Hoe concreet meerwaarde halen uit AI?

Artificial Intelligence, Machine Learning en Deep Learning: wat is het verschil?

Was het nu Machine Learning (ML), Deep Learning (DL) of toch kunstmatige intelligentie (AI)? Wie voorbij de buzzword bingo kijkt om de termen correct te interpreteren, raakt het spoor al snel bijster.

Wat betekenen de verschillende begrippen precies en hoe onderscheiden ze zich van elkaar in de praktijk? Een overzicht.

AI, ML en DL eenvoudig uitgelegd

In een notendop ziet de situatie er als volgt uit:

• AI is de overkoepelende wetenschap die zich bezighoudt met het creëren van machines die een zekere vorm van intelligentie vertonen.
• Machine Learning is een onderdeel van AI dat zich toespitst op technieken waarmee computers kunnen bijleren op basis van ingevoerde data en patronen.
• Deep Learning is op zijn beurt de verzamelnaam voor een groep technieken voor zelfsturende

Artificial intelligence

Artificial Intelligence of kunstmatige intelligentie draait om het bouwen van machines die een zekere vorm van intelligentie vertonen. Als concept is AI onlosmakelijk verbonden met de geschiedenis van de eerste computers. En daarvoor moeten we een heel eind terug in de tijd.

Zelfs de Oude Grieken hadden meer dan tweeduizend jaar geleden al een complexe analoge machine ontworpen om ingewikkelde astronomische berekeningen uit te voeren, hoewel hun uitvinding nog erg veraf stond van de hedendaagse opvattingen over kunstmatige intelligentie.

De Britse wiskundige en codekraker Alan Turing wordt algemeen beschouwd als de vader van de moderne computer. Zijn pionierswerk in de jaren veertig en vijftig van de vorige eeuw luidde niet alleen het tijdperk van razendsnelle rekenmachines in. Turing legde ook de filosofische en praktische basis voor abstracte concepten als zelfbewustzijn van intelligente computers. Dat baanbrekende denkwerk leidde uiteindelijk tot de Turingtest, die nog steeds een belangrijke, zij het ietwat achterhaalde maatstaf vormt om te bepalen of een machine al dan niet als intelligent en zelfdenkend beschouwd kan worden.

Tegenwoordig omvat AI een brede waaier aan verschillende concepten, waar Machine Learning en Deep Learning deel van uitmaken. Er wordt intussen trouwens ook hard gewerkt aan de praktische uitwerking van volledig bewuste kunstmatige intelligentie, waardoor het speelveld binnenkort dus nog uitgebreid zal kunnen worden met bijvoorbeeld menselijke AI.

Machine Learning

Machine Learning is een onderdeel van AI dat zich toespitst op methodes waarmee computers kunnen bijleren op basis van ingevoerde data en patronen. In de praktijk gebeurt dat met behulp van ‘data mining’. Dat is een techniek om relevante informatie uit databanken te halen. Een algoritme voor Machine Learning heeft daarvoor geen gestructureerde database nodig – zoals een Excel-bestand met netjes geordende gegevens -, maar is slim genoeg om relevante datapunten te ontcijferen op basis van ongestructureerde data. Veel bedrijven passen vandaag de dag al Machine Learning toe. Denk maar aan Amazon, dat zijn gebruikers automatisch producten aanbeveelt op basis van hun eerdere aankopen. Een ander voorbeeld is Netflix, dat zijn abonnees series en films voorstelt op basis van eerder kijkgedrag.

Deep Learning

Deep Learning is in wezen een geavanceerde vorm van Machine Learning met één belangrijk onderscheidend kenmerk: zelfstandige bijsturing. Een Deep Learning-model kan zichzelf aanpassen op basis van externe signalen – data dus -, waar Machine Learning enkel kan aanpassen op basis van manuele bijsturing, zoals in de achterliggende code van het algoritme.

Bekende voorbeelden van Deep Learning vinden we vandaag de dag in zelfrijdende auto’s en in ons eigen Trendskout-platform. Ze vereisen geen van beide expliciete gebruikersfeedback om zich succesvol aan te passen. Deep Learning-algoritmes zijn volledig geconcentreerd op het gevraagde eindresultaat en sturen zichzelf zich in functie daarvan bij.

