De impact van cognitive computing op campagnemanagement

Hoe zelflerende systemen zorgen dat marketeers betere beslissingen nemen

Afgelopen vrijdag mocht ik, als vertegenwoordiger van een van 10 geselecteerde bedrijven, pitchen bij de Watson Pitch Competition in het kader van de Amsterdam Capital Week. De vraag: kom met een oplossing waarin de kracht van IBM’s zelflerende computer Watson – je weet wel, die computer die Jeopardy! won – gebruikt wordt om een concreet probleem op te lossen. Onze pitch: laat Watson leren van campagnedata en geef de marketeer suggesties welke mix van campagnes en contactmomenten de grootste kans geeft om een gewenst doel te bereiken. Klinkt onmogelijk? Niet als gebruikgemaakt wordt van de mogelijkheden van cognitive computing.

De toegevoegde waarde van cognitive computing

Een van de grootste uitdagingen van deze tijd is hoe om te gaan met grote hoeveelheden ongestructureerde data. Een groot deel van de informatie op internet, bijvoorbeeld, is opgeslagen in de vorm van plaatjes of video’s. Daarnaast is het verband tussen verschillende typen data niet altijd even duidelijk. Wat is bijvoorbeeld het effect van uitgegeven euro’s op tv op een lopende leadcampagne? Of hoe zit het met de relatie van het aantal klantvragen op de verkoop? Voor dit soort vragen wordt vaak een beroep gedaan op econometristen of data scientists. Zij modelleren de waarheid en maken gebruik van grote hoeveelheden gegevensstromen om tot inzichten te komen.

In de praktijk blijkt echter dat deze mensen nogal moeilijk te vinden zijn. Bij de bedrijven die onze campagnemanagementtool gebruiken, zien we dat deze mensen (als ze er al zijn) altijd vol zitten. De modellen waarmee ze moeten werken, zijn – hoe slim ook – altijd min of meer beperkt. Deze werkwijze is dus nog steeds niet schaalbaar en daarom onvoldoende toekomstvast.

Cognitive computing betekent dat een computersysteem in staat is om te observeren, interpreteren, evalueren en beslissingen kan nemen. Een wezenlijk verschil met traditionele software, die met name geschikt is om een bepaalde vooraf gedefinieerde taak uit te voeren. Je kunt een dergelijk systeem trainen met een onuitputtelijke hoeveelheid data en vervolgens gebruikt het die data om te helpen bij het nemen van beslissingen. Een mooi voorbeeld van een toepassing is de Cognitoy van Elemental Path. Dit speelgoed maakt gebruik van Watson.

Cognitive computing en campagnemanagement

Wij beschouwen ieder contactmoment met een (potentiële) klant als een campagne. Daarom hebben we een campagnemanagementsysteem gemaakt dat het makkelijk maakt om samen te werken aan campagnes, de juiste respondenten te selecteren en die campagnes automatisch uit te sturen naar communicatiekanalen. En de communicatiekanalen zien we in de breedst mogelijke zin: online, offline, sales en service. We zien dat als marketeers de nieuwe generatie campagnemanagementsystemen gaan gebruiken, de drempel om campagnes op te zetten steeds kleiner wordt en ze dus steeds meer verschillende, kleinere acties gaan ondernemen, met een hoger rendement per actie.

Dit soort systemen werkt op dit moment voornamelijk uitvoerend. Ze helpen om de uitvoering van grote hoeveelheden campagnes makkelijker te maken. De besluitvorming over een campagnes ligt bij de marketeer, ondersteund door mediabureaus, rapportages en analyses.

Als je echter meer kleinere campagnes gaat voeren, wordt het steeds minder duidelijk wat het effect is dat deze campagnes op elkaar hebben. Heeft een servicebericht een positieve of negatieve invloed op een salescampagne? Heeft een tv-commercial impact op de conversie op de website? Kan het dat een outbound belletje gevolgd wordt door een online order? Allemaal vragen waarvoor het nodig is om de totale hoeveelheid campagnes in kaart te brengen en in onderlinge verhouding te analyseren. Typisch een case waar nu econometristen of data-scientists bij gehaald worden. Typisch een case waarin gaat blijken dat dat geen schaalbare oplossing is. Typisch een case dus waarin cognitive computing een enorm verschil kan maken.

Het mooie is namelijk is dat het niet nodig is om een relatie te definiëren tussen de data die aan het systeem aangeboden worden. Hierdoor is het mogelijk om verschillende zaken als media-uitgaven, spontane merkherkenning, websitebezoek, sales en omzet aan het systeem aan te bieden. Het systeem leert zelf of het een relatie kan herkennen en neemt dat mee bij toekomstige besluitvorming.

Hoe gaat dat werken in de praktijk

Stel je voor dat je een marketeer bent. Hoe mooi zou het zijn als je je beschikbare middelen en te behalen doelstellingen invoert in je campagnemanagmentsysteem en het systeem terugkomt met:

• de mix van campagnes die zorgen voor het beste resultaat;
• de contactmomenten die je het beste kunt gebruiken bij bestaande klanten;
• de communicatiekanalen waarmee je je (potentiële) klanten het beste kunt bereiken.

Dit is precies de case die ik heb gepresenteerd bij de IBM Watson Competition. Ik geloof er namelijk in dat het mogelijk is om een cognitief systeem te trainen met campagnedata en vervolgens geautomatiseerd suggesties te laten doen. De marketeer blijft de beslisser. Deze kan reageren op suggesties door ze te accepteren (de campagne wordt dan uitgevoerd) of af te wijzen. Het systeem kan leren van de respons op campagnes én de reactie van de marketeers.

We hebben de pitch helaas niet gewonnen. Echter, we zijn wel onderdeel geworden van het ecosysteem van IBM Watson. De technische uitdaging is weliswaar innovatief, maar haalbaar en we verwachten in 2016 al de eerste marketeers te kunnen helpen met geautomatiseerde suggesties op basis van cognitive computing.