Een tweedelige analyse over het verschil tussen vraagsturing en aanbodsturing. Achtergrond analyses, randvoorwaarden en aanpak. De toekomst is bij vraagsturing, dit leidt tot hechtere klantcontacten betere inzet van middelen en efficiente bedrijfsvoering.

Een vraag gestuurde strategie en de toepassing van A I, artifical Intelligence
Prof Dr Cor Molenaar, Faran Butt Msc, Anne van Oort Msc

In een wereld die steeds meer gedigitaliseerd wordt, verandert het concurrentielandschap met het ontstaan ​​van nieuwe soorten bedrijven en businessmodellen (Molenaar, 2022). Volgens Bursa (2015) vindt er een verschuiving plaats van een aanbod gestuurde economie naar een vraag gestuurde economie. Waar Molenaar inzicht geeft in algemene vraag gestuurde strategieën, probeert dit artikel recentere marketingtools zoals personalisatie en maatwerk toe te passen op vraag gestuurde theorie. We theoretiseren dat de kenmerken van personalisatie- en aanpassingsstrategieën in marketing overeenkomen met die van een vraag gestuurde economie, waardoor ze mogelijk zeer effectieve hulpmiddelen zijn voor veel bedrijven die proberen over te schakelen van een aanbod gestuurde benadering naar een vraag gestuurde. Het toepassen van personalisatie en maatwerk binnen de vraag gestuurde theorie is een leemte in de literatuur die we met dit artikel zullen proberen op te vullen. Zo hebben we de volgende onderzoeksvraag geformuleerd:

Hoe zullen personalisatie en maatwerk presteren in een vraag gestuurde economie, en hoe kunnen AI-technologieën deze marketingstrategieën aansturen?

Dit document zal eerst aanbod gestuurde en vraag gestuurde benaderingen definiëren, de belangrijkste kenmerken van vraag gestuurde strategie benadrukken en zowel de voordelen als de nadelen van beide benaderingen onderzoeken. Daarna definiëren we AI en Machine Learning en bespreken we hun toepassing en voordelen in marketing intelligence. Vervolgens definiëren we personalisatie- en maatwerkstrategieën en vergelijken we hun kenmerken met die gedefinieerd in hoofdstuk twee over vraag gestuurde strategieën om te zien in welke mate ze overeenkomen. Vervolgens worden enkele voorbeelden van personalisatie en maatwerk in de praktijk gegeven. Ten slotte vormen we door theorie en praktijk samen te brengen een voorspelling waarmee we de onderzoeksvraag beantwoorden.

 

2. Vraag gestuurde economie

In het tijdperk van digitalisering proberen veel bedrijven het tempo van de technologische vooruitgang bij te houden. Waar sommige bedrijven nieuwe benaderingen hanteren, zoals een vraag gestuurde aanpak, houden veel bedrijven nog steeds vast aan traditionele aanbod gestuurde bedrijfsmodellen (Molenaar, 2022). Kijkend naar de geschiedenis van de mondiale economieën in de afgelopen 100 jaar, lijkt er een trend zichtbaar te zijn. Wat in de jaren vijftig tot in de jaren negentig begon als een marktevenwicht, veranderde van 1991 tot 2007 in een overaanbod (Kash & Calhoun, 2010). Van 2007 tot 2008 leden veel landen onder de financiële crisis en de economische recessie die daaruit voortvloeide. In 2010 begonnen de markten zich te stabiliseren en weer in evenwicht te komen, en digitale technologieën kwamen langzaam tot volwassenheid. Niettemin voorspellen onderzoekers nog steeds dat de winnaars die bedrijven zullen zijn die meer inzicht hebben in de winstgevende vraag dan hun concurrenten. Waar stabiele markten kostenefficiëntie bevorderen, bevorderen de dynamische markten vraag gestuurde strategieën. Uit het onderzoek van Molenaar (2022) blijkt dat competitieve landschappen aan het veranderen zijn. Met de opkomst van nieuwe technisch onderlegde start-ups en verstoringen die plaatsvinden in markten waarvan eerder werd gedacht dat ze stabiel zouden blijven. Een uitstekend voorbeeld hiervan is hoe het bedrijf Uber de taxi-industrie ontwrichtte (Pepić, 2018). Hun platform maakt ritten niet alleen goedkoper, maar ook transparanter en handiger, waardoor in wezen het traditionele model van taxidiensten wordt achterhaald. Om een ​​vraag gestuurd perspectief in te nemen, moeten we eerst definiëren wat een vraag gestuurde aanpak is en hoe deze verschilt van een traditioneel aanbod gestuurde aanpak. Dit gebeurt in de volgende paragrafen van dit hoofdstuk.

