Hoe kan een bedrijf een like op social media omzetten in een verkooptransactie? Of nog beter, in een trouwe klant? AI krijgt momenteel alle aandacht, toch is het antwoord niet zo spannend als dat. Het antwoord achter dit succes is namelijk: data.
Stel, je bent werkzaam in een internationale retailketen met fysieke winkels, een webshop en shops op social media. Een klant die vaak in een van je fysieke winkels koopt, liked op Instagram een nieuw product. Als reactie op deze ‘vind-ik-leuk’ stuurt een autonome assistent direct een persoonlijke kortingscode naar deze shopper om een duwtje richting de volgende stap te geven.
De assistent stuurt een link naar je website, waar de consument terechtkomt op een speciale pagina, afgestemd op alles wat je al over diegene weet. Je webshopbezoeker krijgt daardoor de indruk dat je alleen maar dingen verkoopt die hij of zij leuk vindt, in de juiste maat en voor de juiste prijs. Een tijdje na de verkoop vraagt de autonome assistent of het artikel goed bevalt en biedt nog korting aan op aanvullende producten. Deze nieuwe klant voelt zich een echte VIP.
AI speelt een steeds grotere rol in de shopping journey, van het genereren van automatische berichten tot het maken van gepersonaliseerde shoppingpagina’s. Of wat dacht je van het volledig verzorgen van de aftersales? Toch is het geen speciaal getraind LLM (Large Language Model) met eindeloze hoeveelheden parameters dat dit soort speciale digitale omgevingen mogelijk maakt. Nee, dat is een nieuw soort dataplatform waar alle data samenkomen en alle datapunten met elkaar worden verbonden.
Zonder die verbanden zou je niet veel aan AI hebben. Sterker nog, in 2025 zal 30% van alle generatieve AI-projecten worden beëindigd vanwege de slechte datakwaliteit.
AI en data: onontbeerlijk voor next-level customer experiences
AI heeft data nodig. Véél data. Behoorlijk wat bedrijven denken dat het voldoende is om hun eigen LLM te trainen met hun eigen data en dat ze dan een AI-model hebben dat alles weet over hun bedrijf en hun klanten.
Maar het trainen van LLM’s kost veel geld en tijd. Bovendien vereist het gespecialiseerde expertise. Voor de meeste bedrijven is die optie niet haalbaar. Daarnaast heeft een LLM, in tegenstelling tot een database, geen mogelijkheden om de toegangsrechten tot de data te beheren. Tot slot moet je het model ook nog zien te integreren in al je apps en systemen.
Zelfs als het zou lukken om je eigen LLM te trainen, dan zou dat maar voor een korte tijd 100% nauwkeurig zijn. Zo’n model weet immers alleen wat je er als laatste in gestopt hebt. Elke keer dat bijvoorbeeld een klantenrecord wordt bijgewerkt, is het LLM weer een beetje minder up-to-date.
Leessuggesties
Een beter plan is om een voorgetraind LLM te koppelen aan een dataplatform dat data uit meerdere systemen haalt en bundelt, ongeacht de bron van de data of het type data. Als je AI relevante, realtime data verstrekt, is de output nauwkeurig en kun je snel belangrijke patronen signaleren.
Kijk maar eens naar het eerdergenoemde voorbeeld. Onze shopper reageerde eerst op een social media post en had daarna pas contact met een autonome assistent voor meer informatie. Los van elkaar stellen deze twee interacties misschien niet zoveel voor, maar samen vormen ze een duidelijk signaal voor koopintentie. Als je dat vertaalt naar de dagelijkse praktijk, vinden er voor een merk elke dag honderden of misschien wel duizenden van dit soort interacties plaats. Het is niet moeilijk om je een toekomst voor te stellen waarin AI-assistenten en verkopers samen veelbelovende opportunities vinden of samen bepalen hoe ze een servicecase oplossen of de verkoop kunnen verhogen.
Deze toekomst ligt niet alleen voor B2C-retail in het verschiet. In de gezondheidszorg kunnen autonome assistenten controleren waar nieuwe patiënten precies voor verzekerd zijn, gegevens over patiënten verzamelen (zoals verzekeringen en medicijnen) en daar snel een samenvatting van maken. De zakelijke toepassingen zijn oneindig en lopen uiteen van de gezondheidszorg tot de financiële dienstverlening en van de maakindustrie tot life sciences.
Hoe metadata elke klantinteractie aanscherpt
AI krijgt deze mooie dingen natuurlijk alleen maar voor elkaar als het de juiste data kan vinden. Daar komen metadata om de hoek kijken. Metadata zijn net etiketten: je kunt er onder meer aan zien wanneer een bestand is aangemaakt of bewerkt en door wie.
Metadata beschrijven en ordenen data, waardoor ze makkelijker terug te vinden en te gebruiken zijn. Zo kan AI de benodigde informatie ophalen om een gepersonaliseerd klantbericht te maken of een lijst genereren met de meest veelbelovende prospects.
Door data en metadata op één platform te harmoniseren zetten bedrijven ruwe data om in iets waardevols. Dat levert scherpere AI-voorspellingen en meer nauwkeurige en gepersonaliseerde output op. Op zo’n centraal platform kunnen data met elkaar worden gecombineerd op een manier die met datasilo’s onmogelijk zou zijn.
Dankzij data is AI geen giswerk meer
Zonder een platform waarop alle data wordt geordend en beheerd, kun je eigenlijk niet veel van AI verwachten. Zo’n dataplatform is de fundering van een slagvaardig en proactief bedrijf dat op veranderingen anticipeert, kansen met beide handen aangrijpt en weet wat klanten willen. Deze mate van precisie zorgt voor betere klantbelevingen en daarmee voor trouwere klanten.
Goede data zijn dus dé succesfactor voor AI. Maar hoe kom je daaraan? In deze Gids voor datastrategie staan onze best practices om het commerciële- en het datateam met elkaar te laten samenwerken. Ook leggen we uit welke tools onmisbaar zijn om verborgen inzichten boven tafel te krijgen.
Kortom, een dataplatform is essentieel om een like op Instagram om te zetten in een verkooptransactie. Het is de plek waar je hele organisatie in dienst van de klant bij elkaar komt voor een betere klantbeleving, meer groei en nieuwe kansen.