Verwar Deep Learning zeker niet met neurale netwerken. Een neuraal netwerk is een techniek die zowel voor Machine Learning, Deep Learning als in overkoepelende AI ingezet kan worden. Neurale netwerken bootsen de werking van het menselijke brein na om op basis van voorbeelden informatie te classificeren. Ze staan bij het grote publiek bijvoorbeeld bekend als manier om snel afbeeldingen te categoriseren op basis van een beperkte reeks gekende foto’s.

Conclusie

Gepaste soort AI voor elk project

We geven het toe: de soms verwarrende terminologie en het steeds veranderende AI-landschap maken het er niet makkelijker op om door de bomen het bos nog te zien. De juiste techniek inzetten in een organisatie, is specialistenwerk. Dat is precies waar het Trendskout-platform z’n waarde bewijst. Het platform kiest automatisch het gepaste AI-algoritme voor elke businesscase op basis van de relevante parameters.

En wat met Business Intelligence?

Zowel Artificial Intelligence (AI) als Business Intelligence (BI) worden nog te vaak verkeerd gebruikt of zelfs met elkaar verward. Waar liggen nu precies de verschillen tussen AI en BI? En hoe komt het dat slimme bedrijven beide samen inzetten om betere beslissingen te nemen en hun concurrentiepositie te versterken?

Rapporteren vs voorspellen

BI en AI worden in een bedrijfscontext vaak door elkaar gebruikt om aan te geven dat er gewerkt wordt met geavanceerde, op gegevens gebaseerde inzichten die vervolgens worden gebruikt om beslissingen te nemen. Hoewel dat op zich klopt, zijn AI en BI wel degelijk erg verschillend – en dat zowel in theorie als in de praktijk. In één zin samengevat: BI kijkt naar het verleden, terwijl AI ook aan toekomstvoorspellingen doet.

In organisaties is AI erop gericht om grote hoeveelheden data te analyseren en interpreteren en er vervolgens ook naar te handelen. AI legt zelf verbanden, doet voorspellingen en kan ook acties ter opvolging voorstellen. Dat levert in een bedrijfscontext concreet voordeel op. Zo slagen sales teams er bijvoorbeeld in om hun leads gerichter op te volgen en kunnen procesoperatoren de downtime en het onderhoud van hun machinepark beter inschatten en beheren.

BI presenteert het verleden, terwijl AI ook de toekomst inschat.

BI uitgelegd

BI of business intelligence is technologie die wordt ingezet voor het verzamelen en begrijpelijk weergeven van data. BI interpreteert zelf geen data, maar zorgt enkel voor een bevattelijke weergave van gegevens. Het interpreteren van de data en het vinden van verbanden en eventuele opvolgacties is de verantwoordelijkheid van de persoon die de rapporten leest. Zo kan BI bijvoorbeeld net zo goed als AI een gelikt rapport over sales leads genereren, maar levert die eerste vervolgens geen voorspelling over welke leads best eerst gecontacteerd kunnen worden voor een maximale kans op verkoop.

Overzicht

BI

Basisidee: Data verzamelen en op een eenvoudige, leesbare manier toegankelijk maken.
Focus: Vragen over het verleden beantwoorden.
Onder de motorkap: Data weergeven op een manier te vergelijken met spreadsheets. Aangevuld met klassieke statistische technieken.
Concrete voordelen: Visualisering van gegevens en helder overzicht van historische data.
Sleutelbegrippen: Rapportering, data warehousing, matrices, dashboards.

AI

Basisidee: Nabootsen van menselijke intelligentie en gedrag om organisaties te ondersteunen met gegevensgebaseerde beslissingen.
Focus: Toekomstvoorspellingen doen op basis van data uit het verleden.
Onder de motorkap: Geavanceerde algoritmes voor Machine Learning en Deep Learning.
Concrete voordelen: Voorspellingen over klanten, concurrentieposities en marktveranderingen, naast toegevoegde intelligentie in machines (bv. voor beeldherkenning).
Sleutelbegrippen: Predictieve analyse, forecasting, natural language processing (NLP), beeldherkenning.

