Best practices voor een door AI ondersteunde ‘first-party’-datastrategie

Iedereen wil met AI en ‘first-party’ data aan de slag, maar de effectiviteit heeft vaak te lijden onder een gebrekkige aanpak. Dit zijn de meest gemaakte fouten en valkuilen en hoe je ze voorkomt.

Steeds meer bedrijven krijgen oog voor de toegevoegde waarde van kunstmatige intelligentie (AI) en Machine Learning (ML), waaronder om inzichten uit first-party data te putten en hun interacties met klanten te verbeteren. Veel bedrijven die proberen om het potentieel van AI te benutten maken echter cruciale fouten die de effectiviteit van hun AI-initiatieven ondermijnen. Daarom ga ik hier in op veelgemaakte fouten rond de toepassing van AI op first-party data en bespreek ik manieren om deze problemen te voorkomen of te verhelpen.

Gebrekkige datakwaliteit

Betrouwbare en kwalitatief hoogwaardige data zijn van cruciaal belang voor het trainen van AI-modellen. Dit is een eerste vereiste voor het genereren van accurate resultaten en waardevolle inzichten. Veel bedrijven investeren echter onvoldoende tijd en middelen in het opschonen, standaardiseren en valideren van data.

Robuuste data-governance-praktijken, continue monitoring van gegevensbronnen en kaders en tools voor het waarborgen van datakwaliteit bieden bedrijven de mogelijkheid om de kwaliteit van hun klantengegevens ingrijpend te verbeteren. Daarmee kunnen deze data dienen als nuttige input voor het trainen van AI en andere oplossingen voor gegevensanalyse.

Onvoldoende gedetailleerde data

Een probleem dat verband houdt met een gebrekkige datakwaliteit is de afwezigheid van gedetailleerde informatie over de gedragspatronen en handelingen van klanten. Dit maakt het enorm lastig voor bedrijven om die patronen te voorspellen.

Stel bijvoorbeeld dat een AI-model wordt ingezet om een onderscheid te maken tussen twee groepen mensen: een groep die met grotere waarschijnlijkheid aankopen zal doen en een groep die minder koopbereid is. Het AI-model heeft daarvoor informatie nodig over klanteneigenschappen die statistisch gezien vaker bij de ene groep te vinden zijn dan bij de andere.

Hoe relevanter de gedetailleerde data die bedrijven verzamelen, hoe groter de kans dat ze een model kunnen trainen dat accurate voorspellingen aflevert. Het helpt ook om uit te gaan van een hypothese, bijvoorbeeld over het soort bezoekersgedrag dat op een grotere koopbereidheid wijst. Bedrijven kunnen aan de hand van die hypothese nagaan of ze over voldoende data beschikken.

Het ontbreken van duidelijke doelstellingen

Bedrijven trappen vaak in de valkuil dat ze veel tijd en geld verspillen aan AI-initiatieven die onvoldoende op hun bedrijfsstrategie aansluiten. Het is belangrijk om voor de start van een AI-project aan te geven wat de beoogde resultaten zijn en om Key Performance Indicators te definiëren.

Wil je bijvoorbeeld inzicht verwerven in de bedoelingen van je klanten, zodat je voor optimale interacties en conversiepercentages kunt zorgen? Of wil je gepersonaliseerde productaanbevelingen weergeven op basis van de koopbereidheid van bezoekers van je website om de klantenloyaliteit te bevorderen?

Het definiëren van duidelijke doelstellingen helpt met het afstemmen van AI-initiatieven op je strategische bedrijfsdoelstellingen. Dit maakt het mogelijk om een gerichte aanpak hanteren voor het putten van praktisch toepasbare inzichten uit first-party data. Het is ook belangrijk om de doelstellingen regelmatig opnieuw te evalueren en ze af te stemmen op de veranderende bedrijfsbehoeften.