 

 

2.1. Aanbod gestuurde versus vraag gestuurde aanpak

Laten we eerst de traditionele aanbod gestuurde aanpak definiëren. Een toeleveringsketen omvat een reeks opeenvolgende verbonden productie- of distributie-entiteiten, en de keten vergemakkelijkt de stroom van informatie en materiaal tussen zijn leden (Cao et al., 2017). In een traditionele supply chain is het de leverancier die de stroom activeert, en de informatiestromen volgen dezelfde richting als het product (Hull, 2005). In de studie van Hull worden 4 kenmerken van de aanbod gestuurde aanpak geïdentificeerd.

• De eerste is, zoals hierboven vermeld, dat de toevoer de stroom activeert. De productie van goederen wacht niet op vraag van klanten.
• De tweede is dat, wanneer de vraag daalt, het aanbod dienovereenkomstig moet reageren. Bij deze benadering wordt het aanbod echter op hetzelfde niveau gehouden, zelfs als de vraag daalt, omdat het verantwoordelijk is voor het op volle kracht houden van de capaciteit.
• Het derde kenmerk is dat er een grote behoefte is bij bedrijven om het product te verkopen. Dit geldt met name voor de verkoop van het product op verschillende markten. Omdat de meeste producten echter op handelswaar lijken, kan dit leiden tot een overaanbod en vervolgens de prijs verlagen.
• Ten slotte spelen de consumenten een essentiële rol omdat ze de leverancier kunnen verstoren en een bullwhip-effect kunnen veroorzaken. Een bullwhip-effect is wanneer kleine rimpelingen in de vraag enorme problemen veroorzaken voor toeleveringsketens stroomafwaarts (Lee et al., 1997). Vervormde informatie van het ene uiteinde van de toeleveringsketen kan leiden tot buitensporige voorraadinvesteringen, misplaatste capaciteitsplannen en gemiste productieschema’s, naast vele andere inefficiënties. Om dit bullwhip-effect tegen te gaan, hebben traditionele supply chain-deelnemers manieren nodig om de vraag te reguleren en klanten tevreden te houden. Dit gebeurt meestal door, indien nodig, de prijzen aan te passen, maar dat heeft ook gevolgen voor de prestaties van alle betrokken partijen , (Hull, 2005).

Bij een vraag gestuurde aanpak vormen informatie en diensten de kern van het bedrijf, waarbij de behoeften en voorkeuren van de klant centraal staan ​​(Molenaar, 2022). Bedrijven moeten voortbouwen op wat hun klanten willen en nodig hebben in plaats van wat hun leveranciers bieden. Bedrijven moeten patronen herkennen en trends ontwikkelen om er beter en sneller op in te spelen dan hun concurrenten. Desalniettemin blijft de solide basis hetzelfde: verzamel zoveel mogelijk gegevens, begrijp uw klanten en zorg ervoor dat u uw klanten ondersteunt en tevreden stelt. Molenaar (2022) definieert een aantal belangrijke kenmerken van een vraag gestuurde toeleveringsketen:

 

