Hoe de 4 soorten machine learning in CRM worden gebruikt

Machine learning wordt op 4 verschillende manieren ingezet voor CRM. Je kunt hier lezen hoe.

Of het nu in de vorm van chatbots is of bij het vroeg opsporen van gevaarlijke ziekten: kunstmatige intelligentie is te vinden op veel gebieden van ons dagelijks leven. Er is veel ontwikkeling geweest sinds kunstmatige intelligentie in 1956 voor het eerst tot eigen specialiteit werd verklaard.

Enerzijds komt dit door golven van optimisme over het onbenutte potentieel van kunstmatige intelligentie, die voortdurend onderzoek op dit gebied aansturen. Het was dus verbazingwekkend toen in de Tweede Wereldoorlog werd erkend dat kunstmatige intelligentie niet alleen nuttig was - het had ook het potentieel om levens te redden.

Aan de andere kant was zo'n ontwikkeling alleen mogelijk omdat kunstmatige intelligentie een zeer essentieel vermogen heeft: het kan leren. Om deze reden willen we het onderwerp machine learning nader bekijken en ontdekken op welke gebieden van klantrelatiebeheer het tegenwoordig wordt gebruikt.

Inhoud

1 - Supervised Machine Learning - begeleid leren
2 - Unsupervised Machine Learning - onbegeleid leren
3 - Semi-supervised machine learning - semi-begeleid leren
4 - Reinforcement learning - versterkend leren
Deep learning
Conclusie: Machine Learning opent nieuwe deuren voor CRM

De eerste vraag die beantwoord moet worden is echter hoe kunstmatige intelligentie daadwerkelijk leert. In feite wordt er onderscheid gemaakt tussen verschillende algoritmische benaderingen op het gebied van machine learning.

1 - Supervised Machine Learning - begeleid leren

Begeleid machine learning wordt ook wel supervised learning genoemd. Bij begeleid leren leert het algoritme een functie van gegeven invoer- en uitvoervariabelen. Met andere woorden, de zogenaamde 'basiswaarheid' is al aan het begin van het leerproces bekend.

Het uiteindelijke doel is om het model te voorzien van onbekende data. Het systeem levert vervolgens het resultaat op basis van het gemaakte model.

Bij begeleid leren vindt de training plaats door middel van feedback. Het door het systeem bepaalde resultaat wordt beoordeeld op juistheid. Vervolgens wordt deze feedback naar het systeem gecommuniceerd waardoor het leert op het principe van lof en straf.

Automatische classificatie

Automatische classificatie is een deelgebied van begeleid leren. Als onderdeel van een automatische classificatie gebeurt de classificatie - zoals de naam al doet vermoeden - met behulp van een automatisch proces door software. Beslissingen in nieuwe situaties worden genomen op basis van reeds geleerde structuren.

Begeleid leren in het dagelijks leven

De toepassingsgebieden voor begeleid leren zijn zeer divers. Begeleid leren wordt tegenwoordig gebruikt, vooral op het gebied van medische diagnostische procedures - zoals de diagnose van kanker. In feite zijn er veel andere toepassingsgebieden zoals bij:
    • het detecteren van spamberichten
    • het analyseren van de huidige beurs of
    • het leren van verkeersregels voor autonoom rijden.

Begeleid leren in CRM: chatbots

In de CRM-omgeving zijn chatbots waarschijnlijk het bekendste voorbeeld van begeleid leren in actie. Chatbots zijn in feite digitale assistenten waarmee (potentiële) klanten kunnen communiceren. Deze interactie vindt plaats via tekst, het gesproken woord of een combinatie van beide.

Chatbots kunnen verzoeken in realtime verwerken en bijbehorende antwoorden geven. Ze nemen
dus een fractie van de tijd in beslag die een menselijke arbeider nodig zou hebben om hetzelfde te doen. Chatbots kunnen ook nog eens meerdere inkomende verzoeken tegelijkertijd beantwoorden.

Chatbots geen vervanging voor werknemers

Een menselijke medewerker van de klantenservice zou daarentegen veel tijd moeten investeren om het ene verzoek na het andere te verwerken. Dit betekent niet dat begeleid leren in het CRM werknemers zou moeten vervangen. Functies zouden eerder bestaande werknemers moeten ondersteunen en hen moeten ontlasten van eenvoudige taken.

Gecontroleerd leren in CRM: klantsegmentatie

Een andere typische toepassing in de CRM-omgeving is te vinden in marketing. Moderne, op AI gebaseerde CRM-systemen maken gebruik van begeleid leren om klanten te segmenteren volgens bepaalde criteria.