AI en BI: samen sterk

Hoewel AI en BI afzonderlijk heel wat te bieden hebben, kunnen ze ook samen worden ingezet voor nog beter resultaat. Gecombineerde BI en AI vormen het perfecte recept om analytische oplossingen te leveren in elke bedrijfssituatie. Eerst gaat BI aan de slag om historische data te analyseren. Vervolgens voorspelt AI toekomstige gebeurtenissen en acties op basis van die BI. Het beste van twee werelden.

Praktisch komt het erop neer dat BI uitgebreide rapportages aanlevert, terwijl AI voorspellingen doet en acties aanbeveelt.

BI die door AI wordt ondersteund, noemen we ook wel ‘AI-enabled BI’. Die kan diep graven in complexe problemen en legt cruciale inzichten bloot in data die voorheen ontoegankelijk was of niet werd onderzocht. Wanneer ze samen worden gebruikt, kunnen ze automatisch eerdere gegevens bekijken en waarschuwingen geven voor nieuwe en interessante gebeurtenissen of inzichten. Door AI aangedreven BI-platforms kunnen ook veel tijd vrijmaken voor analisten en hen in staat stellen om over te stappen op effectievere data-analyseprojecten. Door BI te combineren met de beste mogelijkheden van AI, krijgen bedrijven de kans om gegevens nog efficiënter te analyseren, bruikbare inzichten te verkrijgen en te anticiperen op de toekomst. En dat is precies waar organisaties meerwaarde halen.

Enkele voorbeeldtoepassingen

Het aantal toepassingen van AI is praktische eindeloos. Om alles wat behapbaar te maken hebben we voor dit e-book een selectie gedaan van enkele courante toepassingen binnen drie domeinen die voor iedere organisatie belangrijk zijn: Sales & Marketing, Productie & Operaties en Customer service.

Sales & Marketing

Artificial intelligence heeft een grote impact op zowat elk bedrijfsdepartement. Sales vormt daarop geen uitzondering. Steeds meer organisaties rekenen op AI om hun sales teams te organiseren, te stroomlijnen en efficiënter te maken. De noodzaak van AI-software in sales is eenvoudig: verkopers zitten op bergen aan waardevolle data, maar weten niet waar eerst te kijken om ermee aan de slag te gaan. Tegelijkertijd verdrinken veel salesmensen in repetitief werk en leadkwalificatie, die vaak weinig bijdragen aan waar het echt om draait: het afsluiten van nieuwe deals. Er liggen dus heel wat kansen tot verbetering voor het grijpen.

• Eenvoudig data capteren
  Gegevens over salestrajecten zijn vandaag de dag relatief eenvoudig vast te leggen. Contactmomenten of touchpoints met potentiële en bestaande klanten worden in veel bedrijven al automatisch geregistreerd. Ook offertes, bestelbonnen, presalestrajecten en facturatie maken deel uit van de gemiddelde salescyclus. De meeste moderne ERP- en CRM-pakketten zijn ook prima in staat om die gegevens tot in de eeuwigheid te bewaren en er netjes historische grafieken uit te destilleren. Daar stopt het meestal echter. Mooi opgestelde salesdiagrammen uit een CRM-systeem mogen dan wel waardevol zijn om behaalde prestaties op te meten en te vergelijken, maar ook hier geldt het aloude beurscredo: resultaten uit het verleden bieden geen garantie voor de toekomst. De analyserende en voorspellende kracht van een CRM schiet dan ook schromelijk tekort. En dat is precies waar de AI van Trendskout om de hoek komt kijken.
• Salesteams gericht helpen
  Zelfs voor de meest ervaren verkopers is het haast onbegonnen werk om alle relevante informatie uit de eindeloze salesgerelateerde datastromen te halen en ze vervolgens correct te interpreteren. Dat is waar Trendskout voor ingezet wordt. Hun geavanceerde data-analyses leggen onderliggende salesdynamieken bloot en leveren concrete voorspellingen over potentiële en bestaande klanten. Zo kunnen verkopers hun prospects en klanten gerichter en beter bedienen, in minder tijd. Opportuniteiten die onder de waterlijn verborgen liggen, komen met AI plots bovendrijven. De kunstmatige intelligentie licht teams in over nieuwe saleskansen die anders onopgemerkt zouden blijven en biedt datagebaseerd advies dat salesmensen ondersteunt in hun drukke rol.