• Door de enorme hoeveelheden data die worden verzameld, hebben bedrijven een geschikte technologie-infrastructuur nodig. Daarnaast moeten data worden verwerkt en omgezet in informatie die gedeeld kan worden met alle deelnemers in de keten om vraag en aanbod op elkaar af te stemmen.
• Aangezien de vraag van nature fluctueert, moeten bedrijven wendbaar zijn in hun aanpak. Daarom moeten ze hun toeleveringsketen heroverwegen en alle onderdelen verwijderen die de flexibiliteit van de toeleveringsketen belemmeren. Als een supply chain niet snel kan reageren op veranderingen in de vraag, kan een” demand chain” niet efficiënt worden gerealiseerd.
• Dit vereist ook dat alle partijen op één lijn zitten. De doelstellingen en prikkels moeten duidelijk zijn voor alle partijen in de toeleveringsketen.
• Om op één lijn en flexibel te blijven, moet er een partnerschap tot stand worden gebracht tussen alle partijen waar informatieoverdracht wordt aangemoedigd met als uiteindelijk doel om aan de behoeften van de klant te voldoen.
• Om gedrag te monitoren en geoptimaliseerde processen te implementeren, zijn algoritmen en machine learning-technieken nodig. Ze hebben niet alleen de rol van datatransformatie naar kennis waarop beslissingen kunnen worden genomen, maar ook een rol om de klantervaring te verbeteren. Deze technieken worden nader gedefinieerd en onderzocht in hoofdstuk 4.

 

In een traditionele supply chain hebben alle partijen gedeeltelijke controle over de supply chain, maar ook een gedeeltelijk begrip van de vraag omdat gedetailleerde informatie over de vraag meestal geheim wordt gehouden (Molenaar, 2022). Toch beïnvloeden ze elk de hele keten met onnauwkeurige voorspellingen. Dit veroorzaakt ofwel onderaanbod, waar er onvoldoende aanbod is om aan de vraag te voldoen, wat resulteert in verlies van inkomsten en potentiële winst, ofwel overaanbod, waar er te veel aanbod is, wat resulteert in hogere opslagkosten en lagere kosten en dus lagere marges voor alle betrokken partijen.

 

2.2. Kenmerken van een vraag gestuurde strategieën

Dit document voorspelt dat een vraag gestuurde economie de toekomst is waarin bedrijven zullen opereren. Bewijs is te vinden in het veranderende gedrag van consumenten. Traditionele bedrijven hebben te maken met problemen met hun klantenbestand, dat steeds ongeduldiger wordt, en hun eisen aan de vraag worden steeds hoger. Een rapport van McKinsey & Company (2019) laat zien dat dit ertoe leidt dat klanten stapsgewijs verschuiven naar bedrijven met goede digitale capaciteiten, waardoor pijplijnbedrijven zonder die capaciteiten het risico lopen hun klantenbestand te verliezen. Maar diezelfde bedrijven die de plank misslaan, zullen beweren dat ze een klantgerichte aanpak hanteren. Er is echter een verschil tussen klantgericht en vraag gestuurd. Met een klantgerichte benadering kunnen bedrijven nog producten produceren met de klant in gedachten, maar de interactie is nog steeds gebaseerd op aanbod (Molenaar, 2022). Bovendien zijn de communicatie en acties van het bedrijf gebaseerd op één klant. Dit in tegenstelling tot een vraag gestuurde aanpak die eerst en vooral de behoeften en voorkeuren van haar klanten beoordeelt door ze te clusteren via nieuwe technologieën zoals AI en machine learning. Clustering wordt gedefinieerd als het creëren van een groep mensen op basis van gedragskenmerken (Molenaar, 2022). Dit wordt steeds belangrijker naarmate de belangen van de consument verschuiven van het simpelweg kopen van een product naar een complete ervaring en de verwachting van goede service. Om de verschuiving in concurrerende omgevingen en klantgedrag aan te pakken, onderzoeken we welke criteria vraag gestuurde strategieën nodig hebben om succesvol te worden geïmplementeerd. Cecere (2011) heeft ontdekt dat vraag gestuurde bedrijfsstrategieën te onderscheiden zijn door de volgende vijf hoofdkenmerken:

1) Demand sensing is een belangrijk kenmerk van een vraag gestuurd bedrijfsmodel. Dit betekent het anticiperen op en correct reageren op fluctuaties in de vraag.

2) Om de winstgevendheid te maximaliseren, moeten bedrijven de vraag vormgeven door alle functionele afdelingen binnen hun bedrijf op elkaar af te stemmen. Met deze vraagorkestratie, afdelingen kunnen de vraag zo nodig faciliteren of vertragen (Cecere, 2011). Dit kan worden bereikt door marketingcampagnes, prijsbeheer of zelfs door oude en verouderde producten te verkopen.