Op basis van deze resultaten zijn marketingmedewerkers in staat om meer gerichte campagnes te lanceren en zo klanten beter te bereiken.

2 - Unsupervised Machine Learning - onbegeleid leren

Machinaal leren zonder toezicht wordt aangeduid als leren zonder toezicht. In tegenstelling tot begeleid leren is de zogenaamde 'basiswaarheid' - dat wil zeggen de streefwaarden - niet bekend. Met andere woorden, het zijn onbekende, niet-geclassificeerde gegevens. Bovendien vervalt de beloning die wordt gebruikt bij begeleid leren.

Het systeem verdeelt de inputgegevens in categorieën of clusters op basis van hun kenmerken. Het weet echter niet welke categorieën moeten worden gebruikt of onder welk label ze vallen, aangezien de categorieën niet vooraf zijn gedefinieerd of geclassificeerd.

Deze methode wordt daarom gebruikt als er geen classificaties kunnen worden gemaakt omdat ze nog niet bekend zijn. 

Leren zonder toezicht wordt daarom ook wel "zelfleren" genoemd. Er zijn twee basistypen van leren zonder toezicht:
    • Het clusterproces
    • De transformatie van records.

Het clusterproces

Als onderdeel van het clusterproces worden gegevensrecords verdeeld in afzonderlijke groepen met vergelijkbare elementen. Het systeem herkent voorheen onbekende, gemeenschappelijke kenmerken binnen het gegevensrecord en verdeelt de gegevens in groepen op basis van hun gemeenschappelijke kenmerken.

De transformatie van gegevensrecords

In het kader van een transformatie zonder toezicht worden daarentegen algoritmen gebruikt die een nieuwe weergave van de gegevens genereren. De nieuwe weergave is voor mensen en andere leeralgoritmen gemakkelijker te begrijpen dan de oorspronkelijke weergave.

De transformatie zonder toezicht wordt voornamelijk gebruikt op het gebied van dimensionale reductie. Hier wordt een samengevatte weergave met een kleiner aantal centrale kenmerken bepaald uit een grotere weergave of weergave met veel kenmerken.

Dit gebeurt bijvoorbeeld wanneer oorspronkelijk uiterst complexe informatie in twee dimensies wordt weergegeven. Hoewel sommige functies verloren zijn gegaan, blijven de centrale functies behouden en kan de gepresenteerde informatie snel worden verwerkt vanwege het gebrek aan complexiteit.

Het gebruik van leren zonder toezicht in CRM

De transformatie zonder toezicht wordt vaak gebruikt in de CRM-omgeving om teksten te analyseren. Het is belangrijk om onbekende, veelvoorkomende onderwerpen uit een aantal teksten te identificeren.

In de CRM-omgeving kan dit ook verwijzen naar de herkenning van veelvoorkomende onderwerpen in klantrecensies. Moderne CRM-functies kunnen ook activiteiten van sociale netwerken en platforms opnemen in de evaluatie.

Ongecontroleerd leren in CRM: opportunitybeheer

Op deze manier kunnen bijvoorbeeld opkomende klantverzoeken worden geïdentificeerd. Als een grote groep aangeeft dat zij een klimaatvriendelijkere versie van product X wil, kan het zeer winstgevend blijken om passende stappen te nemen voor de ontwikkeling van een dergelijk product.

Mogelijkheden kunnen snel worden geïdentificeerd en geïmplementeerd met behulp van leren zonder toezicht. Op de lange termijn kunnen overeenkomstige CRM-functies een bedrijf helpen om een ​​beslissend concurrentievoordeel op te bouwen.

Ongecontroleerd leren in CRM: problemen snel identificeren

Hetzelfde principe is van toepassing op negatieve ontwikkelingen. Zo is het mogelijk dat klanten steeds meer ontevreden zijn over een specifiek aspect van het bedrijf of een bepaald product.

Passende feedback kan via alle kanalen worden geëvalueerd door onbewaakt leren. Op deze manier kunnen potentiële problemen snel worden geïdentificeerd en gecorrigeerd voordat de bijbehorende kritiek zich verspreidt via sociale netwerken en het bedrijf in diskrediet raakt.

3 - Semi-supervised machine learning - semi-begeleid learning

Semi-begeleid leren is een mix van begeleid en niet-begeleid leren en gaat in zekere zin over het combineren van het beste van beide benaderingen.

Begeleid leren levert doorgaans nauwkeurigere resultaten op op basis van bekende, vooraf gedefinieerde trainingsgegevens - het wordt echter ook besteed aan een overeenkomstige hoeveelheid werk en is over het algemeen ook dienovereenkomstig duur.