6 maand na uitrol bedroeg de totale relatieve omzetverhoging 8,5 %

• Sleutelvoordelen van AI in sales
  Er zijn een heleboel manieren waarop bedrijven op sales-AI rekenen om meer kansen voor hun salesteam te benutten. Dat gebeurt zowel voor multinationals als kmo’s op verschillende gebieden. AI gaat in elk van die domeinen verder waar klassieke ERP’s en analysetools ophouden. Een overzicht:

Sales forecasting en sales prediction

AI voor sales forecasting gaat aan de slag met duizenden datapunten uit alle mogelijke gegevensbronnen. De kunstmatige intelligentie koppelt gegevens uit verschillende databanken aan elkaar en gaat op zoek naar inzichten en verborgen patronen die onmogelijk handmatig te ontdekken zijn. Zo kan er een accurate voorspelling van de toekomstcijfers worden opgesteld en weten bedrijven beter wie wat zal kopen, en wanneer.

AI-gebaseerde forecasting gaat dus verder dan het typische forecasting via spreadsheets of rapporteringsystemen en introduceert de kracht van AI in bedrijfsprognoses. Dit resulteert in veel accuratere voorspellingen en kan ook grillige patronen voorspellen. Dat is niet alleen handig voor salesteams, maar ook voor hun klanten. In sommige bedrijven gaat het intelligente forecastingmodel zelfs zo ver dat het noden van eindklanten detecteert nog voor ze het zelf beseffen.

Salesopportuniteiten detecteren

Waarom verkoop alleen maar voorspellen als je hem ook kunt beïnvloeden? Dat is precies wat opportunity detection doet. Op basis van de beschikbare data in het bedrijfs-CRM en andere tools gaat een algoritme voor sales opportunity detection aan de slag en maakt het verborgen opportuniteiten zichtbaar. Vaak met spectaculaire resultaten, zoals ook de case van Coeman Packaging aantoont. AI licht salesteams in over nieuwe kansen die anders allicht verloren zouden gaan en zorgt ervoor dat bedrijven meer kunnen halen uit hun leads en bestaande klanten.

Klantuitval inschatten

Een slimme AI-tool is via plugins verbonden met alle achterliggende bedrijfssoftware. Die houdt op de achtergrond alle contactmomenten of touchpoints met mogelijke en huidige klanten in de gaten. Potentiële aanleidingen voor verhoogde klantuitval of customer churn worden automatisch aangemerkt en aan de verantwoordelijke salesmedewerker doorgespeeld voor verdere opvolging. Dat geeft bedrijven de tijd om op tijd te communiceren en hun klantretentie te verhogen. Anders gezegd: AI maakt reactieve sales weer proactief.

Impactanalyse

Slimme AI-algoritmes kunnen salesdrivers blootleggen. Zo doet de sales-AI van Trendskout Sales Booster bijvoorbeeld aan geavanceerde impactanalyse. Die onthult de beslissende factoren die ervoor zorgen dat klanten een aankoop doen of opnieuw bestellen. Impactanalyse biedt dus antwoorden op een heleboel waaromvragen, voor dieper bedrijfs- en salesinzicht.

Next best actions

AI-software kan volgende stappen of next best actions in een salescyclus aanbevelen. Dat doet het algoritme op basis van historische data in je CRM-systeem of andere databases. Die datagebaseerde aanbevelingen dienen als leidraad en verhogen de slaagkans van een telefoontje of e-mail van je salesmensen aan bestaande of potentiële klanten. Zo vaart je team niet blind, maar kan het gericht contact opnemen en zijn salesinspanningen gericht doseren.

Product recommendation

Een AI-tool als de Trendskout Sales Booster interpreteert eerdere verkopen en beveelt zelf bijkomende producten of diensten aan die passen bij een bestaande klant. Een bedrijf kan die suggesties zelf automatisch laten voorstellen aan de eindklant of doorgeven aan de bevoegde account-of salesmanager, afhankelijk van het businessmodel van het bedrijf in kwestie. Zo kunnen organisaties hun upsell en cross-sell maximaliseren. Onder de motorkap gebeuren productaanbevelingen via AI met behulp van een zogeheten recommendation engine. Dat is een slim clusterings-en classificatiealgoritme dat ook hier weer onontgonnen datapunten met elkaar verbindt om zo tot gepersonaliseerde salessuggesties te komen.

