Is dit de volgende fase van de brand-utility?

Leestijd: 2 minuten

Via de nieuwsbrief van SUE werd ik getipt op dit bericht: 
Scaling Nudges with Machine LearningHet bespreekt de combinatie van Nudging en AI.

De beperking van een nudge

Nudging gaat over het positief beïnvloeden van gedrag met slimme, indirecte prikkels. Een klassiek voorbeeld is het vliegje in de toiletpot, waardoor mannen gerichter hun ding doen.

Nu is ieder mens anders. Dus niet elke prikkel werkt voor iedereen hetzelfde. En niet elke situatie is gelijk. De eerste keer werkt het vliegje beter dan de driehonderdzesendertigste keer dat je ‘m tegenkomt.

Dit is helemaal het geval bij complexer gedrag. Bijvoorbeeld nudges die mensen over een lange periode moeten stimuleren meer te sparen of meer te bewegen.

Nudge met behulp van AI

AI draait om slimme robots. Zij kunnen menselijk gedrag steeds beter analyseren. Zo kunnen ze scherp inschatten welke nudge het beste werkt, voor welk persoon en op welk moment, keer op keer.

Thanks to technology, we are moving from an age in which products and services connect us to and better manage our things (music, money, email, friends) to an age in which products and services are explicitly designed to help us achieve behavior-based goals. In other words, we are moving from the utility age to the augmentation age.

De volgende fase van de brand-utility?

Ik ben enthousiast voorvechter van de brand-utility. De gedachte dat je beter merken kunt bouwen met nuttige hulp, dan met storende reclames. Nike+ was destijds een klassieker: het helpt je beter te sporten.

Vandaar dat ik werd getriggerd door het bovenstaande. Het stelt dat een volgende fase is aangebroken. Een verschuiving van ‘passieve hulp’ (‘utility’) naar ‘actieve hulp’ (‘augmentation’). Ofwel, een verschuiving van een handige stukje gereedschap naar een echt persoonlijke coach.

Once a financial institution helps people protect, move, and access their money, it can help people behave in ways that are consonant with their wishes: staying on budget, building their credit, or saving for retirement, among many others.

I refer to this as the behavior change value proposition, where the core value exchanged isn’t the utility itself, but the outcome from behavior-based changes.

Persoonlijke maar sociaal

Uiteraard is deze verschuiving niet helemaal nieuw. Nike+ coachte je destijds al met slimme nudges. Het motiveerde je bijvoorbeeld met een overzicht waarin stond dat je vrienden meer hadden gehold dan jij.

Maar ook al voelden deze nudges persoonlijke, ze waren nog steeds massaal. Ze waren immers voor iedereen gelijk. Eerst werd onderzocht welke nudges gemiddeld genomen het beste werkten. Daarna werd de winnende nudge ingezet voor elke hardloper.

De punt van het artikel: AI brengt dit allemaal een stap verder door de nudges echt persoonlijk te maken.

Just like unlocking the human genome helped identify genetic traits that allow for personalized medical advice, we can think of machine learning as the next step in unlocking a “behavior genome.” By factoring in personality traits, situational features, and timing, we can better persuade people who want to be persuaded.

Google Goals wordt als voorbeeld genoemd. Het helpt je niet alleen als een ‘passieve utility’ (door je agenda bij te houden). Google Goals is ook een ‘actieve utility’ (door je persoonlijk te coachen). Gebaseerd op de doelen die je zelf formuleert (je wilt bijvoorbeeld 3 keer sporten in de week) geeft Google je slimme triggers. Doel is je te laten sporten op de momenten dat dit het beste in je agenda past.

Van hulp naar transformatie

Joseph Pine vertelde ooit dat de opvolger van de ervaringseconomie ‘transformatie’ was. Ofwel, het is leuk om naar het theater te gaan (dit is een bijzondere ervaring). Maar het is nog leuker om iets nieuws te leren (bijvoorbeeld toneelspelen).

In die lijn ontwikkelen brand-utilities zich misschien dus ook. Eerst waren het handige hulpjes, die er waren om je leven makkelijker te maken. Nu worden het coaches die je helpen je leven te veranderen.

Wordt vervolgd.

Adobe’s AI kleurt zwart-wit-foto’s in

Leestijd: Minder dan 1 minuut

In het rijtje ‘AI klinkt interessant, maar wat kun je er mee?’ kwam ik een leuke, nieuwe case tegen: de kleurrobot.

