Artificial Intelligence (AI) veroorzaakt een revolutie in de marketingwereld. Het afgelopen jaar heb ik tal van marketingteams en -professionals geholpen bij het transformeren van hun marketingactiviteiten met Artificial Intelligence. Artificial Intelligence (AI) is al flink aan het opschudden, en terwijl je dit leest, wordt er alweer een nieuwe AI-toepassing ontwikkeld. Het is begrijpelijk dat marketeers overweldigd zijn door de nieuwe technologieën die nu beschikbaar zijn. Als marketingprofessional kan het implementeren van deze nieuwe technologieën in je marketingstrategie een uitdaging zijn. Want waar begin je? Dat is simpel. Bij het begin: educatie.
Als marketingexpert is het niet nodig om een data scientist of AI-expert te worden, maar enige basiskennis over wat AI, machine learning en deep learning inhouden, is wel aan te raden. ‘Waarom Charida ‘, vraag je je af? Nou, hoewel ChatGPT je inderdaad alle antwoorden kan geven wanneer je inlogt bij OpenAI, is het belangrijk om te beseffen dat deze antwoorden afkomstig zijn van kansvoorspellingen. Het is dus niet altijd zeker dat het antwoord dat je krijgt juist is. Dat heeft ChatGPT je vast niet verteld…
Wanneer je een basiskennis hebt verworven, is de volgende stap te achterhalen waar je precies naar opzoek bent. Welke vraag wil je dat de machine voor je beantwoordt of welke taak wil je dat de machine oplost? We willen natuurlijk niet dat je verdwaalt in een doolhof van zijwegen en onduidelijke antwoorden. Dat is waarom we ons moeten concentreren op de exacte vraag die we willen stellen aan de machine. Algemene vragen leiden tot algemene antwoorden. Algemene antwoorden resulteren in vage acties. Daar wordt niemand blij van. Het is net als het briefen van een campagne bureau: we moeten precies weten wat we willen bereiken, anders gaat het je geld kosten…
Wanneer de vraag of taak duidelijk geformuleerd is, kunnen we gericht op zoek gaan naar een AI-toepassing – dit is de derde stap. Het vinden van de juiste AI-toepassing wordt een stuk eenvoudiger als je vraagstuk helder is. Stel bijvoorbeeld dat je productafbeeldingen wilt labelen in je webshop, dan heb je de AI-toepassing ‘image classification’ nodig. Wil je de klantwaarde voorspellen, dan is een regressiemodel vereist. Met behulp van je basiskennis kun je gemakkelijk door de verschillende opties navigeren en zo voorkom je dat je per ongeluk met de verkeerde leverancier in zee gaat.
Handig, want het is onvermijdelijk dat je te maken krijgt met leveranciers en interne collega’s. Het inzetten van artificial intelligence gaat niet alleen over technologie, maar ook over de betrokken mensen. Stap vier omvat het identificeren van de juiste mensen om AI succesvol te implementeren. Je hebt iemand nodig die bevoegd is om tijd en geld vrij te maken en afhankelijk van je eigen kennis, iemand die de data begrijpt en de resultaten kan interpreteren. Naar mijn mening is de marketing professional de belangrijkste speler, omdat deze persoon uiteindelijk beslist of iets werkbaar is of niet.
Een volgende cruciale stap is het verkrijgen van input data, die variëren van een simpele tekst prompt voor ChatGPT tot een meer complexe dataset. Het kan echter ook de meest uitdagende stap zijn, vooral als je niet weet welke data je nodig hebt voor jouw specifieke toepassing. Daarom is het van belang om zorgvuldig na te denken over welke data nodig zijn en hoe deze moeten worden verzameld. Als voorbeeld, om aankopen te voorspellen heb je historische data nodig van mensen die wel of niet eerder hebben gekocht, zodat het systeem de beslissende factoren kan leren die hebben geleid tot de aankoopbeslissing.
Het is ook van belang dat de input data van hoge kwaliteit is. Een bekend principe in AI is “garbage in, garbage out”: als je het model voedt met slechte data, dan krijg je slechte resultaten. Het einde van cookies kan echter als een zegen worden gezien voor marketeers, omdat het hen dwingt na te denken over de informatie die ze verzamelen en hoe ze dit doen.
De laatste stap is het bepalen van de toegevoegde waarde. Bij het beoordelen van de kwaliteit van gecreëerde content is dit relatief eenvoudig: je beoordeelt het als goed of niet goed. Bij voorspellingsmodellen met cijfers is dit echter lastiger, omdat er metrics bij komen kijken die niet bekend zijn bij de meeste marketeers, zoals accuracy, precision en recall. In eerste oogopslag leest dit misschien heel lastig, maar dat valt reuze mee. Je moet zo alleen leren kennen. Net als de andere metrics waar je ooit mee hebt gewerkt.
Door deze zes stappen van de EAT PIE methode te volgen kunnen marketingexperts ervaren dat het beginnen met AI helemaal niet zo lastig is. Met de EAT PIE methode kunnen marketingexperts de kansen van AI ontdekken en onderzoeken hoe AI hun marketingstrategie naar een hoger niveau tillen. Dus waar wacht je nog op?
[Fotocredits – khunkorn © Adobe Stock]
