De mogelijkheden van Artificiële Intelligentie voor marketing en sales
Minder dan 25% van de Vlaamse KMOs gebruikt A.I. Een recent VLAIO onderzoek (2022) leert ons dat minder dan 25% van de Vlaamse KMO’s al met A.I. technologie in aanraking kwam. Dit staat in schril contrast met de Europese doelstelling voor 2030 van 75%. De adoptie van A.I. technologie is nog beperkt en zal pas versnellen wanneer bedrijven de waarde ervan ten volle ontdekken. Ook de implementatie ervan in beschikbare software en API’s zal een grote bijdrage leveren aan de adoptie van A.I. in bedrijfsprocessen.
WAT IS A.I.?
Ervaring leidt tot voorspelling
A.I. behoort tot het domein van de statistiek en machine learning. Een computer wordt aangeleerd om beslissingen te nemen op basis van historische en nieuwe gegevens. Het resultaat van dit constante leerproces is een algoritme dat gebruikt kan worden om beslissingen (deels) te automatiseren en voorspellingen te maken. Het algoritme is bovendien in staat om patronen te ontdekken die niet altijd vanzelfsprekend zijn.
Digitalisering vergroot de behoefte aan efficiëntie
De digitalisering in de algemene bedrijfsvoering vergroot de behoefte aan efficiëntie. Klantenrelaties lopen vandaag via uiteenlopende digitale en traditionele kanalen. Het klantenbeheer gebeurt bovendien bij elk bedrijf in verschillende systemen en tools die elks een eigen databank hebben. Door deze verspreide data wordt het 360° beeld van de klant vertroebeld. Wanneer de complexiteit van een probleem, vraag, product, … toeneemt, wordt ook de onzekerheid groter: “Beschik ik wel over het totale plaatje om een juiste keuze te maken?”. Door algoritmes te gebruiken die over alle bronnen en informatie heen keuzes maken, kunnen bedrijven sneller en beter geïnformeerd beslissen om een klant al dan niet te aanvaarden of een gerichte promotie aan te bieden.
Nood aan data
Algoritmes leren uit gegevens van het verleden. Er moet met andere woorden data beschikbaar zijn over het gedrag en de gewenste uitkomst die het algoritme probeert te voorspellen. Data kan gegenereerd worden in of door verschillende systemen zoals het CRM systeem, facturaties, websitebezoekers,… Over situaties, die zelden voorkomen zoals faling, fraude, … , zijn er veel minder gegevens beschikbaar en zal de computer er niet zo eenvoudig in slagen om een betrouwbare of accurate voorspelling te maken. Geen nood: eenvoudige rekenregels, knipperlicht-analyses en scorecards kunnen helpen bij kleine datasets.
IMPLEMENTATIE VAN A.I.
Plan van aanpak
We starten steeds bij de controle van de bedrijfsprocessen en valideren of ze de juiste data genereren om verdere analyses mee uit te voeren. We gebruiken historische gegevens om het leerproces uit te voeren en om de resultaten van de algoritmes te becijferen. Dit is soms een struikelblok: het gebeurt dat historische informatie weggegooid wordt. Bijvoorbeeld data van prospecten die een offerte afwezen of van klanten die niet op een promotie ingingen. Ook deze data zijn waardevol bij het leerproces van het algoritme. Bij de implementatie van A.I. algoritmes werken we met A/B testing. Door in parallel de oude en de nieuwe werkwijze te vergelijken leren we wat het beste werkt, waar de efficiëntiewinst het grootste is en welke inzichten verrassend zijn.
A.I. IN SALES EN MARKETING
Welke kansen biedt A.I. in sales en marketing
A.I. biedt een toegevoegde waarde in sales en marketing op verschillende vlakken. De wildgroei aan online communicatietools zorgt voor extra complexiteit: wat stuur ik naar wie en via welk kanaal? Van zodra er voldoende gedragsdata voorhanden is, kan een algoritme helpen om die ideale en gepersonaliseerde customer journey uit te tekenen en marketing en sales naar een hoger niveau te tillen. Niets is vervelender en duurder dan een bestaande klant verliezen. Door gedragsdata te gebruiken, kunnen algoritmes verloop voorspellen. Nieuwe klanten kunnen bovendien automatisch en efficiënt gescreend worden dankzij een gepersonaliseerd A.I. algoritme. De screening helpt om de risico’s op falingen en fraude te verkleinen.
Genereer meer winst met A.I.
Het algoritme kan de meest ideale cross-sell opportuniteiten aanbevelen waardoor de waarde per individuele klant toeneemt. A.I. kan ook aangeven welke klanten(profielen) zullen reageren op bepaalde promoties of bedrijfscommunicatie. Dit verhoogt de impact van marketing acties.
DESIGN, BUILD AND SUPPORT
Cropland and CANDA.ai
CROPLAND ontwikkelt A.I. algoritmes en inzichten voor klanten die zich specifieke vragen stellen rond efficiëntie en/of de toegevoegde waarde van A.I. in hun bedrijfsomgeving. Zoals aangegeven starten we met een evaluatie van de huidige processen en beoordelen we of de data juist gegenereerd worden. Zoniet geven we advies om het anders aan te pakken en helpen we om nieuwe databronnen aan te boren.
We kunnen snel starten met data engineering en de ontwikkeling van de algoritmes wanneer er voldaan wordt aan enkele belangrijke voorwaarden zoals een goede dataficatie van het bedrijfsproces. Wanneer de brongegevens via API beschikbaar zijn en de historische data voldoende is, dan ontwikkelen we de A.I. algoritmes op basis van deze beschikbare gegevens.
Na de A/B testen, is het algoritme klaar om in werking te treden. CROPLAND host het A.I. algoritme op het dataplatform CANDA.ai. Hierdoor blijven de data verbonden en worden de inzichten aan de applicatie geleverd. CANDA.ai gebruikt deze inzichten om de beslissingen van het model te implementeren. We noemen onze werkwijze A.I. As A Service. Zo kunnen onze klanten zich focussen op hun core dienstverlening en zorgt CROPLAND ondertussen voor de meest performante en wetenschappelijk onderbouwde algoritmes, voorspellingen en beslissingen.
CASE STUDIE
Hoe A.I. inzetten om klanten te segmenteren?
Onze klant is actief in de healthcare en bezoekt zorgverstrekkers. Naast de traditionele bezoeken, worden ook andere activiteiten en kanalen ingezet zoals congressen, events, ronde tafels, webinars, mailings, … . In plaats van de zorgverstrekkers (de artsen) te vragen naar hun communicatievoorkeuren, laten we de data spreken. Het A.I. algoritme leert de voorkeuren kennen vanuit de ingezette acties en kanalen. Op die manier wordt er ervaring opgebouwd die gebruikt wordt om bij nieuwe acties de ideale kanaalvoorkeur per arts te bepalen. Zo wordt de omnichannel kanaalmix dynamisch gegenereerd, à la tête du client.