Datagebaseerde persona’s

AI classificeert en segmenteert klantprofielen tot sales- en marketingpersona’s. Dat doet het op basis van objectieve sales- en andere data – en dus niet langer aan de hand van subjectieve criteria. Gegevensgebaseerde profielen zijn altijd accurater en kunnen op het snijvlak tussen sales en marketing worden ingezet, wat dan weer voor doelgroepgerichte communicatie zorgt.

Productie & Operations

Productie- en procesoptimalisatie is niet nieuw. Reeds midden de 20ste eeuw werd, onder leiding van de Oost-Aziatische industrieën, reeds statistische modellering toegepast op verschillende variabelen in het productieproces. Dit gebeurde met klassieke wiskundige technieken en vereiste een enorme hoeveelheid aan foutgevoelig manueel werk waardoor het enkel door de grootste concerns kon worden toegepast. Vandaag zijn de informatiestromen van die aard dat statistische analyses zoals toen niet meer op een kost-effectieve wijze kunnen worden ingezet.

Recente ontwikkelingen op het gebied van AI en Machine Learning maken het mogelijk om deze informatie geautomatiseerd te analyseren en in te zetten om de dagelijkse operaties te optimaliseren. Leidende spelers in de industrie passen deze technieken nu reeds toe in verschillende pilootprojecten en de wedloop om deze technieken op schaal in te zetten is gestart. Hieronder geven we enkele praktische voorbeelden.

Predictive maintenance

De essentie van predictive maintenance of voorspelbaar onderhoud is eenvoudig van opzet. Complexe toestellen en industriële machines hebben op gezette tijd onderhoud nodig. Dat gebeurt liefst nét voor het einde van de levensduur van de machine of het te vervangen onderdeel in kwestie.

Om operationaliteit te garanderen, worden veel machineonderdelen in grote productiehallen nog steeds op geregelde basis vervangen op basis van hun geschatte levensduur. Vaak wordt daarbij uit voorzorg een veel te ruime buffertijd gehanteerd en zou het efficiënter zijn om voorspellend te kunnen ingrijpen.

AI-gebaseerde predictive maintenance optimaliseert de timing van onderhoud en zorgt op die manier voor maximale kostenbesparing. Daarvoor gebruiken we een aantal specifieke algoritmes, afhankelijk van het soort predictive maintenance dat nodig is in de praktijk.

Classificatie vs. anomaliedetectie

Achter de schermen zijn er twee technische oplossingen om via kunstmatige intelligentie aan predictive maintenance te doen. De keuze voor een specifiek AI-algoritme voor data-analyse en training hangt af van de aard van de machines die in de gaten moeten worden gehouden. Gaat het om apparaten die vaak te maken hebben met defecten of downtime, dan is classificatie een logische optie. Gaat het daarentegen om toestellen die slechts zelden defecten vertonen, dan blijkt anomaliedetectie doorgaans de betere keuze.

Afwijkende data opsporen

Het onvermijdelijke nadeel van betrouwbare machines is dat er in de gegevens die de machine levert vaak weinig sporen te vinden zijn van een concrete uitval of indicatoren die downtime kunnen voorspellen. Zolang alle componenten vlot draaien, geven monitoringsystemen weinig abnormale waarden aan voor de parameters die ze in de gaten houden. De AI kan in dat geval ook moeilijk leren inschatten welke verdachte indicaties of data-anomalieën een mogelijke uitval van een machine kunnen veroorzaken. Gelukkig bestaan er verschillende algoritmes die speciaal ontworpen zijn voor anomaliedetectie. Auto-encoders, bijvoorbeeld. Een auto-encoder is een speciaal type neuraal netwerk dat leert herkennen wat precies als ‘normaal gedrag’ beschouwd kan worden. Alles wat afwijkt van dat standaardpatroon is per definitie een onregelmatigheid en reden tot alarm. Een mogelijk gevaar van auto-encoders is dat ze door de manier waarop ze zijn opgebouwd ook vaker voorkomende afwijkingen of anomalieën als ‘normaal’ zouden kunnen beschouwen als ze té frequent opduiken. Het kan dus een goed idee zijn om een mogelijk teveel aan afwijkende data te verwijderen uit de trainingsdata waarmee het algoritme wordt gevoed.