Adobe heeft een intelligent systeem ontwikkeld dat zwart-wit afbeeldingen realistisch inkleurt. Het systeem vergelijkt je zwart-wit-beeld, dit kan ook je tekening zijn, met talloze andere. Het analyseert hoe de vergelijkbare afbeeldingen ingekleurd zijn. En daarna kleurt het jouw zwart-wit plaat realistisch in.

Het is een indrukwekkend demo. Ik ben benieuwd naar de versie uiteindelijk live gaat.

Eerder in dit rijtje: Google helpt je tekenenen en Google herkent je tekening.

Google’s AI helpt je met je tekening

Leestijd: Minder dan 1 minuut

Eerder schreef ik over Google’s AI: je kunt Pictionary spelen met Google’s computers. Inmiddels is daar een leuke opvolging van.

Als je niet kunt tekenen, helpen de elektrische vriendjes van Google je. Met AutoDraw teken je iets grofs. Google herkent je doodle en doet een suggestie voor een betere versie van je tekening.

Dat klinkt vast abstract. Dus: kijk hieronder 🙂

 

Probeer het hier zelf. AutoDraw is gratis en werkt op al je digitale apparaten. Dus op je computer, telefoon en tablet.

Of kijk naar dit achtergrondfilmpje.

Alle AI-cases die je moet kennen

Leestijd: 6 minuten

AI is veel in het nieuws. Maar, wat kun je er als marketeer mee? Ik vond een interessant overzicht van toepassingen. Het is erg uitgebreid. Dus ik heb het puntig voor je samengevat. Een lijstje om te archiveren!

Uitgangspunt 

Persoonlijke marketing
Voor marketeers is een belangrijke belofte van AI is dat ‘massa-marketing’ eindelijk echt persoonlijk kan worden. Een eenvoudig voorbeeld komt van merken als Spotify, Amazon en Netflix. Zij geven met AI steeds individuelere aanbevelingen, waardoor hun service veel persoonlijker wordt. Hierdoor weten ze een bovengemiddelde loyaliteit te creëren. Immers, hoe relevanter een dienst is, hoe vaker je ‘m gebruikt.

Handig hulpje
Overigens zijn niet alle diensten, die gebruiken maken van AI, perse 100% kunstmatig. Vaak doen robots het voorwerk en dragen gewone mensen zorg voor de laatste stap. Dit is het geval bij de gesprekken die KLM voert via messenger-diensten. Robots geven suggesties voor een antwoord, de medewerker bepaalt wat het antwoord uiteindelijk wordt.

Keuze
Het onderstaande overzicht toont aan, dat AI reeds op heel veel plekken is opgedoken. Daarmee staan marketeers voor een belangrijke keus: willen ze klanten persoonlijk gaan benaderen, dan kunnen ze uiteindelijk moeilijk zonder AI. Of ze muziekdiensten bieden, campagnes willen optimaliseren, een helpdesk hebben of hun winkelformule willen optimaliseren.

1. Beeld

Zelfrijdende auto’s
Het eerste domein waarbij AI belangrijk is, is de herkenning van beeld. Een populair voorbeeld is de zelfrijdende auto. Deze kan niet zonder AI. AI helpt de auto te begrijpen wat hij ziet: een kartonnen doos of een kind op een fietsje.

Winkelbezoek
Winkels gebruiken soortgelijke technieken om te begrijpen wat bezoekers in hun winkels doen: welke schappen werken goed en welke minder? Hierbij kan gezichtsherkenning worden gebruikt: wie doet wat in de winkel, hoe vaak komt deze persoon terug en wie heeft hij nog meer bij zich?

Nummerborden
Winkels gebruiken dit soort technieken inmiddels ook om de nummerborden van langsrijdende auto’s te noteren. Door deze gegevens te combineren met externe databases, wordt het steeds makkelijker om uit te vinden wie de mensen zijn die langsrijden, wat ze te besteden hebben en waar ze wonen.

Cases
Voorbeelden zijn dit soort diensten zijn ShopperTrakRetailNext en OpenAPLR.

Sociale media
Ook door sociale media wordt AI, die beelden kan herkennen, belangrijker. Sociale media gebruiken tegenwoordig immers minder tekst en worden steeds visueler. Denk aan Snapchat, Instagram, Pinterest of YouTube.

