Persona’s bouwen met hulp van Artificial Intelligence

IBM Watson maakt profielen op basis van échte klanten

We kennen inmiddels allemaal het principe ‘buyer persona’: een manier om uit je doelgroep een archetype van de ideale potentiële klant te filteren. Buyer persona’s vertegenwoordigen de echte, levende en ademende personen uit die nogal brede doelgroep. En terwijl het gegeven persona an sich hypothetisch is, moet de informatie op basis waarvan hij of zij tot stand komt, dat absoluut níet zijn. Hoe interessant is het dat je nu persona’s kunt maken op basis van wat echte klanten online delen?

Persona’s

Voor de duidelijkheid, eerst het begrip persona’s nog even afkaderen: Een persona is een op onderzoek gebaseerd profiel van een voorbeeldkoper die een doelgroep vertegenwoordigt. Deze voorbeeldkoper geef je een naam en foto, beschrijf je zo uitgebreid mogelijk, bijvoorbeeld in termen van leeftijd, gezinssituatie, opleiding, werk en zijn of haar motieven en verlangens.

Waarom een persona en geen doelgroep? Met segmentatie knip je in feite de markt op in enkele doelgroepen. Deze segmenten worden vaak gebaseerd op zaken als sociodemografische gegevens (bijvoorbeeld geslacht, leeftijd, opleidingsniveau) en lifestyle- en gedragskenmerken.

“Door uit te gaan van drijfveren van mensen en hoe ze in het leven staan, is het makkelijker om daar op in te spelen”

Een persona werk je heel specifiek uit, zodat deze voorbeeldkoper echt ’tot leven’ komt binnen je organisatie. Het bevordert intern de klantgerichtheid, en dienst als uitgangspunt voor het vormgeven van bijvoorbeeld teksten, webpagina’s en advertenties. Om zo goed mogelijk in te spelen op de klant, helpt het zijn emoties en drijfveren uit te werken. Door uit te gaan van drijfveren van mensen en hoe ze in het leven staan, is het makkelijker om daar op in te spelen. Omdat persona’s hier van uitgaan, kunnen je collega-marketeers en communicatiespecialisten beter inspelen op de klant dan bij een segmentatieprofiel. Zij hoeven zich niet meer zelf voor te stellen welke mediakanalen mensen uit hun doelgroep gebruiken, want er is een concreet ‘portret’ van de verschillende klanttypen van een organisatie.

Data verzamelen

Data om persona’s mee samen te stellen kun je op een aantal verschillende manieren verkrijgen, allereerst door middel van enquetes. Het grote voordeel is dat je veel klanten of prospects in een keer kunt benaderen. Het nadeel is dat het met vaste vragen erg moeilijk wordt om diepgang te vinden.

Met kwalitatieve interviews kun je dat wel, omdat je kunt doorvragen. Door face-to-face interviews af te nemen, verkrijg je bovendien meer feeling voor de klant. Deze methode is echter wel tijdsintensief. Het verkrijgen van deze data is vaak tijdrovend. Er is echter nóg een manier om data te verzamelen die minder tijd kost, maar wel gebaseerd is op data: met IBM Watson.

IBM Watson Artificial Intelligence

In 2011 nam Watson, de supercomputer van IBM die spreektaal begrijpt en uit Big Data de juiste feedback kan genereren, het in de Amerikaanse spelshow ‘Jeopardy!’ op tegen twee menselijke kampioenen. En won. Dat vormde een mooie demonstratie van de kracht die de combinatie van techniek en data kan brengen. Die kracht is vervolgens toegepast op andere, zinvollere gebieden en is ook beschikbaar voor marketeers. Het is een cognitief systeem: het kan namelijk niet alleen veel informatie lezen, maar ook ook begrijpen.

IBM Watson is op verschillende manieren te gebruiken. Ik ben zelf al een tijdje gefascineerd door de API’s die IBM Watson AI aanbiedt. Er is een hele rits API’s beschikbaar, zoals NLP (natural language processing), een text-to-speech API en een vertaal API. In het kader van persona’s is er een andere interessante API: de personality insights API, die op basis van geschreven tekst iemand’s persoonlijkheid kan voorspellen.

