Product Intelligence – Een kans voor AI waarbij het product centraal staat

Er staat een paradigmaverschuiving op stapel, en wij lopen voorop op het gebied van AI.
We hebben geavanceerde voorspellingssoftware ontwikkeld voor de detailhandel.
dit is
Iets nieuws
Met de nadruk op volledige bescherming van je privacy hebben we geavanceerde voorspellingssoftware ontwikkeld voor de detailhandel. Dit nieuwe, intelligente systeem is gebaseerd op een reeks AI-modellen en maakt gebruik van miljoenen producten, miljarden interactiepunten en triljoenen gegevenscombinaties. We noemen het Product Intelligence.
De software van Hello Retail zet productinformatie om in bits en bytes, een reeks getallen, en ontdekt daarbij onderlinge verbanden en overeenkomsten. Deze informatie wordt gebruikt om onze AI-modellen te trainen in het begrijpen en herkennen van producten, wat een enorme meerwaarde biedt voor elke professionele winkeleigenaar, of het nu gaat om traditionele handel met fysieke winkels of om volwaardige ecommerce-bedrijven.
Product Intelligence is de basis geworden van ons productaanbod en legt de basis voor bedrijfsontwikkeling in de toekomst van de handel. Onze geavanceerde AI verbetert de klant- en winkelervaringen, biedt krachtige branche-inzichten en helpt bij het opstellen van productstrategieën voor marketing, klantenwerving en -behoud. Een holistische bouwsteen voor je bedrijfsstrategie.
Meer informatie
Hello Retail is gespecialiseerd in personalisatie en optimalisatie van e-commerce. Ons productaanbod is erop gericht om de beste online winkelervaring te bieden en een stevige basis te leggen voor zakelijke beslissingen.
Een personalisatie-engine heeft altijd de kern van onze producten gevormd. Tot nu toe is die op een traditionele en orthodoxe manier ontwikkeld, maar we staan op het punt om die wereld op zijn kop te zetten! Of misschien – binnenstebuiten.
Onze reis begon ruim tien jaar geleden. Lange tijd volgden we een beproefde aanpak bij het ontwikkelen van personalisatiesoftware, waarbij we gebruikers volgden en machine learning toepasten op basis van het specifieke gedrag van individuele gebruikers.
Bij de traditionele methode hadden we cookie-tracking nodig om de persoon te volgen tijdens een lange reeks productbezoeken, waarbij we interesses en andere aankooppatronen in de gaten hielden. Als ik bijvoorbeeld in een winkel op zoek was naar witte sneakers, zouden we me zien als een bezoeker die verschillende producten bekijkt, die informatie in ons systeem opslaan en kijken waar ik daarna naar zou kunnen kijken als onderdeel van het verdere verloop van het productbezoek.

Daardoor moesten we de bezoeker in de winkel volgen en een ‘haakje’ aan hem of haar vastmaken – een vastgelijmd en exclusief trackingcookie. Dit cookie zou worden gebruikt om hem of haar producten te tonen terwijl hij of zij verder ging met zijn of haar bezoek. In zekere zin lijkt het op de ervaring dat je op verschillende platforms door dezelfde advertentie voor één specifiek product wordt gevolgd, alleen maar omdat je er één keer naar hebt gekeken – in mijn geval waren dat overal waar ik kwam dezelfde witte sneakers!
En toen, begin 2016, kwam de Europese Raad tot overeenstemming over de regelgeving inzake gegevensbescherming. De AVG was niet bedoeld om bedrijven die tracking doen te belemmeren, maar werd aangenomen om de privacy op het internet te waarborgen, en daar konden we ons wel in vinden.
We hebben altijd het gevoel gehad dat we een standpunt moesten innemen en ons doel moesten bereiken: Het aanbieden van e-commerce-optimalisatiesoftware die voor 100% aan de privacyregels voldoet, door het op een andere manier aan te pakken.
We wisten dat software voor e-commerce-optimalisatie op een nieuwe, innovatieve manier moest worden ontwikkeld, zonder dat dit ten koste zou gaan van de persoonlijke sfeer en beleving die je hebt als je een bekende winkel bezoekt.