De grafieken hierboven geven aan of er data gevonden zijn die afwijken van de normale situatie en, indien ja, hoe groot de afwijking is. Dat leidt tot een mean average error. Daarbij draait het niet zozeer om de absolute waarden, maar wel om hun onderlinge verhouding tot elkaar.

Het invulveld onderaan het instellingenscherm toont de threshold of drempelwaarde die het algoritme moet hanteren voor anomaliedetectie. Het algoritme bepaalt zelf ook automatisch een suggestie hiervoor.

In de afbeelding hiervoor geeft de rode lijn de threshold weer. De blauwe balkjes zijn de mean average errors van alle geregistreerde data. Die worden trouwens logaritmisch weergegeven om een beter overzicht te krijgen. In werkelijkheid zijn de afwijkende datapunten dus nog veel grotere uitschieters dan men op het eerste gezicht zou denken.

Elke blauwe balk die boven de rode lijn uitkomt, geldt dus voor het algoritme als een te rapporteren anomalie. De gegevens worden via een API automatisch doorgestuurd naar de externe waarschuwingssystemen van het bedrijf in kwestie of kunnen aan een tekstrapport worden toegevoegd, voor verdere actie.

Anomalie detectie en kwaliteitscontrole

Detecteren van uitzonderingen, uitschieters of anomalieën zijn een cruciaal onderdeel van ieder kwaliteitsbewakingsproces. Dit kan gaan over het detecteren van een storing die voor menselijke analyse niet merkbaar is, en betekent vaak een samenspel van verschillende datapunten. Wanneer één datapunt opvallend gewijzigd is, en dit voor menselijke analyse merkbaar is, is er vaak een hele historiek aan anomalisch gedrag aan vooraf gegaan.

Dit gedrag op voorhand detecteren is waar anomalie detectie rond draait. Deze techniek is een techniek gebruikt in predictief onderhoud maar wordt ook apart gebruikt in bvb:

• Detecteren van subtiele fluctuaties in energie verbruik,
• Afwijkingen spotten in het productie-proces die gevolgen hebben voor de productie-kwaliteit,
• Aansturen van incident management systemen,
• …

Net zoals in veel andere gevallen werd ook reeds in de 20ste eeuw via statische technieken geprobeerd om het aantal afwijkingen in een proces te bepalen. Naast manueel tijdrovend is dit ook een heel foutgevoelig proces. De veronderstelling die telkens werd gemaakt is dat de omstandigheden in de steekproef representatief zijn op grotere schaal, wat in realiteit vaak niet zo blijkt te zijn. Het productieproces zelf is immers onderhevig aan tal van andere processen in HR, supply chain en IT die continu wijzigen.

Sinds de opkomst van AI en Deep Learning is de technologie krachtig genoeg om alle nuances in deze data te ontdekken.

Impact analyse van productie-parameters

Impact Analyse en Deep Propensity Modeling beantwoorden vragen als “Waarom worden productietargets voor een bepaalde productlijn niet gehaald?”, “Waarom heeft een bepaald type machine meer onderhoud nodig?”, “Wat motiveert mijn medewerkers?” of “Wat drijft mijn ROI?”. Dit type analyses gaat op zoek naar de achterliggende oorzaken waarom iets gebeurt – of net niét.

Voor die impact analyse worden technieken zoals propensity modeling toegepast, in combinatie met de nieuwste Deep Learning-technologie. Op die manier wordt het mogelijk om alle verbanden en inzichten te ontdekken in uw data en in de processen die uw organisatie sturen. Dat is voor een menselijk brein onmogelijk in een realistisch tijdsbestek.

Hoe werkt dit technisch?

Doelselectie

De eerste, en cruciale, stap in dit type analyse is het definiëren van een doel, iets wat voor u of uw organisatie belangrijk is zoals ROI, conversieratio, downtime etc. De AI heeft deze informatie nodig om doelgericht te gaan evalueren in de volgende stappen wat deze doelen drijft, in positieve of negatieve wijze. Dit kan rechtstreeks in een UI gebeuren op basis van uw data, en u hoeft geen apart geannoteerde data te voorzien.

