin wordt beschreven welke interacties een klant heeft met je product en je bedrijf. Het is per definitie een vereenvoudiging van de werkelijkheid. Veel klanten houden zich immers niet aan het voor hen bedachte pad en switchen gemakkelijk en vaak tussen kanalen: offline (fysieke winkel) én online (webwinkel), rechtstreeks én via distributeurs of platforms, via een medewerker én via chatbots of virtuele assistenten. De realiteit is dat er een grotere verscheidenheid tussen klanten is en dat er meer patronen in klantgedrag zijn dan wij op een zinnige manier kunnen visualiseren en interpreteren.

Ook hier biedt kunstmatige intelligentie uitkomst. Dankzij slimme algoritmes is het mogelijk klanten een persoonlijke customer journey aan te bieden met een eenduidige beleving bij ieder contact, vanuit een geïntegreerd klantbeeld. Daarnaast kan analyse van de data inzicht geven in de indicatoren van toekomstig klantverloop, zodat je daarop kunt reageren. Ook kun je identificeren welke marketingactiviteiten meer en minder succesvol zijn en welke klanten het meest winstgevend zijn.

Gedrag voorspellen

Als je het gedrag van je klanten kunt voorspellen en kunt inschatten hoe groot hun voorraad nog is, dan kun je producten gaan bezorgen voordat klanten zelf in de gaten hebben dat het weer tijd wordt om te bestellen. Dit wordt predictive personalisation genoemd. Een voorbeeld hiervan is HP Instant Ink. Hier koop je geen inkt, maar betaal je aan HP een prijs per pagina die je print. De printer is aan het internet gekoppeld (Internet of Things) en laat aan HP weten wanneer de inkt bijna op is. Je krijgt nieuwe inkt thuis bezorgd voordat je inkt op is.

Overigens is de vrijblijvendheid van het gebruik van data en kunstmatige intelligentie in de relatie met de klant er inmiddels wel een beetje vanaf. Klanten verwachten tegenwoordig dat iedere medewerker met wie zij te maken krijgen volledig op de hoogte is van hun situatie en inzicht heeft in de historie. Je kunt hier zelf een CRM (Customer Relationship Management)-systeem voor bouwen, maar de meeste bedrijven kiezen voor een cloudoplossing, zoals Salesforce. Hierin kun je alle informatie over klanten beschikbaar maken voor medewerkers. Het systeem ondersteunt het verkoopproces, de klantenservice en de marketingcampagnes over alle kanalen heen.

Minder kunst, meer wetenschap

Met de hoeveelheid data die nu beschikbaar is en de kracht van kunstmatige intelligentie om die data te analyseren, worden marketing en verkoop steeds meer wetenschap. Alle stappen in het verkoopproces worden gemeten, zodat er gericht kan worden gestuurd om de effectiviteit van het proces te maximaliseren. Eenvoudig is het overigens geenszins, want de datasets over klantgedrag zijn vaak weinig gestructureerd, klantgedrag is chaotisch en succesfactoren zijn niet altijd eenduidig. Daar staat tegenover dat juist deze complexiteit een motief is om kunstmatige intelligentie in te zetten.

Door: Willem Peter de Ridder

Dr. Willem Peter de Ridder is directeur van Futures Studies, een strategisch adviesbureau dat organisaties ondersteunt bij het verkennen van de toekomst en het formuleren van een toekomstbestendige strategie. Hij verzorgt keynotes op congressen en medewerkersbijeenkomsten, geeft strategieworkshops voor managementteams en doceert in executive programma’s van onder andere de Erasmus Universiteit Rotterdam en TIAS.