Zet de wereld op z’n kop
Software voor gebouwoptimalisatie op nieuwe manieren ontwikkelen
Maar omdat we een softwareoplossing moesten bieden, moesten we anders gaan denken. En het is niet zo simpel als het lijkt om een machine te laten begrijpen wat een menselijk brein zo uit elkaar zou halen.
Stel je voor dat je een modewinkel in het winkelcentrum binnenloopt en de verkoopster je bij binnenkomst van top tot teen bekijkt. Ze let eerst op je algemene houding – maak je oogcontact? Ben je hier voor iets specifieks, of ben je gewoon aan het rondkijken? Welk merk kleding draag je? Is het duur of niet? Dit alles, samen met allerlei andere subtiele of meer concrete details, vormt haar eerste indruk van jou.
Ze zal alle informatie die ze heeft gebruiken om je goed in te schatten, zodat ze je de best mogelijke klantervaring kan bieden – en natuurlijk om je zover te krijgen dat je bij haar koopt.
Ze weet niet alleen wat ze moet aanraden of hoe ze moet reageren, maar ook hoe haar assortiment goed bij elkaar past. Ze weet wat populair is, wat volgens haar in de mode is bij haar klanten, welk product vaak het best verkoopt en welke producten ze later in het verkoopproces moet introduceren. Al die beslissingen maken haar tot een expert in haar vakgebied.
De menselijke geest is echt een wonder, en hij verwerkt en trekt conclusies in milliseconden op basis van wat onze zintuigen ons doorgeven.
Dat is echt een perfecte vergelijking voor hoe we ernaar streven om de best mogelijke oplossingen voor je bedrijf te ontwikkelen. We bouwen onze software zo dat die je helpt en de beste producten vindt om aan elke klant te presenteren, in welke context dan ook.
We willen de solide gegevensbasis vormen voor het opzetten van de juiste strategie voor jouw winkeloplossing, of het nu gaat om e-commerce of een fysieke winkel. We ontwikkelen algoritmen en AI-modellen die dezelfde expertise nabootsen als de winkeleigenaar achter de toonbank in je buurtwinkel, maar dan met de ervaring van duizend winkelmanagers.
We zijn hierin geslaagd door te bouwen aan wat we Product Intelligence noemen – echte kunstmatige intelligentie.
Zoals eerder beschreven, werd in het verleden alle informatie over bekeken en gekochte producten aan het profiel van een gebruiker gekoppeld. Dus toen ik die witte sneakers bekeek, werd die productweergave in ons systeem aan mijn gebruikersprofiel gekoppeld. Met Product Intelligence draaien we het nu helemaal om en koppelen we alles aan het product in plaats van aan de gebruiker.
Net zoals de verkoper van die modewinkel die ik hierboven beschreef, elk klein detail opmerkte toen je de winkel binnenliep, zo maken ook wij steeds meer gebruik van anonieme data-beacons, trackinginformatie en parameters. Dit alles om een AI-model te trainen zodat het van het gedrag leert en het begrijpt. In plaats van die kennis aan de gebruiker te koppelen, koppelen we alle gegevenspunten aan het product zelf. Zo ontstaat er een collectieve kennis tussen en op het snijvlak van productrelaties – en die wordt gebruikt voor voorspellende algoritmen en inzichten.
Product Intelligence is de nieuwe AI-ruggengraat van ons aanbod. Het is de motor die de nieuwe basis vormt voor al onze oplossingen – zowel de huidige als de toekomstige. We gebruiken Product Intelligence om te bepalen welke producten we bezoekers aanbevelen, om hun zoekervaringen te personaliseren en om unieke, waardevolle inzichten te bieden voor elke e-commercewinkel.
Dus, wat is dit nou eigenlijk?
De basis van Product Intelligence wordt gevormd door onze belangrijkste bouwsteen: De producten in de voorraden van onze klanten. We hebben miljoenen producten in ons systeem, allemaal ondergebracht in aparte compartimenten per winkel, maar als we ze vanuit een globaal perspectief bekijken, beginnen we dingen te leren. We gebruiken deze kennis om de AI automatisch te verbeteren en zo slimmer te worden. Dit betekent niet dat klantspecifieke productinformatie wordt hergebruikt voor andere klanten – het betekent eerder dat je, net zoals jij bijvoorbeeld een meer ervaren mens wordt en je hersenen traint om je omgeving te begrijpen, de intelligentie verwerft die nodig is om beslissingen te nemen.