Leren zonder toezicht betekent minder inspanning omdat het geautomatiseerd is. De resultaten zijn echter meestal minder nauwkeurig.

Semi-begeleid leren moet de nauwkeurigheid van de resultaten van leren onder begeleiding combineren met de geringe inspanning van leren zonder toezicht.

De methodiek is vergelijkbaar met die van clustering. Eerst worden enkele bekende invoergegevens gecombineerd met bekende uitvoergegevens. De rest van de gegevens is echter niet geclassificeerd. Het doel is nu om ook de niet-geclassificeerde gegevens te labelen.

Hiervoor zijn ze onderverdeeld in clusters. Binnen één datacluster kunnen de ongemarkeerde gegevens vervolgens het label krijgen dat de geclassificeerde gegevens van het cluster hebben.
Semi-gecontroleerde machine learning wordt voornamelijk gebruikt als er te veel gegevens (variaties) zijn.

4 - Reinforcement learning - versterkend leren

Naast begeleid en onbewaakt leren, is het versterkd leren een van de drie meest fundamentele leermethoden van machine learning.

Bij het versterkd leren worden beloningen relevanter. Het systeem genereert oplossingen met vallen en opstaan. Hierdoor zijn er geen eerdere gegevens nodig, zoals bij de andere leermethodes wel het geval is. Het systeem of de 'agent' krijgt slechts een repertoire van acties waarmee het de toestand van zijn omgeving kan veranderen.

Versterkd leren heeft als voordeel dat oplossingen voor complexe vragen kunnen worden gevonden zonder voorafgaande menselijke kennis. Daarom kan versterkend leren in principe worden gebruikt voor een verscheidenheid aan intellectuele taken.

Toepassingsvoorbeelden van versterkend leren:
    • Alternatieve verkeerslichtregelaars om opstopping te minimaliseren
    • Dynamische prijzen om de winst te maximaliseren
    • Onafhankelijk leren van games.

Maar empowerment learning wordt ook gebruikt in de CRM-omgeving.

Empowering learning in CRM: customer care

In de CRM-omgeving kan het systeem de voorkeuren van klanten in detail leren kennen door het leren te versterken. Bij elke klantinteractie leert het systeem de voorkeuren een beetje beter kennen.
Dit kan bijvoorbeeld betrekking hebben op het taalgebruik van de klant. Op deze manier kan empowerend leren bijvoorbeeld worden gebruikt om chatbots persoonlijker te laten communiceren met corresponderende (potentiële) klanten.

De bot leert na verloop van tijd hoe de klant aangesproken wil worden. Dit verhoogt de klantloyaliteit enorm en zorgt voor een individuele klantervaring op maat.

Empowering learning in CRM: lead management

Hetzelfde principe kan ook worden toegepast op het gebied van lead management. Individuele afhandeling kan een cruciale factor zijn bij de aankoopbeslissing van een potentiële klant. Als bedrijven erin slagen om potentiële klanten beter te leren kennen door het leren te versterken en zo meer individuele ondersteuning te bieden, kunnen leads snel nieuwe klanten worden.
Empowering learning heeft daarom een ​​enorm potentieel op het gebied van CRM.

Deep learning

Deep learning is een speciale vorm van machine learning omdat informatie hier op een vergelijkbare manier wordt verwerkt als in het menselijk brein. Zogenaamde kunstmatige neurale netwerken - of kortweg KNN - worden gebruikt in deep learning. Deze bestaan ​​uit vele lagen kunstmatige neuronen. Naast de invoer- en uitvoerlagen zijn er een groot aantal tussenlagen.

Deze tussenlagen maken het mogelijk dat neuronen in de invoerlaag opnieuw worden verbonden met die in de uitvoerlaag. Hoe meer tussenlagen er zijn, hoe complexer de combinatiemogelijkheden zijn.

Begeleid, onbegeleid, semi-begeleid en versterkend leren zijn leermethoden waarmee kunstmatige neurale netwerken voor bepaalde ingangspatronen bijbehorende uitgangspatronen kunnen genereren.

Conclusie: machine learning opent nieuwe deuren voor CRM

Machine learning kan het beheer van klantrelaties aanzienlijk veranderen.

Er zijn voordelen op verschillende gebieden van CRM: Of het nu gaat om klantensegmentatie voor marketingdoeleinden of het maken van betrouwbare prognoses voor strategisch verantwoorde bedrijfsbeslissingen - machine learning en kunstmatige intelligentie openen volledig nieuwe mogelijkheden voor CRM.

Dit komt ook de werknemers ten goede, die worden ontlast door het gebruik van AI-ondersteunde functies en machine learning.