Beeld is een stuk lastiger te interpreteren dan woord. Dus zijn ‘deep-learning’-technieken nodig om te begrijpen waar beelden op sociale media over gaan, welke trends er achter zitten en wat het sentiment hierbij is.

Cases
Voorbeelden: ClarifAICloudsightIndico en Dextro.

Archivering van beeld
We zetten met z’n allen steeds meer beelden online. En we verwachten dat deze steeds makkelijker gevonden kunnen worden. AI kan helpen deze media te inventariseren.

Een goed voorbeeld is uiteraard de mogelijkheid om met Google naar een afbeelding te zoeken. Google’s AI herkent inmiddels heel goed wat er op een afbeelding gebeurt, welke labels deze moet krijgen en zelfs wie er op het plaatje staat. Bedenk dus, dat als je straks zoekt naar ‘een kat die in de sneeuw met een bal speelt’, je afbeeldingen krijgt, die een computer zo heeft herkent.

Cases
Illustraties zijn Adobe Smart TagsAsset Bank en Google Cloud Vision API


2. Taal

Siri en callcenters
Het gebruik van AI is in dit domein wat bekender. Onderzoekers zijn al decennia bezig om computers te laten begrijpen wat mensen bedoelen als ze iets opschrijven of iets uitspreken.

Een vroeg voorbeeld was de computer van een callcenter. Deze probeerde het onderwerp van je vraag  te begrijpen om je zo direct met de juiste medewerker door te verbinden.

Inmiddels kennen we deze toepassingen ook van Amazon’s Alexa en Apple’s Siri. Een mooie mijlpaal is IBM’s Watson. Watson begrijpt tekst zo goed, dat het een spelletje Jeopardy won.

Chatbots
Dit gebied krijgt tevens veel aandacht door chatbots, bijvoorbeeld via Twitter, Facebook Messenger of Whatsapp. De grote belofte is dat merken zo authentieke, persoonlijke gesprekken met grote hoeveelheden klanten kunnen voeren. Maar dit is nog een stip aan de horizon.

In eerste instantie helpt AI klanten vooral om snel een oplossing te vinden, zonder door uitgebreide keuzemenu’s te lopen. Ofwel, doordat de chatbot herkent waar een vraag over gaat, kan hij snel suggesties doen waar het antwoord gevonden kan worden.

Deze bots zijn belangrijk, omdat chat-omgevingen steeds volledigere ecosystemen worden. Ze bieden toegang tot een heel scala aan diensten. Inspiratie is uiteraard het succes van het Chinese WeChat. Een slimme robot kan een gebruiker dus straks vrijwel overal mee helpen.

Cases
Facebook MessengerAlexa Skills APIConverse.AI en IBM Watson.

A/B…Z
Een andere toepassing van taal en AI is een geavanceerde versie van A/B-testen. Doordat computers taal beter begrijpen, kunnen ze continu nieuwe varianten van een communicatieboodschap testen. Robots leren zo autonoom welke communicatiestrategie het beste werkt voor welk type klant.

Een marketingcampagne heeft hierdoor geen vaste vorm meer, waar een strateeg vooraf over nadenkt. Hij krijgt een hele organische opbouw, waarbij de invulling wordt gebaseerd op trial-and-error.

Cases
Voorbeelden zijn: PersadoIPSoftAutomated Insights.

Sentiment
Voor merken wordt het ook steeds belangrijker om het sentiment van klanten te herkennen. Robots zijn inmiddels goed in staat te begrijpen of een klant blij, teleurgesteld of geïrriteerd is.

Zo kan sneller ingespeeld worden op een mogelijke crisis. Dit kan tijdens een 1 op 1-contact, om te herkennen dat een klant niet tevreden is over de dienstverlening en dus een plan B nodig is. En het is belangrijk voor sociale media, om een negatief sentiment te identificeren voordat het momentum krijgt.

Cases
Toepassingen zijn LexalyticsSysomos en Crimson Hexagon.

3. Advies

Data-analyse
AI kan marketeers ook adviseren welke beslissing het beste gemaakt kan worden. Data-mining speelt hier een belangrijke rol: robots kunnen grote hoeveelheden data vertalen naar eenvoudige inzichten.

Programmatic-buying
Maar behalve adviseren, kunnen machines ook steeds vaker zelf beslissingen maken. Bijvoorbeeld of het zinvol is om extra budget voor een lopende digitale campagne aan te wenden. Programmatic-advertising is een goed voorbeeld. Computers zijn een stuk beter in staat dan mensen om snel te beslissen welk bod op welk moment moet worden uitgebracht.