Om Product Intelligence op te bouwen, moeten we eerst onze bouwstenen (de producten) op een nieuwe manier gaan begrijpen – niet alleen als een productafbeelding, een titel en een prijs. Het is belangrijk om een machine te bouwen die ze ziet zoals een mens dat zou doen, maar dan op een manier die een machine kan begrijpen: Bits en bytes.
Ons succes zit hem in het ontwikkelen van een nauwkeurige methode om echte producten om te zetten in vectoren. Een vector is gewoon wiskunde en bestaat eigenlijk uit een reeks getallen, die je in een coördinatenstelsel kunt weergeven, met zowel grootte als richting. En wat echt belangrijk is: Die vector zit in hetzelfde coördinatenstelsel als andere vectoren. **Met andere woorden: Andere soortgelijke producten, nauw verwante producten of groepen producten in meer dimensies zijn makkelijker te herkennen. Vectorweergaven kun je in deze context zien zoals je DNA in de echte wereld zou begrijpen – hoewel je een product niet kunt reproduceren op basis van een vector (zoals je dat wel kunt met levende organismen op basis van DNA in geavanceerde genetica), kun je toch overeenkomsten herkennen.
Laten we eens een voorbeeld nemen. – Als je twee DNA-strengen neemt en ze vergelijkt, zie je misschien dat ze allebei van een viervoeter komen **dus dat vertelt je iets over waar die DNA-streng vandaan komt – op dezelfde manier kunnen we zien dat twee vectoren in ons systeem hetzelfde soort product zijn, bijvoorbeeld een laptop.Als we bovendien inzoomen op de details, zien we misschien dat de DNA-strengen die we onderzoeken niet alleen van een viervoeter zijn, maar in feite van een 8-jarige witte kat. Dat weten we omdat we DNA-strengen kunnen vergelijken – opnieuw zien we op dezelfde manier nauwere overeenkomsten in ons vectorsysteem, zodat de twee eerder genoemde vectoren een specifieke MacBook Pro-laptop in Space Gray vertegenwoordigen.
We kunnen dus beide productgroepen bekijken aan de hand van algemene parameters en kenmerken, en we hebben de mogelijkheid om in te zoomen en te vergelijken voor een gedetailleerder overzicht. Dit is vooral belangrijk als je vergelijkbare producten wilt vinden om ervoor te zorgen dat kennis hergebruikt kan worden.
Dit is echt een van onze grootste successen, want de gegevens die we over een specifiek product hebben, zijn vaak niet compleet als het gaat om de daadwerkelijke productinformatie: Misschien ontbreekt er een specifiek productnummer, of hebben we geen goede beschrijving, misschien is de afbeelding niet goed genoeg – maar als mens zou je de stukjes bij elkaar puzzelen en het product herkennen, en ons systeem kan precies hetzelfde doen. Geavanceerde genetica kan volledige DNA-strengen reconstrueren op basis van kleine, beschadigde DNA-sequenties; wij kunnen hetzelfde doen voor producten en vectoren – als we maar heel weinig productinformatie hebben, kunnen we dit vertalen naar een bijbehorende vector en die heel nauwkeurig op onze kaart plaatsen, en zo een volledig begrip van het product opbouwen
Als je dit op miljoenen producten toepast,
dan kunnen we echte productintelligentie ontwikkelen.
De hersenen - Product Intelligence
Laten we eens wat dieper graven om meer inzicht te krijgen in productintelligentie
Product Intelligence is een AI-engine die de werking van het menselijk brein simuleert en zich richt op de e-commerce- en personalisatiesector.
