Zo helpt AI marketeers: meer inzicht in leads

Benieuwd naar AI? Leer van onze ervaringen en inzichten

Van strategisch beleid tot praktische toepassing: wij werken al jaren met kunstmatige of artificiële intelligentie (AI). Om ons eigen werk te verbeteren én als dienstverlening aan onze klanten. Onze ervaringen en inzichten delen we graag met je. In een serie interviews spreken we met allerlei mensen in en rond KPN die ervaring hebben met AI. Brenda deelt haar inzichten in de concrete toepassing van AI in haar vakgebied, de marketing.

Brenda van den Berg is senior marketingmanager Campaigning en online bij KPN voor de grootzakelijke markt. Ze heeft een voorliefde voor nieuwe en innovatieve toepassingen, zoals AI. ‘Iedereen onderzoekt de mogelijkheden, maar voor de daadwerkelijke toepassing van AI in marketing is het nog wel pionieren’, vertelt Brenda. Binnen KPN krijgt ze de kans om hiermee aan de slag te gaan. 'Ik merkte al snel dat het enorm helpt als je nieuwsgierig bent. Je gaat immers op zoek naar antwoorden in de data. Dan valt op dat elk antwoord leidt tot een nieuwe vraag. Zo zet je continu stappen om van data naar informatie en nieuwe kennis te gaan.' Brenda is ook actief in de expertgroep Marketingteam van de toekomst van de DDMA, de grootste branchevereniging in Nederland voor marketing en data. ‘Daar delen we veel kennis over de toepassing van AI.’

Patronen ontdekken die je met het blote oog niet ziet

‘De inzet van AI begint met een ambitie’, vertelt Brenda. ‘Een duidelijk doel. Stel jezelf de vraag: hoe kan AI jouw leven als marketeer makkelijker maken? Het was mijn doel om een beter begrip te krijgen van de belangrijkste leads van KPN: de sales qualified leads (SQL’s). Ik wilde meer actionable insights over de klantreis van deze leads krijgen. Om daarmee onze marketingstrategie aan te scherpen en beter in te spelen op de behoeftes van deze leads. Bovendien kunnen we zo ook hun gedrag nauwkeuriger voorspellen. Dat is iets waar onze sales- en marketingorganisatie veel aan heeft.’

^{Brenda van den Berg}

‘Nu vergroten we onze inzichten in de klantreis nog vooral op basis van traditionele data-analyse. Maar met AI kun je patronen ontdekken die je niet met het blote oog ziet. Er is simpelweg te veel data voor het menselijk brein om te verwerken.’ Vanuit die ambitie ontwikkelde Brenda een use case en ging ze aan de slag met de tool Dataiku. Een tool die vaker door marketeers wordt gebruikt. Na het doorlopen van een training en instructiedag van Dataiku kon ze starten.

Voldoende rekenkracht

‘Zo’n AI-project is eigenlijk een dataproject. Je wilt immers dat je model een voorspelling doet voor de toekomst, op basis van je historische data. Daar begin je dus ook: welke data heb je nodig en is die beschikbaar? Met dataexploratie onderzoek je vervolgens de kwaliteit van je data en krijg je al snel eerste inzichten. Dan zet je de stap naar datapreparatie: het geschikt maken van je dataset voor analyse en toepassing in voorspelmodellen. Daarvoor moest ik van 6 datasets naar 1 – een proces waar erg veel tijd overheen ging, meerdere dagen zelfs… Wat 2 belangrijke leerinzichten opleverde. Ten eerste: zorg voor een goed ecosysteem aan experts. Bij KPN hebben we gelukkig veel goede mensen – ik kon een ervaren data scientist betrekken bij mijn project. Die wees mij op een tweede belangrijk inzicht: de dataset was complexer dan gedacht, waardoor de ‘query’s’ eindeloos duurden. Ik had meer rekenkracht nodig. Extra rekenkracht in de cloud bleek snel geregeld, maar je moet wel weten waar je moet zoeken.’ Nog een reden dat een goed ecosysteem zo belangrijk is.

De juiste data

Voor je met een AI-model aan de slag gaat, heb je dus wel de juiste data nodig. Brenda: ‘De kwaliteit van je data is bepalend voor de kwaliteit van je voorspellingen. Heb je het model eenmaal gevoed met de data, en wijzig je er daarna nog iets in, dan moet de hele flow opnieuw worden berekend. Verder is het belangrijk data te gebruiken waar het AI-model mee kan werken. Ik besloot bijvoorbeeld te werken met een classificatiemodel – de kolommen met tekst heb ik daarvoor wel eerst moeten vertalen naar numerieke waarden. Zodat het model de input ook daadwerkelijk kon begrijpen. En wil je inzichten en voorspellingen waar je ook echt wat mee kan? Dan is het belangrijk om je te richten op de data met kenmerken die ertoe doen – kenmerken die je, in mijn geval, vanuit marketing kunt beïnvloeden.’

Randvoorwaarden

‘Nu, met een eerste sample dataset, hebben we al veel verfijnder inzicht in de conversie van bepaalde content en kanalen dan we met traditionele data-analyse kregen. De volgende stap is een volledige dataset inzetten. En uiteindelijk wil je toe naar real-time inzichten.’ Elke use case brengt eigen uitdagingen mee, gaat Brenda verder. ‘Je kunt niet alles vooraf voorzien. Wat je wel kunt voorzien en waar je wel invloed op hebt, zijn randvoorwaarden als een stabiel netwerk, voldoende bandbreedte en rekenkracht. Ruim ook voldoende tijd in, zowel voor de dataexploratie als voor de datapreparatie. Want hoe beter de kwaliteit van je data, hoe beter je model werkt. En hoe waardevoller de resultaten.’

Nu beginnen

‘Werken met AI-modellen is een iteratief proces. Je ontdekt steeds beter hoe je de performance van je modellen kunt verbeteren. Neem daarom de tijd om ermee te spelen en experimenteren. Wat gebeurt er als je andere kenmerken selecteert? En wat kun je doen om de betrouwbaarheid van de voorspellingen te verhogen?’ Begin vooral, wil Brenda anderen adviseren – nu is het nog relatief nieuw en heb je de tijd om te ontdekken hoe het je kan helpen.

Meer weten?

Ontdek hoe je slimmer kunt werken met AI! Wij brachten de kansen en risico’s van AI in kaart en maakten een serieus stappenplan voor je. Dat alles vind je in onze whitepaper Slimmer werken met AI.

Slimmer Werken met AI

Lees alles over AI voor je organisatie. Zoals de 3 kansen & risico’s van AI. En leer over hoe je een succesvolle AI organisatie bouwt.

Download