Data-expansie

In tegenstelling tot klassieke systemen kan Trendskout meerdere types data simultaan evalueren. Dit is niet enkel een technisch voordeel, maar zorgt er ook voor dat u uw originele data kan uitbreiden met allerlei andere databronnen die mee kunnen worden geëvalueerd op verbanden die impact hebben op uw doel. De originele data, waarin u uw doel geselecteerd hebt, wordt dus uitgebreid met andere data die u oplaadt. Hierdoor kan op een heel brede schaal onderzocht worden wat uw doelen stuurt, en mist u geen enkel verband. Eén van de technologische pijlers van Trendskout is een distributed computing plaform, met hoge graad van parallellisatie. Deze technologie wordt gebruikt om de verschillende databronnen te verwerken, denormaliseren, opschonen en in de achtergrond naar andere formaten om te vormen zodat deze kunnen verwerkt worden door neurale netwerken en andere Deep Learning technieken in Trendskout.

Deep Propensity Modeling

Propensity Modeling is een techniek die reeds enkele decennia gebruikt wordt door statistici. Het probleem met deze klassieke technieken was vaak dat de ontdekte verbanden niet goed konden worden beschreven door, statische, wiskundige formules. Door nieuwe ontwikkelingen op gebied van Deep Learning kunnen deze verbanden nu op een veel krachtigere manier worden gemodelleerd. Ter illustratie kan u modelleren met louter wiskundige formules vergelijken met het proberen tekenen van een gezicht met enkel rechte lijnen, het resultaat zal hoekig zijn en maar een ruwe indicatie van het uiterlijk van die persoon. Deep Learning technieken kunnen ook vloeiende lijnen tekenen, en zullen dus een beter beeld schetsen. Dit is ook wat gebeurt bij Deep Propensity Modeling, de verbanden in uw data zullen door neurale netwerken beter begrepen worden. Tijdens de Deep Propensity Modeling-stap past Trendskout verschillende soorten Deep Learning algoritmes toe op uw data, en wordt telkens geëvalueerd of de ontdekte verbanden en inzichten ook echt impact hebben op uw doel. Hiervoor wordt telkens een deel van de data in testmodus geëvalueerd, om de accuraatheid van het Deep Propensity Model te evalueren. Door het definiëren van uw doel in de eerste stap en de data-expansie daarna is hier geen interactie voor vereist. Net zoals bij andere AI en Deep Learning analyses in Trendskout wordt via Auto ML & Solution Space Exploration -dataverwerking, algoritme-selectie, en parameterhypertuning- op automatische wijze gezocht tot het meest performante model is gevonden.

Na de Deep Propensity Modeling fase worden de onderliggende verbanden uit het winnende model geëxtraheerd. Deze verbanden en resultaten van simulaties bieden inzicht hoe uw bedrijfsdoel beïnvloed wordt, in positieve of negatieve wijze. Dit rapport is één van de automate acties in Trendskout. Naast directe raadpleging in Trendskout kan de informatie in dit rapport ook gekoppeld wordt met de Business Intelligence oplossing van uw organisatie.

Case Study: Team Industries
Doorlooptijden zijn een sleutelelement om correcte prijsopgaves op te stellen in productieprocessen. De doorlooptijd hangt af van factoren die onderling op elkaar inwerken en die moeilijk te detecteren zijn. Daarom schakelde Team Industries de Trendskout-AI in. Die voorspelt doorlooptijden van specifieke orders op basis van beschikbare productiedata. Met die info maakt Team Industries een nauwkeurige inschatting en offerte die zowel rendabel als concurrentieel is.

Customer service

Onderliggende technologie: Natural Language Processing (NLP)

NLP is een verzamelnaam voor technieken die tekst- of spraakgegevens begrijpen en erop reageren – en reageren met hun eigen tekst of spraak – op vrijwel dezelfde manier als mensen. NLP combineert computerlinguïstiek – op regels gebaseerde modellering van menselijke taal – met learning leren en deep learning-modellen. Samen stellen deze technologieën computers in staat om menselijke taal in de vorm van tekst- of spraakgegevens te verwerken en de volledige betekenis ervan te ‘begrijpen’, compleet met de bedoeling en het sentiment van de spreker of schrijver.