Op een wat simplistisch niveau kun je het menselijk brein zien als een complex netwerk dat bestaat uit een enorme hoeveelheid knooppunten: De neuronen. Bovendien zijn de neuronen via zenuwen met elkaar verbonden, zodat ze informatie kunnen uitwisselen en door samen te werken complexe taken kunnen uitvoeren. Het blijkt dat we bijna dezelfde taal kunnen gebruiken om onze Product Intelligence-engine te beschrijven. De details zijn echter behoorlijk ingewikkeld, en we zullen ze hieronder in behapbare stukjes opsplitsen.
Simpel gezegd zijn de neuronen in onze Product Intelligence gewoon producten van al onze klanten, oftewel vectoren, en de zenuwen dragen alle informatie over hoe verschillende producten – of die nu uit één winkel komen of uit een hele branche – met elkaar in verband staan. Een fundamenteel probleem bij deze naïeve benadering is de extreem hoge veranderlijkheid van de sector, waar producten bijna voortdurend worden bijgewerkt. Het heeft daarom geen zin om elk afzonderlijk product bij te houden. In plaats daarvan richt onze engine zich op het leren van patronen met behulp van de volgende strategie.
Je kunt het neuron zelf zien als een klein wolkje of een groepje productvectoren die nauw verwant zijn en de meest actuele gegevens bevatten.
Een neuron zou in onze context bijvoorbeeld een verzameling MacBook Pro’s kunnen zijn in de kleuren wit, zwart of goud. Hier zijn twee belangrijke punten om in gedachten te houden:
-
Vectoren in één neuron komen niet per se uit één winkel. Zo zijn bijvoorbeeld twee identieke MacBooks uit twee verschillende winkels technisch gezien verschillende producten, maar ze horen wel bij hetzelfde neuron.
-
De grootte van een neuron ligt niet van tevoren vast. Die moet juist worden aangepast aan de taak die je wilt uitvoeren. Als de taak bijvoorbeeld is om de trend van Apple-producten op de elektronicamarkt te analyseren, dan moet je het neuron groter maken om alle MacBook Pro’s te combineren – ongeacht de precieze versies of specificaties – zodat je het totaalbeeld krijgt. Als de taak echter is om accessoires aan te bevelen aan een klant die al een specifieke MacBook in zijn winkelmandje heeft, dan moet de grootte van het neuron worden verkleind om bijvoorbeeld de kabels en externe hardware te vinden die het beste bij dat specifieke model passen.
Laten we die neuronen aan het werk zetten
Laten we het nu eens hebben over de zenuwen in de motor die de neuronen tot leven brengen.
Net als bij het menselijk brein zijn er in deze context verschillende soorten zenuwen, die elk zijn ontworpen om verschillende taken uit te voeren.
In ons scenario is er bijvoorbeeld een soort zenuw, die we de ‘accessories-zenuw’ zouden kunnen noemen, en die zorgt ervoor dat producten worden herkend die vaak samen worden gekocht.
Stel je voor dat een klant naar een koffiemachine kijkt. Dan wordt er een Product Intelligence-neuron met de naam ‘koffiemachine’ (d.w.z. een groep zeer vergelijkbare koffiemachines, bijvoorbeeld van dezelfde fabrikant en binnen hetzelfde model) geactiveerd en stuurt die signalen via de accessoires-zenuw om een aantal andere neuronen te activeren die waarschijnlijk ‘koffiebonen’ heten, ‘koffiefilters’ en zo verder.
Stel nu dat onze klant een koffiezetapparaat aan zijn winkelmandje heeft toegevoegd en vervolgens naar een bepaald merk koffiebonen is gegaan. In dit scenario worden zowel het ‘koffiezetapparaat-neuron’ als het ‘koffiebonen-neuron’ geactiveerd, en samen sturen ze nieuwe en mogelijk sterkere signalen naar koffiefilters en mokken, enzovoort.
Andere soorten zenuwen zouden bijvoorbeeld ‘alternatieve producten’, ‘extra’s bij het afrekenen’ enzovoort kunnen zijn.
Dus de zenuwen in onze analogie met het menselijk brein zijn eigenlijk algoritmen die de productvectoren gebruiken om de benodigde taken uit te voeren.
