In een webshop is het een komen en gaan van producten. En vooral de producten die komen blijken vaak een uitdaging. Want: nieuwe producten komen niet zomaar online. Er is iemand – of soms zelfs een heel team – die deze tijdsintensieve en foutgevoelige taak van dit onboarden op zich neemt.
Het onboarden van nieuwe artikelen is een typisch handmatige routineklus met de bijbehorende risico’s: het is foutgevoelig en wordt vaak als saai ervaren door werknemers.
Een belangrijk onderdeel van het onboarden van nieuwe producten is het classificeren ervan. Hiervoor moeten medewerkers vaak informatie uit verschillende brondocumenten halen. Bij een distributeur van schoolboeken komen bijvoorbeeld nieuwe lesmethodes binnen via CSV- en Excelbestanden. Vervolgens moeten alle nieuwe methodes ingeladen en geclassificeerd worden in het systeem. Is het een wiskunde of een aardrijkskunde boek? Welk leerjaar? Welk niveau? Welke voertaal? Dit geldt niet alleen voor fysieke content, maar ook voor digitaal lesmateriaal als Youtube filmpjes. Je kunt je voorstellen dat zoiets classificeren best arbeidsintensief en foutgevoelig is.
Het automatisch onboarden van producten met AI en machine learning kan dit proces een stuk efficiënter maken. Maar hoe werkt het in de praktijk? Machine learning is, zoals de naam al doet vermoeden, een leerproces. Een algoritme moet eerst getraind worden om uiteindelijk zelfstandig de juiste keuzes te kunnen maken. Wanneer je bijvoorbeeld een machine learning model wilt leren of een kleding-item rood is, zul je zowel goede, als foute scenario’s moeten trainen. Met name ook de foutscenario’s zijn belangrijk om de correctheid en afbakening van de goed-scenario’s te duiden.
In het voorbeeld van de distributeur moet het algoritme bijvoorbeeld leren herkennen welke kenmerken bij welke lesstof hoort. Denk aan het woord Pythagoras; over het algemeen tref je dit woord vooral aan in de wiskunde. Je leert een algoritme dat dit woord past bij het vak wiskunde. Daarnaast zou je het model ook kunnen trainen om te leren dat het leerjaar 1 betreft. Wanneer je je model getraind hebt met classificaties als vak en leerjaar, kun je dit model vervolgens gebruiken om geautomatiseerd de mate van aanwezigheid van deze classificaties uit plaatjes en tekst te vergaren. Gegeven een willekeurig plaatje en tekst als invoer, zal het model voor deze invoer een voorspelling doen van de classificaties inclusief een waarschijnlijkheidspercentage (fuzzy logic).
Een machine learning model is dus niet meteen up and running en moet net zoals medewerkers ook ingewerkt worden. Het trainen van een Machine Learning gebeurt aan de hand van voorbeeldgevallen, ook wel de training datasource genoemd en handmatige training. Hierbij wordt niet alleen gekeken naar goedscenario’s, maar juist ook naar foutscenario’s. Als je bijvoorbeeld wil dat een algoritme de kleur rood leert herkennen, dan is het belangrijk dat je het model niet alleen rode objecten geeft om te trainen, maar ook gele, groene en roze objecten. Net zoals mensen, leert een algoritme het meeste van zijn fouten.
Eenmaal goed getraind, is het model vaak sneller en na verloop van tijd ook zeker betrouwbaarder dan mensen. Een algoritme is namelijk nooit moe, ziek, afgeleid of verveeld. Daarnaast zorgt een geautomatiseerd onboardingsproces ervoor dat je sneller nieuwe producten kunt onboarden en sneller kunt inspelen op trends, zodat je in de toekomst een exponentiële groei van aangeboden producten kunt ondersteunen.
Een ander voordeel van een geautomatiseerd onboardingsproces is het onderscheiden en toevoegen van veel meer classificaties. Hierdoor weet je meer van een product dat je verkoopt, waardoor je nog betere suggesties kunt doen aan bezoekers in je webshop. Daarnaast kun je meer eigenschappen implementeren waarop een consument kan filteren, zoals: ‘naadloos’ of ‘duurzaam’. Er bestaat bijvoorbeeld een online webshop met kleding voor autisten die minder prikkels geven, zoals naadloze sokken. Misschien heb je ook wel naadloze sokken in je assortiment, maar zijn deze niet zodanig herkenbaar. Door een betere herkenbaarheid van producteigenschappen, kun je een relevanter aanbod realiseren voor de uiteenlopende behoeften van verschillende consumenten.
In de toekomst wordt uitgebreide classificering alleen nog maar belangrijker, aangezien personalisatie steeds verder doorgevoerd wordt. Retailers weten steeds beter waar de consument naar opzoek is, op het moment dat deze de webshop betreedt door uitgebreide user profilering. Dan wil je natuurlijk ook zeker weten dat je het juiste product highlight. En ook bij dat proces, het juiste product bij de consument voorstellen, kan machine learning helpen.
Retail is een van de branches waar AI goed zichtbaar is. Denk bijvoorbeeld aan een gepersonaliseerd kortingsaanbod in de supermarkt of slimme spiegels die je helpen met de juiste maat kiezen in kledingwinkels. We spraken met Niels Naglé, Chapter Lead Data & AI bij Info Support.
Download whitepaper
https://www.infosupport.com/lp/van-experiment-naar-enterprise/