De wetenschap achter de API

Dat het taalgebruik een persoonlijkheid en denkwijze blootlegt, is niet nieuw. Diverse wetenschappelijke onderzoeken hebben aangetoond dit ook geld voor online content zoals blogs en tweets (onder andere Fast & Funder, 2008; Gill et al., 2009; Golbeck et al., 2011;). Wetenschappers van IBM hebben onderzoek gedaan naar de relatie tussen uitingen op social media van een bepaald persoon en zijn gedrag en voorkeuren. Zo verspreiden mensen die hoog scoren op bescheidenheid, openheid en vriendelijkheid relatief vaak ten opzichte van mensen met een lage score (Lee et al., 2014). IBM heeft een pagina met nog veel meer wetenschappelijke stukken. Zo maken mensen die geordend zijn, over veel zelfdicipline beschikken of terughoudend zijn 40 procent meer dan gemiddeld gebruik van coupons.

“Met de Personal Insights API kun je een persona maken van een echt bestaand persoon”

Met de Personal Insights API kun je dus een persona maken van een echt bestaand persoon. Een persoon die typerend is voor jouw doelgroep. Door content die deze persoon geschreven heeft te voeden aan de API, kun je zijn of haar ‘personality insights’ downloaden. Op basis daarvan kun je een persona maken. Een interessante aanvulling op traditionele databronnen, omdat het afgeleid is van hoe mensen zich online manifesteren, in plaats van wat mensen zeggen te vinden.

Om structuur aan te brengen in de output van de API, maakt de Personality Insights API gebruik van een aantal modellen waar het gebruikers op classificeert: de Big Five behoeften en waarden.

• Big Five is een veelgebruikt en onderzocht persoonlijkheidsmodel dat beschrijft hoe iemand in de wereld staat. Het model bevat vijf dimensies (OCEAN) die elk zes subdimensies bevatten. De letters van OCEAN staan voor: Openness, Conscientiousness, Extraversion, Agreeableness, en Neuroticism.
• Behoeften zijn ook van grote invloed op menselijk gedrag (Kotler & Armstrong, 2013, en Ford, 2005). Op basis van marketingliteratuur zijn er twaalf categoriën behoeften benoemd die mensen willen vervullen wanneer ze een product of dienst afnemen.
• Waarden laten zien wat voor iemand het meest belangrijk is. De definitie van waarden luidt als volgt: “desirable, trans-situational goals, varying in importance, that serve as guiding principles in people’s lives” (Schwartz, 2006).

Eén kanttekening: de API werkt helaas nog niet met Nederlandse tekst. De API kan op moment van schrijven overweg met Arabisch, Engels, Japans, Koreaans en Spaans.

In de praktijk

Hoe pas je dit nou toe in de praktijk? Bij De Vorm, een B2B-meubelbedrijf, lag een mooie kans om met Watson persona’s op te stellen. De Vorm heeft namelijk met (interieur)architecten een hele afgebakende doelgroep, communiceert in het Engels en opereert wereldwijd. Samen met communications coordinator en mede-Marketingfactsblogger Paul Clappers van De Vorm ben ik aan de slag gegaan met Watson.

Clappers was benieuwd welke nieuwe inzichten de data hen zou geven: “Door ons contact met architecten hebben we wel een goed beeld van de doelgroep in Nederland en Europa. Maar toch, enquêtes en interviews geven beperkte en gekleurde informatie. Daarom was het voor ons interessant om met Watson te kijken of dat beeld klopt en of we tot andere inzichten komen. Bijvoorbeeld over onderwerpen voor onze content, hoe we die distribueren en hoe we onze verhalen vertellen.”

We zijn gaan zoeken naar interieurarchitecten die actief zijn op Twitter en die binnen het profiel van De Vorm passen. Dat was een lange lijst waarbij we uiteindelijk in eerste instantie voor drie architecten hebben gekozen. Daar hebben we later nog een architect aan toegevoegd. Er is gekozen voor Twitter, omdat je bij teksten of blogs de kans groter is dat er een ghostwriter aan te pas is gekomen. We hebben de tweets van vier architecten gebruikt, drie vrouwen en een man. Twee komen uit de VS, eentje uit London en eentje uit Ierland.

