De belangrijkste vooruitgang in de geschiedenis van kunstmatige intelligentie (AI) is het intelligent en continu leren van machines. Machine Learning gebruikt gegevens en algoritmen om gedragsmodellen te maken en update deze bij elke nieuwe gegevensinvoer. Dit proces, omdat het de grenzen van innovatie verlegt, maakt het mogelijk om innovatieve projecten te creëren, vooraf gedefinieerd en 100% op maat gemaakt waarmee het mogelijk is om te bepalen welke AI-strategie je moet volgen.
De twee modellen van het proces
De twee overheersende modellen met betrekking tot het procesgebied Machine Learning:
· Modellen voor aankoopbereidheid: ze stellen een doel en gebruiken alle beschikbare informatie om de aankoopintentie te voorspellen via gevestigde modellen. Deze voorspellingen maken gebruik van algoritmen die uiteindelijk de waarschijnlijkheid van de potentiële klant om te kopen op een unieke en gepersonaliseerde manier voorspellen.
· Modellen voor klantenbinding: ontworpen om het gedrag van klanten te identificeren en te voorkomen dat ze het gebruik van jouw diensten of producten stoppen. Ze zorgen dat je de redenen voor klantverloop kunt analyseren via een 360°-weergave. Bovendien identificeren deze modellen, met behulp van algoritmen, de punten van ontevredenheid die jouw bedrijf in staat stellen concrete beslissingen te nemen.
Zes stappen
Er zijn manieren om van de voordelen van gepersonaliseerde Machine Learning te profiteren en zo de waarde van je klant met deze modellen uit te breiden en te garanderen. Hieronder de zes fasen die je zou moeten volgen:
· Gegevensverzameling: Uit de opslagplaats van Microsoft Dynamics 365 Customer Insights of een ander platform voor klantgegevens. Deze softwarebronnen beheren en analyseren informatie die je ontvangt van digitale kanalen, e-commerceplatforms, CRM, klantenservice, enz. Bovendien omvat Customer Insights dankzij AI, offline bronnen zoals schattingen en aankopen in de winkel.
· Gegevensanalyse: in deze fase ga je verder met de gegevensvoorbereidingsfase, die de verzamelde gegevens statistisch analyseert om de kwaliteit ervan te evalueren.
· Gegevensverwerking: Je ontdekt mogelijke patronen en relaties. Op deze manier genereren de verwerkte gegevens voor de modellen discrete en afgeleide variabelen in de gegevensmodellen.
· Modellering: De data science-fase karakteriseert, traint en evalueert de modellen om resultaten te verbeteren.
· Visualisatie: Dit is de fase van data-exploitatie. Informatie uit deze modellen wordt interactief en aantrekkelijk gevisualiseerd. Business Intelligence-tools, zoals Power BI, zullen niet alleen verantwoordelijk zijn voor het visualiseren van de gegevens, maar ook voor het verrijken ervan met andere door AI gegenereerde gegevens.
· Go Live: Dit is de start van de implementatie van het algoritme waarbij de gegevens worden geautomatiseerd en geïndustrialiseerd op basis van de resultaten. Dit is de operationele fase waarin bedrijven kunnen beslissen op basis van geanalyseerde informatie. Dit zal met name het beheer van het rendement op investering (ROI) en de analyse van verkoopkansen voor je producten of diensten bevorderen.
Azure Machine Learning en Customer Insights
Deze technologische behoeften op het gebied van Machine Learning vereisen innovatieve oplossingen voor kunstmatige intelligentie die in staat zijn om de verschillende fasen uit te voeren en te voldoen aan de specifieke doelstellingen van elk bedrijf. Azure Machine Learning is hier een perfect voorbeeld van. Deze oplossing maakt het mogelijk om een belangrijke uitdaging aan te gaan: het voorspellen van klantverloop, via het klantretentiemodel en het volgen van de aangegeven fasen. Hiervoor zal het een specifiek algoritme gebruiken in plaats van standaardalgoritmen. Uiteindelijk kan de verzamelde informatie worden benut met de Customer Insights-oplossing als een voorspellend punt van de AI-uitkomst die kan worden gebruikt in marketingsegmentaties.