Een ander belangrijk punt dat ik hier wil benadrukken, is dat, hoewel elke reeks algoritmen in de engine zijn eigen functionaliteit heeft, ze gecombineerd kunnen worden om complexere taken uit te voeren. Als een winkel bijvoorbeeld de klikfrequentie, conversieratio of een andere relevante statistiek wil verbeteren, kan de engine tegelijkertijd meerdere algoritmen inzetten en door middel van voortdurende verbeteringen de beste combinatie voor die taak vinden.
Uit onze eindeloze lijst met mogelijkheden volgen hier een paar voorbeelden van hoe je Product Intelligence kunt inzetten.
- Inzicht geven in welke soorten producten het goed doen binnen bepaalde sectoren en klantsegmenten. Bijvoorbeeld: Zien we in jouw sector een hogere conversieratio bij producten boven de 100 dollar of juist daaronder? Wat is de aankoopfrequentie voor specifieke producten of productgroepen? Welke soorten producten verkopen het beste in de herfst ten opzichte van de lente? Wat zou het beste product zijn om te promoten in een nieuwsbrief, als aanbeveling op de voorpagina of op een landingspagina?
- Ondernemers adviseren over welke producten ze op voorraad moeten hebben voor betere upsell-kansen. “We zien dat andere klanten in ons systeem betere resultaten behalen door schoenveters te verkopen – Dat moet je aan je voorraad toevoegen!”
- Analyse van de levenslange waarde om te bepalen welk product je het beste als volgende kunt verkopen, zodat je de hoogst mogelijke levenslange waarde bij nieuwe klanten kunt opbouwen – Onderzoek toont aan dat de levenslange waarde sterk varieert, afhankelijk van welk product de klant als eerste koopt wanneer hij de winkel voor het eerst bezoekt – dit is vooral belangrijk in marketingscenario’s – zoek de producten die gepromoot moeten worden en als eerste gekocht moeten worden om loyale klanten te genereren met de best mogelijke levenslange waarde
- Voorspellingsinstrumenten – zoals het voorspellen van klantgedrag rond producten, merkvoorspellingen voor verschillende sectoren, prijsbelemmeringen bij campagnes en voorraadbeheer
- De allerbeste engines op de markt voor aanbevelingen, zoeken en merchandising – beschikbaar via API’s of via ons oplossingenpakket – allemaal gebaseerd op onze Product Intelligence.
En last but not least: ons systeem ontwikkelt zich door van zichzelf te leren en wordt door voortdurende tests gestuurd om steeds beter te worden. Net zoals we eerder al hebben beschreven: Hoe meer we als mensen leren, hoe beter we worden in het nemen van beslissingen in andere situaties.
Net als bij mensen wordt kennis opgebouwd en worden vaardigheden voortdurend geoefend. De kern van onze productintelligentie wordt gevormd door onze voortdurende tests, waarbij we kijken naar prestaties in de praktijk en of onze producten aansluiten bij de behoeften van onze klanten.
Enerzijds worden zowel de neuronen als de zenuwen regelmatig bijgewerkt op basis van de continue stroom aan gegevens van onze klanten, zodat het systeem altijd op de hoogte blijft van de markttrends. Anderzijds worden de interne strategieën die de Product Intelligence-engine inzet om verschillende bedrijfsdoelen te bereiken door combinaties van zenuwen te activeren en te coördineren, voortdurend geoptimaliseerd door de resultaten van de tests te monitoren.
Dit alles wordt natuurlijk geïmplementeerd in onze producten, zoals Productaanbevelingen, Zoeken & Pages, maar het zal ook beschikbaar zijn als een op zichzelf staand toegangspunt via een goed gedocumenteerde zakelijke API.
Dit noemen we Product Intelligence – en wij geloven dat dit de sector in de toekomst volledig zal veranderen en er een holistische diepgang aan zal geven. Het vormt vandaag de dag de kern van ons systeem en wordt niet alleen gebruikt in de producten die we op de markt aanbieden, maar dient ook als belangrijke bouwsteen in systemen van derden en vooral voor bedrijfsontwikkeling in de wereldwijde handelsmarkt als geheel – Als je meer wilt weten over onze aanpak, neem dan zo snel mogelijk contact met ons op.


