Het juiste product op het juiste moment, zo verhoog je de relevantie en daar gaat het in retail om. De artificial intelligence (AI) algoritmes die dit realiseren worden continu slimmer en gebruiken steeds vaker realtime informatie. Verschijnen er grote grijze wolken boven je hoofd? Grote kans dat je direct advertenties van paraplu’s ziet verschijnen. Daarnaast heb je de meer bekende voorbeelden van AI-toepassingen, zoals ‘anderen kochten ook’ en ‘dit vindt u wellicht ook interessant’. Dit zijn de zogenoemde recommender systems. Maar het gebruik van dit soort algoritmes hebben ook een keerzijde, want bieden we hierdoor niet te veel van hetzelfde aan? Ervaart de consument de AI-gebaseerde aanbevelingen ook als een betere klantervaring?

Hoe relevant is je suggestie?
Een algoritme wordt getraind met veel data, maar als het algoritme eenmaal in de praktijk is genomen worden zijn prestaties niet altijd meer geëvalueerd. Dit vergroot de kans dat een algoritme disfunctioneert. Het is dus belangrijk dat een AI-algoritme doorlopend wordt gemonitord.

Veel retailers werken met AI-algoritmes om consumenten eenvoudig producten te laten zoeken (AI visual search) en hun productaanbod zo relevant mogelijk te maken voor elke klant. Het streven is dat je een klant biedt waar hij op dat moment behoefte aan heeft en niet lastigvalt met irrelevante aanbiedingen. Het nadeel is dat je nooit precies weet in hoeverre je productsuggesties daadwerkelijk relevant zijn en je de klant daarnaast in een ‘bubbel’ vastzet.

Hoe kom je hierachter? Er is maar één persoon die dat echt weet en dat is de klant zelf. Daarom is het belangrijk om de consument zelf te betrekken bij het evalueren van de algoritmes. 

Deze gedachte is in IT-land niet nieuw, het heeft zelfs een term: human in the loop (HITL). Dit houdt in dat een mens bekijkt of de uitkomst van een algoritme goed is. Een logische opvolger van human in the loop is dus de consumer in the loop-benadering. Hierbij beoordeelt de consument zelf de uitkomst van het algoritme. Op deze manier geef je de consument wat meer controle terug over hetgeen hij voorgeschoteld krijgt en bied je hem de kans om uit zijn bubbel te breken. Tegelijkertijd zorg je dat de feedback op je algoritme relevanter is dan ooit. En dat is belangrijk, want hyperpersonalisatie zal steeds meer de norm worden. 

Daarnaast verwacht ik dat in de toekomst de recommendations steeds transparanter gaan worden, waarbij je niet alleen een algoritme beoordeelt, maar tegelijkertijd ziet waarom je een bepaalde suggestie hebt gekregen. Op welke data is deze aanbeveling gebaseerd? Een interessant kijkje onder de motorkap. 

Aan de slag met consumer in the loop
Vind je het principe van consumer in the loop interessant en wil je ermee aan de slag? Dan is het belangrijk om alvast over een paar dingen na te denken:

Stap 1: bepaal je doel
Voordat je aan de slag gaat met consumer in the loop is het allereerst belangrijk dat je helder voor ogen hebt wat het doel is van je algoritme. Is dat bijvoorbeeld het stimuleren van herhaalaankopen (recurring buying)? Het pushen van nieuwe producten? Of een zo hoog mogelijke conversie?

Als je dit helder voor ogen hebt, kun je in een later stadium beter inschatten bij welke contactmomenten je feedbackmomenten kunt integreren. Daarnaast heb je een doel nodig om te beoordelen of je beschikt over de juiste data en of je data van voldoende kwaliteit is. In de praktijk zien we dat veel experimenten mislopen omdat bedrijven halverwege ontdekken dat de data niet valide is of van slechte kwaliteit is voor het doel dat gekozen. Het doel brengen wij meestal in kaart met een AI-canvas, zie de afbeelding hieronder.

Stap 2: Wat levert het op voor je klant?
Het kost consumenten tijd om je bedrijf van feedback te voorzien en tijd is een schaars goed. Daarom is het belangrijk dat een feedbackfunctie op de een of andere manier iets oplevert voor je klant. Er moet iets tegenover staan. 

Een partij die dit goed begrepen heeft is Albert Heijn. Via de AH-app krijgen gebruikers wekelijks acht persoonlijke aanbiedingen op basis van hun koopgedrag (met als doel recurring buying). Van deze acht bonusaanbiedingen mogen ze er maximaal vijf uitkiezen die ze dan aanvinken op de app. Vervolgens kunnen ze deze deals verzilveren bij de kassa.

Of een consument een aanbieding wel of niet kiest, kun je hierbij zien als feedbackfunctie. Hier spreek je dus van een typische win-winsituatie: AH vergaart waardevolle data en feedback en de klant ontvangt extra bonusacties. Maar je kunt er natuurlijk ook een win-winsituatie creëren door kortingen te geven of producten te verloten als klanten helpen je feedback te geven.

Stap 3: wat wordt de vorm van je feedback?
De meesten kennen vooral feedbackmethodes zoals mails met ‘wat vond u van onze service?’ Of de ‘smiley zuilen’ bij gemeentehuizen en restaurants. Er zijn tal van verschillende vormen voor het vragen van feedback. Welke vorm het beste werkt, is afhankelijk van iedere unieke situatie. Maar Albert Heijn laat zien dat je feedbackmethodes ook een stuk subtieler in je diensten kunt verwerken met zoveel voordeel voor de klant, dat de klant het vaak niet eens opmerkt dat hij een organisatie helpt.

Stap 4: Haal kennis in huis
Steeds meer organisaties halen de kennis van een eigen data scientist in huis. Deze personen zijn heel goed in het analyseren van data en het doen van goede voorspellingen, maar voor het inbouwen en productionaliseren van een algoritme is het belangrijk om specifieke kennis van software engineering en machine learning in huis te halen. 

Als je deze vier stappen doorlopen hebt en daadwerkelijk gaat starten met consumer in the loop, is het belangrijk om klein te beginnen. Zie het als een experiment en schaaf continu je plan bij aan de hand van feedback en lessen die je onderweg leert. Dat kan met AI-design sprints, waarin je samen met bedrijven al binnen vijf dagen een ruw werkend algoritme maakt. Het hoeft dus helemaal niet tijdintensief te zijn, als je maar van tevoren goed bedenkt wat je met je algoritme en met consumer in the loop wilt bereiken voor je organisatie.