De MOA Profgroep Data Science nodigt iedereen uit voor een digitale Talk met als thema ‘Betere beslissingen nemen dankzij Data Science en A.I.!’ De Talk vindt plaats op 29 april a.s. van 16.00 tot 17.00 uur. Een van de sprekers is Job van den Berg (Chief Data & Insights Officer bij Blue Field Agency) die de concrete mogelijkheden van data science en AI zal schetsen. Afgelopen maand publiceerde hij er op De Ondernemer een artikel over. Hieronder volgt een ingekorte versie. Informatie en inschrijven kan hier!
Laat ik eens beginnen met een goede definitie van artificial intelligence (AI). Het is eigenlijk een verzamelnaam van modellen die zelflerend zijn en in zekere zin zelf kunnen ‘nadenken’. Ze kunnen, net als wij, zelf beslissingen nemen. Daarnaast is AI een logische stap in de ‘data-evolutie’: de doorontwikkeling van datamodellen die eerst nog eenvoudig waren en nu steeds complexer worden.
Verbanden
Even een terugblik: we begonnen ooit met correlatie-analyses, een statistische techniek om verbanden aan te tonen. We wilden weten of kenmerken met elkaar samenhangen. Bijvoorbeeld: is er een verband tussen omzet in de winkel en het weertype (regen, zon, bewolkt, etc.)? Met andere woorden, hebben we voldoende bewijs om aan te nemen dat het weer bepalend is voor sales? Een relevante vraag waar je geen AI voor nodig hebt, maar wel een ‘simpele’ correlatie-analyse. En uit die analyse blijkt dat het weer sales inderdaad sterk beïnvloedt – ook als je geen ijsjes verkoopt.
‘Soms wil je in de toekomst kijken en voorspellen of er een observatie plaats gaat vinden’
Oorzaak en gevolg
De volgende stap was het regressiemodel. We konden één stap verder gaan, namelijk kijken of er een oorzaak-gevolg-relatie was tussen twee gegevens. In het geval van het weer kon je bij dit model dus kijken of de sales omlaag ging doordat het slecht weer was. Belangrijk, want daarmee sluit je toevallige relaties uit. Even uitleggen: als het in een jaar altijd geregend heeft op maandag, en het zonnig is op zaterdag, lijkt het plausibel dat je meer verkoopt als de zon schijnt. Klinkt logisch, maar als het altijd regent op zaterdag en zonnig is op maandag, dan zou je nog steeds meer verkopen op de immer drukke zaterdag. Bij een data-analyse zonder regressiemodel zou je tot een andere conclusie komen dan mét regressiemodel.
Een regressiemodel gaat over analyses en het aantonen van verbanden in het ‘hier en nu’. Soms wil je in de toekomst kijken en voorspellen wat de kans is dat er een bepaalde observatie plaats gaat vinden. Of je wilt doorrekenen wat de impact kan zijn van specifieke investeringen op de lange termijn. Heel logische vragen, maar voor dit soort analyses heb je een grote hoeveelheid data nodig, over de tijd heen verzameld.
Voorbereiden
Data science kwam op dat moment in de ‘data-evolutie’ om de hoek kijken – modellen die helpen om scenario-analyses te doen, en die de mogelijkheid bieden voor ‘what if’-voorspellingen. Het weer even opnieuw als voorbeeld: met een voorspellend model kunnen we impact van klimaatverandering op toekomstige sales doorrekenen. We simuleren bijvoorbeeld het scenario dat er meer zonuren zijn op basis van data van het KNMI. Uit het model blijkt dat over 10 jaar, wanneer het aantal zonuren met bijvoorbeeld 7% is toegenomen, de klantenbase naar verwachting zal stijgen, met een omzetstijging van 2%. Met deze fictieve resultaten kun je je dus nu al voorbereiden op de toekomst. Want meer klanten, betekent ook meer personeel dat je nu al kunt gaan werven.
‘Ze kunnen zichzelf verbeteren en optimaliseren, en omgaan met nieuwe situaties’
Verbeteren
En toen kwam AI. Ook deze modellen zijn voorspellend maar hebben een belangrijke add-on. Ze zijn zelflerend en niet statisch zoals de voorgaande modellen. Ze kunnen zichzelf verbeteren en optimaliseren, en omgaan met nieuwe situaties. Dat klinkt cryptisch maar het beste voorbeeld is de zelfrijdende auto; die zit vol met AI. Er zijn duizend verschillende verkeerssituaties die iedere keer vragen om een andere actie: remmen, gas geven, uitwijken, etc. Daarnaast ontstaan er elke keer nieuwe situaties (bijvoorbeeld weguitbreiding) waar het model op moet kunnen anticiperen. Kortom, het model kan omgaan met veranderende omstandigheden zonder dat de mens het model per keer moet aanpassen. Het AI-model moet bijvoorbeeld rekening houden met veranderende weersomstandigheden. Vaker regen betekent vaker de snelheid aanpassen, ook aan drukte op de weg, en voorzichtiger remmen en optrekken.
Vier redenen voor toepassing
Grofweg zijn er vier redenen om AI toe te passen:
Betere beslissingen nemen. Een bedrijf wil kunnen voorspellen hoe het belangrijke metrics in de organisatie (bijvoorbeeld sales, conversie, churn) kan beïnvloeden en welke acties nodig zijn om het beste resultaat te behalen bij veranderende omstandigheden. AI stelt je in staat om in de toekomst te kijken en uitgebreide scenario’s te maken, ook als tussentijds de context verandert.
Wezenlijk onderdeel van een propositie. Een bedrijf ontwikkelt een geavanceerde oplossing waarbij AI helpt bij betere dienstverlening aan je klanten. Dan is AI een fundamenteel onderdeel van je service en propositie.
Efficiencyslag. Er zijn veel repeterende en arbeidsintensieve taken die tijd en geld kosten. AI stelt je in staat om die taken te automatiseren. Denk aan het automatisch invoeren van gegevens of handelingen die foutgevoelig zijn.
Datamanagement. Een bedrijf heeft veel verschillende databronnen die met elkaar in verbinding staan. AI is dan een geschikte methode om überhaupt de data te kunnen ontsluiten. Een voorbeeld is een relatief nieuwe AI-techniek, Computer Vision, die foto’s kan ‘lezen’ en op basis van beelden data kan opslaan en verwerken. Beelden worden letterlijk vertaald naar nullen en enen. Voorbeeld: met een foto van de achterkant van je TV kan de fabrikant zien welk type snoertje je nodig hebt. Vervolgens kun je de informatie opslaan voor inzichten op een later moment.
‘Er is een risico dat het algoritme niet meer uitlegbaar is en moeilijker te verantwoorden’
Uitlegbaar
Omdat het model zelflerend is, kan dat een eigen leven gaan leiden. Het model optimaliseert op observaties en verbetert zich in de tijd. Daardoor verliezen wij als mens de controle op machines. Het risico kan ontstaan dat het algoritme niet meer uitlegbaar is en moeilijker te verantwoorden. Het is daarom van belang dat de focus niet alleen ligt op de juiste toepassing maar ook op de verantwoording. Het bekendste voorbeeld is (helaas) de toeslagenaffaire waarbij algoritmes een te dominante rol hebben gekregen in het besluitvormingsproces. De werking en toegevoegde waarde van AI moet je zowel aan klanten als je medewerkers kunnen uitleggen.
Blue Field Agency is Kennispartner van Daily Data Bytes