Stappenplan

Wil je ook persona’s samenstellen op basis van echte mensen uit je doelgroep, middels IBM Watson AI? Volg dan onderstaand stappenplan. Je moet wel enigszins technisch aangelegd zijn om dit te doen. Ben je meer geïnteresseerd in de output en wat je er als marketeer mee kan, scroll dan even door.

Meld je aan voor een IBM Cloud Account

Allereerst dien je een IBM Cloud Account te registreren zodat je toegang krijgt tot de ‘Personality Insights’ service van IBM Watson AI. Nadat je je hebt aangemeld en je ingelogd bent klik je op ‘catalog’, vervolgens ‘Personality Insights’ en kies je een plan. Voor deze setting kun je gewoon met een gratis account werken, dan heb je tot duizend API calls per maand, wat meer dan genoeg is.

Vervolgens kun je je persoonlijke sleutel en URL ophalen:

1. Ga naar het IBM Cloud dashboard, klik op de Personality Insights service. Daar zie je je credentials staan.
2. Op de Manage-pagina klik je op Show om de AKI key te kunnen zien.
3. Kopieer de API Key en de URL.

Content

Om een persoonlijkheidsprofiel te krijgen, moeten we de API eerst voeden met content. Dat kan door een tekstbestand (bijvoorbeeld een door hem of haar geschreven longread) zijn kant op te sturen, of een JSON-bestand met daarin meerdere berichten (bijvoorbeeld zijn of haar tweets). Op de website van IBM vind je een voorbeeld van een tekstbestand (met daarin een lange tekst) en een JSON-bestand (met een lijst met tweets). Pas tijdens het schrijven van dit artikel zag ik dat een CSV uploaden ook mogelijk is. Dat is voor het uploaden van meerdere berichten voor de meeste mensen waarschijnlijk makkelijker dan een JSON samenstellen.

Je kunt tot 20 MB aan content opsturen. Hoe meer content, hoe beter de API kan voorspellen. Na drieduizend woorden vlakt dat effect echter af en zorgt nóg meer niet meer voor een significante verbetering van het resultaat.

Lange teksten heb je zo gekopieerd, daarvan heb je er niet veel nodig. Bij tweets is dat een ander verhaal. Ik heb zelf Data Miner gebruikt om tweets te scrapen.

Nerden

Hier wordt het wat ingewikkelder. Voor het vervolg heb je Terminal (voor Apple gebruikers) nodig. Windowsgebruikers moeten eerst cURL downloaden. In de console kun je commands ingeven. Plak daar – afhankelijk van het type bestand – de volgende code in en vervang de dikgedrukte tekst voor jouw waarden:

Tekstbestand

curl -X POST -u “apikey:HIER-DE-API-KEY” –header “Content-Type: text/plain;charset=utf-8” –header “Accept: application/json” –data-binary @LOCATIE-VAN-DE-CONTENT.TXT “DE-URL-DIE-JE-GEKOPIEERD-HEBT/v3/profile?version=2017-10-13&consumption_preferences=true&raw_scores=true”

CSV-bestand

curl -X POST -u “apikey:HIER-DE-API-KEY” –header “Content-Type: text/csv” –header “Accept: application/json” –data-binary @LOCATIE-VAN-DE-CONTENT.CSV “DE-URL-DIE-JE-GEKOPIEERD-HEBT/v3/profile?version=2017-10-13&consumption_preferences=true&raw_scores=true”

JSON-bestand

curl -X POST -u “apikey:HIER-DE-API-KEY” –header “Content-Type: application/json” –header “Accept: application/json” –data-binary @LOCATIE-VAN-DE-CONTENT.JSON “DE-URL-DIE-JE-GEKOPIEERD-HEBT/v3/profile?version=2017-10-13&consumption_preferences=true&raw_scores=true”