NLP toepassingen worden dus mogelijk gemaakt door een combinatie van technieken zoals:

• Part of speech tagging, ook wel grammaticale tagging genoemd, is het proces waarbij de woordsoort van een bepaald woord of stuk tekst wordt bepaald op basis van het gebruik en de context.
• Named Entity Recognition (NER), identificeert woorden of zinnen als nuttige entiteiten. NER identificeert Europa als een locatie of ‘Willem’ als een mannennaam.
• Sentiment analyse, probeert om subjectieve eigenschappen – houdingen, emoties, sarcasme, verwarring, achterdocht – uit tekst te extraheren.
• Tekst classificatie, gaat stukken tekst in groepen indelen en te categoriseren. Bvb. offerte aanvragen worden per onderwerp gebundeld, of aanvragen worden aan de juiste persoon toegekend.
• Next best action, is geen NLP techniek op zich maar wordt vaak gebruikt om antwoorden op te suggereren die in een bepaalde context kunnen worden voorgesteld. Bvb. klantendienst medewerkers krijgen automatisch een antwoord gesuggereerd op een bepaalde vraag i.f.v. een te bereiken doel, bvb. snelle probleemresolutie.

Automatisch beantwoorden van customer service requests

Bij customer service desks in verschillende sectoren, komen tal van vragen van klanten of tussenpersonen in verschillende vormen voor. Denk maar aan vragen rond leverdatum en -tijd of vragen inzake retour, een vraag over een offerte, een vraag naar verduidelijking rond een bepaald dossier… Deze vragen moeten natuurlijk altijd van een antwoord worden voorzien, iets wat vaak tijdrovend is en hierdoor op de bottom line van iedere organisatie weegt. Tegelijk is de kwaliteit van dit proces belangrijk, er moet immers een evenwicht gevonden worden tussen antwoordsnelheid en het bewaken van de doelstellingen van de organisatie. Door een AI gestuurde customer service in te schakelen kunnen al deze vragen worden herkend en automatisch worden beantwoord.

Hierbij kan de AI rekening houden met bepaalde doelstellingen en antwoord strategieën bepaald door de organisatie:

• De juiste customer service per type klant,
• Het bewaken van de rendabiliteit van het customer service proces, en minimaliseren van het aantal contactmomenten als doel nemen.
• Upsell-mogelijkheden detecteren tijdens het gesprek
• …

Voor vragen die een gepersonaliseerd antwoord vereisen, zoals vragen rond levermoment van goederen of vragen rond specifieke bestellingen, kunnen koppelingen met ERP of andere softwarepakketten worden voorzien waarbij de customer service AI in de database op zoek gaat naar de specifieke info. Zo kunnen dus ook vragen die een zeer gepersonaliseerd antwoord vereisen toch netjes automatisch worden beantwoord.

Hierdoor verdwijnt een groot deel van de workload voor de customer support afdeling. Enkel de vragen die niet door de customer service AI kunnen worden beantwoord, worden nog naar de menselijke medewerkers doorgestuurd, zodat zij zich kunnen buigen over de meer complexe vraagstukken en zich meer kunnen toeleggen op persoonlijke service die écht het verschil maakt.

Analyseren van customer service flows

Een aanvraag bestaat vaak uit verschillende vragen en wordt vaak door meerdere personen behandeld. In ieder gesprek zit belangrijke informatie gecapteerd voor de organisatie over hoe hun product of dienst onthaald en gebruikt wordt en hoe effectief het customer service proces op zich verloopt.

Daarom gebruiken veel organisaties AI om communicatie met de klant, via mail of telefoon, te analyseren en de achterliggende informatie te ontsluiten om hun strategische beslissingen te ondersteunen of het customer service proces te stroomlijnen. Enkele vragen die hierbij kunnen worden beantwoord:

• Welke vragen komen het meest voor en welke trends kunnen we detecteren?
• Welke antwoorden zijn het meest passend bij bepaalde vragen?
• Hoe wordt ons product of dienst vergeleken in de markt?
• Welke vragen genereren het meeste opvolg contactmomenten?
• Kunnen we scripts afleiden uit best practices?