Data-expert worden in één dag, kan dat?

Kies het juiste algoritme bij de vraag

De wiskundige formules die ten grondslag liggen aan machine learning zijn niet nieuw – ze komen bekend voor als je ooit een cursus statistiek deed. Algoritmes worden vaak over één kam geschoren maar er zijn verschillende smaken. Welke de beste is, hangt af van de vraag die je wilt beantwoorden. Wil je weten hoe geënquêteerde klanten over je product denken? Wil je weten of iemand klant zal blijven? Of wil je weten wat er op Twitter over je bedrijf gezegd wordt?

We leren drie verschillende soorten voorspellende algoritmes toepassen – trucs om het gedrag van klanten goed te interpreteren en er de juiste reclame of vervolgactie op los te laten. Meer past er niet in de stoomcursus.

Met supervised learning zoeken we naar een model dat klantengedrag voorspelt. Hoeveel iemand gaat kopen bijvoorbeeld, of hoe groot de kans is dat diegene nog eens terugkomt. Het eerste algoritme, het zogeheten ‘lineaire regressie-algoritme’, probeert de beste match te vinden tussen de eigenschappen van een klant en zijn vermoedelijke toekomstige koopgedrag. Het ‘random forest-algoritme’ deelt een verzameling variabelen op in verschillende ‘beslissingsbomen’ en voegt dan de belangrijkste eigenschappen weer samen.

Bij unsupervised learning probeert het algoritme patronen te vinden in alle eigenschappen van gebruikers. Door mensen op te delen in groepen, bijvoorbeeld op basis van postcode of met welk apparaat zij de site bezoeken, kun je je klanten beter bedienen. Als je weet welke klanten waarschijnlijk het meest zullen spenderen op je site, kun je de beschikbare middelen efficiënter inzetten.

Een ander middel dat je als marketeer kunt gebruiken is een ‘neuraal netwerk’. Dit algoritme kan objecten of eigenschappen herkennen in een plaatje door pixel voor pixel de terugkerende patronen te registeren. Leg je meerdere lagen van dat proces op elkaar dan krijg je een deep neural network.

Een neuraal netwerk kun je in de praktijk bijvoorbeeld gebruiken om te kijken welke kleuren of patronen in de mode zijn. „Zo kun je in korte tijd een mini-expert worden”, zegt een van de docenten. Om het algoritme te trainen, voeden we het een paar honderd plaatjes van modeshows. Twee, drie klikken in Orange 3 (open bron software, gratis te downloaden) en de eerste berekeningen lopen. Terwijl de computer de dataset ‘catwalk’ laadt, bouwen we een ‘flow’. 765 plaatjes worden geanalyseerd door een neural network dat op een server draait – je hebt er geen zware pc voor nodig.

Elke pixel in elk plaatje wordt omgezet in een cijfer. Uiteindelijk levert dat een lijst met ruim tweeduizend verschillende eigenschappen over kleur, vorm en details op. Als je de plaatjes groepeert op basis van hun overeenkomsten valt er iets op. Een paar ontwerpen van Valentino lijken veel op die van Cédric Charlier – hetzelfde motiefje, zegt de computer.

De klas knikt, de leraar is tevreden: „We wisten niets van mode, nu zijn we in één klap expert geworden.”

Beoordeel welk algoritme het beste scoort

In het goede geval helpen wiskundige modellen je de werkelijkheid enigszins te doorgronden. In het slechte geval zetten ze je juist op het verkeerde been. Maar hoe weet je welke modellen goed scoren en je kunnen helpen? Dit kun je bepalen door de dataset met klantgegevens op te splitsen in twee delen: 70 procent van de data dient om het algoritme te trainen en patronen te vinden. De overige 30 procent gebruik je voor het ‘blind’ testen van de modellen. Gaat een webbezoeker een blauw of een rood shirt kopen op basis van de data die je over hem hebt? Het aantal keren dat je dat juist voorspelt op basis van een model, bepaalt de score.

Maar die score zegt niet alles. Er is verschil tussen hoge precisie (het juiste percentage mensen dat een bepaalde aankoop doet) en een hoge trefkans (zijn de klanten die kochten wel de mensen van wie je dat voorspeld had, of zaten er veel ‘valse negatieven’ tussen?).

Onthoud maar dat een hogere waarde beter is en dat het tussen 0 en 1 in moeten zitten, zeggen de leraren. Welke score je het zwaarst laat tellen hangt van je doel af. Bij een zwangerschapstest wil je bijvoorbeeld met name het aantal valse negatieven minimaliseren: mensen die wél zwanger zijn maar waarvan de test beweert dat ze het niet zijn.

Kijk uit voor statistische instinkers

We zijn op zoek naar correlaties in gedrag uit het verleden, om een betere voorspelling te kunnen doen over gedrag in de toekomst. Welke bezoekers van je site kochten een blauw overhemd? Wie zullen dat gaan doen? Wanneer kiezen ze toch een rode? Maar, waarschuwt Bernardo Nunes, er is nooit een causaal verband. „Correlaties zijn een bijproduct van machine learning, een hulpmiddel om betere hypotheses te creëren tijdens je experimenten.” Dit is een klassieke instinker in de statistiek: een correlatie tussen het aantal ooievaars in een regio en het aantal geboren kinderen wil niet zeggen dat het één direct gevolg is van het ander.

Een algoritme geeft een weergave van wat er in de geschiedenis is gebeurd en projecteert dat op de toekomst, met een zekere waarschijnlijkheid. Dat het algoritme vaak gelijk krijgt, bijvoorbeeld als je een website bezoekt, betekent dat we minder uniek en gemakkelijker beïnvloedbaar zijn dan we denken. En dat een website ons op een adequate manier weet te sturen.

Leer je klanten kennen

Welke algoritmes je ook gebruikt, de kwaliteit van je voorspellingen hangt altijd af van de data waarmee je je modellen voedt. Vandaar dat vrijwel elke winkel of dienstaanbieder klanten bombardeert met enquêtes en waarderingsformulieren. Door overeenkomsten te vinden tussen klanten die dezelfde producten interessant vonden, kun je betere aanbevelingen doen.

Booking.com gebruikt deze methode om overeenkomsten te vinden tussen de steden die mensen bezoeken. Uit A/B tests (de helft van de doelgroep krijgt een nieuwsbrief op maat, de andere helft een gewone) blijkt dat het werkt. Reacties op fora of op Twitter kunnen ook gebruikt worden om een beeld te krijgen van hoe mensen over je denken, demonstreren de docenten. We gaan aan de slag met algoritmes om sentimenten in teksten te vinden. Die tekstanalyse kun je tevens loslaten op je eigen enquêtes.

Probeer het karakter van je klant te doorgronden, luidt het devies. Niet met een muur vol post-its en lange brainstormsessies, maar met data. Leraar David noemt het voorbeeld van het Britse databedrijf Cambridge Analytica, dat een database bouwde met correlaties tussen persoonlijkheidsprofielen en Facebook-likes, informatie die gedeeld werd met het campagneteam van Trump. Met de data zouden ze het kiesgedrag van de Amerikaanse burgers beïnvloed hebben. „Als burger vind ik zoiets verschrikkelijk, maar als marketeer zeg ik: ik wou dat ik het zelf kon gebruiken.”