Cases
Voorbeelden: Adobe Media OptimizerRocket Fuel en Kenshoo.

Tweelingen
Tweeling-analyse is een andere trend. Bedrijven kunnen met AI analyseren welke nieuwe groepen mensen veel overeenkomsten vertonen met hun bestaande klanten. Zo kan ontdekt kan worden, dat mensen die een bepaalde winterjas kopen, veel overeenkomsten hebben met de bezoekers van een specifieke wintersport-site.

Cases
Illustraties: Oracle BluekaiAdobe Audience Manager en DoubleClick van Google.

Flexible content
Veel online content wordt nog aangeboden op basis van handmatige geformuleerd regels. Deze zijn bijvoorbeeld gebaseerd op de locatie van een gebruiker: als iemand in Amsterdam is, krijgt hij net wat andere content dan iemand in Rotterdam.

Met slimme algoritmes kan content direct worden aangepast terwìjl de bezoeker de website gebruikt. De potentiële klant kan bijvoorbeeld een lagere prijs aangeboden krijgen, wanneer de robot inschat dat de kans groot is dat hij de site verlaat.

AI wordt hierbij steeds beter in staat om te leren. Het kan automatisch nieuwe patronen ontdekken: wat moet worden gedaan om de kans op een online aankoop zo groot mogelijk te maken? Iedere succesvolle ingreep wordt gebruikt om toekomstige acties aan te scherpen.

Cases
Voorbeelden: NeoWizeBloomreach en Sentinent.

4. Voorspellen

Aanbevelingen
Tenslotte zijn er AI-technieken, die anticiperen op een toekomstige handeling van een gebruiker. Een bekend voorbeeld zijn aanbevelingen: als je dit leest of kijkt, vindt je dit boek of deze film vast ook leuk.

Waar deze adviezen nu vaak zijn gebaseerd op overlappend aankoopgedrag, kan AI een flinke stap verder maken. Het kan allerlei aanvullende data gebruiken, zoals het apparaat dat wordt gebruikt en het tijdstip van het bezoek. Deze gegevens kunnen worden gecombineerd met externe data. Hiermee kan een ‘koude start’ worden voorkomen: als een klant nog weinig gekocht heeft, is het moeilijk een goede voorspelling van een aankoop te doen.

Under Armour en Nortface
Twee illustraties in dit kader: sportmerk Under Armour gebruikt de AI van IBM’s Watson om betere productaanbevelingen te doen. Hierbij wordt gebruik gemaakt van allerlei voeding- en fitnessdata van derde partijen.

Northface’s gebruikt “Find the perfect jacket”. Via een simpel vraag-en-antwoord-spel (‘Waar ga je wanneer naar toe en wat ga je doen?’) krijgt een gebruiker direct een persoonlijke aanbevelingen welke producten het beste bij hem passen.

Cases
Leveranciers: Amazon DSSTNELiftIgniter of IBM Watson.

Voorspelling
Het nieuwe in dit domein is dus dat big-data vaak gericht is op het verleden: wat hebben mensen gedaan en hoe succesvol was een bepaalde benadering? Met AI wordt geprobeerd om toekomstig gedrag te voorspellen. Deze benadering is erg interessant om de effectiviteit van CRM te vergroten.

Salesforce Einstein geeft marketeers pro-actief een seintje als belangrijke ontwikkelingen op stapel staan. Bijvoorbeeld als de kans groot is dat een belangrijke klant een contract niet gaat verlengen. Hierbij worden algemene markttrends gecombineerd met hele specifieke, individuele data.

Cases
Voorbeelden: Salesforce EinsteinIBM Predictive Analytics en Marketo.

Kortom
Ofwel, gebruik je nog geen AI, weet dan dat de kans groot is dat je dat in de toekomst wel doet. Direct, doordat je deze technieken zelf gebruikt. Of indirect, doordat een toeleverancier AI inschakelt.

De samenwerking tussen marketing en ICT wordt hiermee nog belangrijker. Evenals een kritische analyse wat AI precies voor je organisatie kan betekenen. En of het echt gaat om een betere, persoonlijkere service of een grappig gimmick.

Als je zelf AI wilt ervaren, check dan dit artikel dat ik eerder schreef: Speel pictionary met Google’s AI.