Gebrekkige ‘data governance’

Data governance speelt een cruciale rol bij het waarborgen van privacy, informatiebeveiliging en compliance. Toch laten veel bedrijven het na om een robuust data-governance-kader in het leven te roepen dat een verantwoorde omgang met first-party data mogelijk maakt. Dit kan resulteren in onbevoegde toegang, datalekken en juridische problemen.

Een uitgebreide data-governance-strategie kan helpen met het terugdringen van deze risico’s. Dit vraagt om mechanismen voor toestemmingsbeheer, het anonimiseren of pseudonimiseren van data en het waarborgen van overeenstemming met de privacyrichtlijnen. Regelmatige audits, training van het personeel en proactieve maatregelen voor informatiebeveiliging kunnen ervoor zorgen dat door AI ondersteunde initiatieven voor het gebruik van first-party data voldoen aan alle eisen op het gebied van data governance.

‘Bias’ in data en algoritmes

Zoals gezegd staat of valt het succes van AI-modellen met de kwaliteit van de data waarmee ze worden getraind. Veel bedrijven hebben echter geen oog voor de aanwezigheid van bias in deze data. En dat leidt tot vertekende resultaten.

Bedrijven kunnen dit probleem tegengaan door het uitvoeren van grondige data-audits, het nemen van representatieve datasteekproeven en het inzetten van speciale technieken voor het detecteren en verhelpen van bias. Ook het regelmatig testen en controleren van de AI-modellen zelf kan daarbij helpen.

Gebrekkig veranderingsmanagement

De inzet van AI vraagt vaak om organisatorische verandering en proceswijzigingen. In het verleden waren er vaardigheden op het gebied van data science nodig om waarde uit Machine-Learning-modellen te putten. Inmiddels zijn er echter technologische oplossingen op de markt verkrijgbaar die het mogelijk maken om een beroep te doen op de kracht van first-party data.

Een goed voorbeeld hiervan zijn Customer Data Platforms. Deze bieden zakelijke gebruikers toegang tot kant-en-klare modellen voor het bepalen van de Customer Lifetime Value en de koopbereidheid, evenals het identificeren van vergelijkbare doelgroepen.

Bedrijven moeten hun kernprocessen evalueren om er zeker van te zijn dat hun teams optimaal zijn voorbereid op de veranderingen die gaan komen. Het is belangrijk om van meet af aan heldere doelen te stellen en alle relevante betrokkenen bij het proces te betrekken. Dit zal teams duidelijkheid verschaffen over de huidige stand van zaken, zodat ze bewustere keuzes kunnen ten aanzien van de benaderingen die het beste voor hun organisatie zullen uitpakken.

Het uitblijven van continue monitoring

AI-modellen zijn geen statische entiteiten. Voortdurende monitoring en evaluaties zijn nodig om ervoor te zorgen dat ze effectief blijven.

Veel bedrijven maken de fout om AI-modellen in te zetten zonder ze te bewaken. De datapatronen, klantenvoorkeuren en zakelijke dynamiek kunnen echter na verloop van tijd veranderen. Daardoor kunnen AI-modellen verouderd raken of minder nauwkeurig worden. Regelmatige monitoring, feedback loops en het periodiek hertrainen van modellen zijn van cruciaal belang voor het waarborgen van relevante resultaten voor een door AI ondersteunde first-party-datastrategie.

Herken de valkuilen

Het toepassen van AI op first-party data kan bedrijven aan waardevolle inzichten en concurrentievoordeel helpen. Het vermijden van veel gemaakte fouten is echter van cruciaal belang om optimaal te kunnen profiteren van door AI ondersteunde klantenervaringen

Door het herkennen van deze valkuilen en treffen van de benodigde tegenmaatregelen kunnen bedrijven de transformatiekracht van AI ontsluiten. Daarmee kunnen ze datagedreven beslissingen nemen die bijdragen aan klantenloyaliteit en groei in het moderne zakelijke landschap.

Over de auteur: Bart Leusink is Directeur data science bij BlueConic.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social media: LinkedIn, Twitter en Facebook.