3) Waardenetwerken worden ontworpen op basis van de vraagstroom. Kenmerken met betrekking tot de vraagstroom worden geanalyseerd en geïntegreerd in het ontwerp van het waardenetwerk. Als het netwerk een lage vraagvariabiliteit heeft, wat impliceert dat de vraag relatief stabiel blijft, moet het bedrijf zich richten op het minimaliseren van de kosten per eenheid om de efficiëntie te verhogen (Cecere, 2011). Als de vraag echter sterk varieert, bijvoorbeeld, vereisen industrieën met seizoensfluctuaties dat het netwerk wordt ontworpen met het oog op flexibiliteit. De supply chain moet flexibel en responsief zijn. Zeer lage kosten zijn een uitdaging om te bereiken en moeten worden opgeofferd voor het vermogen om snel te reageren. Kwaliteit, kosten en service moeten worden gehandhaafd voor alle vraagniveaus bij het ontwerpen voor wendbaarheid.

4) Wendbaarheid door vraagvertaling is het vierde kenmerk, dat betrekking heeft op de flexibiliteit van vraagbeïnvloeding. Door horizontale processen binnen het bedrijf te coördineren, kan het de vraag voelen en vormgeven, wat zou moeten leiden tot maximale winstgevendheid.

5) Ten slotte moet het resultaat de focus zijn van vraag gestuurde bedrijven. Het gaat niet om verkopen aan een kanaal, maar om verkopen via het kanaal. Bovendien kunnen bedrijven, in plaats van een productgerichte focus, ook verschuiven naar een waardegerichte focus, waarbij het leveren van uitstekende service belangrijker wordt. Vraag gestuurde organisaties hebben klantgegevens en analyses centraal staan. Dit is geen optioneel, maar een integraal onderdeel van hun werking.

 

2.3. Voor- en nadelen van een aanbod- versus vraag gestuurde aanpak

In deze sectie zullen we de voordelen en de nadelen van beide benaderingen belichten. Hoewel dit geen volledige lijst is, merken we dat het de benaderingen in de toekomst meer in perspectief plaatst. In een traditionele supply chain hebben alle partijen gedeeltelijke controle over de supply chain, maar ook een gedeeltelijk begrip van de vraag omdat gedetailleerde informatie over de vraag meestal geheim wordt gehouden (Molenaar, 2022). Toch beïnvloeden ze elk de hele keten met onnauwkeurige voorspellingen. Dit veroorzaakt ofwel onderaanbod, waar er onvoldoende aanbod is om aan de vraag te voldoen, wat resulteert in verlies van inkomsten en potentiële winst, of overaanbod, waar er te veel aanbod is, wat resulteert in hogere opslagkosten en lagere kosten en dus lagere marges voor alle betrokken partijen. Als bedrijven kiezen voor de klassieke bedrijfsstructuur kan competitief voordeel verloren gaan naarmate we meer naar een vraag gestuurde economie gaan (Molenaar, 2022). Prijzen zullen niet langer het belangrijkste probleem zijn voor verkoop vanwege een verandering in klantvoorkeuren of serviceniveaus, die bedrijven niet snel genoeg bijbenen. De concurrentie zal toenemen doordat internet de toetredingsdrempels voor verschillende industrieën verlaagt. Om nog maar te zwijgen van het feit dat de nieuwe concurrenten over het algemeen beter uitgerust zijn op het gebied van wendbaarheid door het gebruik van nieuwe technologie met een schone lei (er hoeven geen oude systemen te worden vervangen). Hoewel uit deze argumenten blijkt dat aanbod gedreven bedrijven gedoemd zijn te mislukken en te stoppen met bestaan, is dit misschien niet waar. Hoewel de toekomst vraag gestuurd lijkt, produceren de schaal- en reikwijdtevoordelen die worden bereikt superkostenefficiënte toeleveringsketens of door verticale integratie uiterst betaalbare goederen. Het spreekt vanzelf dat zolang er een ongelijke inkomensverdeling in landen is, wat betekent dat naast de middenklasse zowel arme als rijke mensen bestaan, de vraag naar extreem goedkope goederen en budgetmerken zal blijven bestaan. Dat is iets waar aanbod gedreven bedrijven in kunnen voorzien en waarschijnlijk ook in de toekomst zullen blijven doen. Bij een vraag gestuurde benadering is het de vraag die de productiestroom activeert. In een vraag gestuurde toeleveringsketen wordt een systeem van gecoördineerde technologieën en processen gebruikt om vraagsignalen in het hele netwerk van klanten te detecteren en in” realtime” te reageren, leveranciers en medewerkers (Budd et al., 2012).