De output

Nadat je het commando hebt ingegeven ontvang je het resultaat in een JSON-bestand. Elke dimensie van het Big 5 model, elke behoefte en elke waarde krijgt een genormaliseerde score van tussen de 0 en de 1. Bijvoorbeeld, een score van 0.64980796071382 voor de eigenschap wil zeggen dat score hoger is dan bij 64 percent van de mensen. Elke eigenschap krijgt ook een ‘raw score’ die niet wordt vergeleken met een steekproef mensen. De ‘raw score’ is eveneens een score van tussen de 0 en 1. Hoe hoger de waarde, hoe sterker iemand scoort op die eigenschap. De feitelijke bandbreedte kan echter veel beperkter zijn dan volledig 0 of 1.

Deze output is echter niet iets wat je direct kunt communiceren aan anderen. Daarvoor moeten we er eerst een mooi profiel van maken. Dit kun je handmatig doen, of als je veel van dit soort profielen uit gaat draaien, kun je ook een CSV-bestand importeren in bijvoorbeeld Microsoft Excel Google Spreadsheets. In een andere tab kun je vervolgens deze data uitlezen om het automatisch te visualiseren.

Voorbeeld

Voor De Vorm heb ik de data handmatig gevisualiseerd. Om je een idee te geven van hoe dat eruit ziet, zie je hieronder een voorbeeld. De persoonlijke informatie en foto zijn fictief.

De uitkomsten

Hoe zagen de uitkomsten eruit in het geval van De Vorm? Paul Clappers: “Wij zijn sinds kort gestart met inbound marketing en daar spelen buyer persona’s een grote rol. Ik wist niet zo goed wat we van Watson konden verwachten. Voor ons was het ook een experiment. Het opvallendst vind ik dat er zo weinig verschillen zijn in de persoonlijkheden van deze vier, op het oog, totaal verschillende mensen. Ze verschillen in leeftijd, afkomst, woonplaats, geslacht en nationaliteit. Ze hebben een ding gemeen en dat is dat ze alle vier architect zijn. Blijkbaar zijn veel dezelfde types.”

“Hoe verhouden de persona’s zich tot de bestaande klantprofielen?”

“We zijn in eerste instantie gestart met drie architecten. Maar omdat de resultaten overeen kwamen, hebben we er nog een vierde, jongere, Europese architect bijgezocht. Dat maakte eigenlijk weinig verschil. Dat is fijn voor ons, dat deze doelgroep zo homogeen is. Dat architecten blijkbaar dezelfde waarden en persoonlijkheden hebben. Daar kunnen we met onze content goed op inspelen.”

Hoe verhouden de persona’s zich tot de bestaande klantprofielen? Volgens Clappers sterken de uitkomsten de bestaande klantprofielen van De Vorm, maar bieden ze ook concrete nieuwe handvaten: “De informatie uit de Watson persona’s gebruiken we om de bestaande profielen te verrijken. Daar hoeven we niet veel aan te doen: de informatie van Watson bevestigt eigenlijk vooral wat we al wisten. Dat ze alle vier ‘concerns about the environment’ hebben en ‘high quality, style and comfort’ prefereren, is een mooie bonus als je duurzame meubels maakt van gerecycled PET Felt. Dat zijn ook direct onderwerpen waar wij mooie content omheen gaan maken.”

Drie van de vier zijn gevoelig voor online ads, terwijl social media weinig invloed heeft. Opvallend is dat bij 50 procent brand value er niet toe doet. Alle vier scoren ze hoog op intellect, authority challenging en uiteraard verbeelding. Op orderliness scoren ze dan verrassend genoeg alle vier weer laag.

Met de uitkomsten gaan we nu aan de slag. Het zou gaaf zijn als Watson AI beschikbaar komt in meerdere talen, het liefste natuurlijk Nederlands. Maar met zo’n klein taalgebied zal dat niet snel gebeuren. Ik ben wel nieuwsgierig hoe lezers van Marketingfacts omgaan met persona’s. Heb jij weleens IBM Watson AI gebruikt voor het opstellen van persona’s? Wat heb je eraan gehad? En als het in het Nederlands beschikbaar zou zijn, zou je het dan gebruiken?