 

Daarnaast hebben vraag gestuurde economieën een focus op het minimaliseren van voorraden (Molenaar, 2022). Hierdoor komen producten en diensten pas in de toeleveringsketen als de vraag er al is. Dit bespaart op zijn beurt kosten op voorraad en opslag. Een vraag gestuurde aanpak zorgt ervoor dat klanten zich gehoord voelen, hun wensen worden vervuld, hun behoeften en wensen op de juiste manier worden behandeld en problemen op een bevredigende manier worden opgelost. Bedrijven profiteren doordat ze hogere, maar eerlijke prijzen kunnen vragen, wat resulteert in hogere marges (Molenaar, 2022). Vanwege de afhankelijkheid van grote hoeveelheden klantgegevens kunnen echter ethische vragen worden gesteld over de juiste toepassing en beveiliging van die gegevens. Zijn de gegevens vrijwillig van klanten verkregen, of is dit gedaan zonder dat klanten het door hebben? Als het laatste het geval is, wijst de politieke horizon erop dat bedrijven in de toekomst in een of andere vorm aan beperkingen zullen worden onderworpen. Een voorbeeld is de nieuwe Algemene Verordening Gegevensbescherming (AVG) om het grote publiek te beschermen tegen bedrijven en andere entiteiten die vrijelijk gegevens misbruiken (Wolford, 2022). Als regelgevers meer wetten invoeren, kunnen deze beperkingen van invloed zijn op de beslissingen van een bedrijf om vraag gestuurd te zijn of op de waarde die bedrijven kunnen halen uit de gegevens die ze mogen verwerven. Al met al lijkt het erop dat in termen van consumentensurplus en producentensurplus alle partijen lijken te winnen met een vraag gestuurde strategie.

 

3. AI en machinaal leren

 

3.1. Wat zijn AI en machine learning?

Kunstmatige intelligentie, ook wel AI genoemd, is een intelligent systeem dat zelfstandig beslissingen kan nemen (Shetty, 2019). Alle technieken waarmee machines taken op een vergelijkbare manier als een mens kunnen oplossen, vallen onder deze paraplu. De algemene acceptatie van AI is te danken aan het vermogen om enorme hoeveelheden gegenereerde gegevens te analyseren, en dit vermindert de afhankelijkheid van mensen om bepaalde taken uit te voeren (Shetty, 2019).

 

Figuur 1 toont de verschillende lagen waaruit AI bestaat.

 

Machine learning is een subset van AI waarmee computers kunnen leren op basis van voorbeelden die we het systeem voeden (Molenaar, 2022). Op deze manier genereert het computersysteem een ​​algoritme, in wezen een gids die het systeem volgt om te bepalen welke stappen moeten worden genomen of welke conclusie moet worden getrokken. Een eenvoudig voorbeeld is om een ​​computersysteem een ​​miljoen foto’s van verschillende dieren te laten zien, maar het de taak te geven om de foto’s met een kat erop te vinden. Het systeem zal structureel giswerk uitvoeren en de voorbeelden die we het geven, zullen het helpen te leren wat wel en niet lijkt op het object dat we het moesten vinden door het systeem te corrigeren wanneer het fout is en het te vertellen wanneer het correct is. Op deze manier wordt een algoritme geboren. Zoals te zien is in figuur 2, zijn verschillende soorten machine learning het meest effectief voor specifieke uitkomsten (Molenaar, 2022). Waar bijvoorbeeld versterkend leren goed is voor robotica, is leren onder toezicht effectiever voor fraudedetectie en voorspellingen van reclamepopulariteit. Deze studie richt zich echter op unsupervised learning, waarbij clustering plaatsvindt voor klantsegmentatie en -aanbevelingen, evenals dimensionaliteitsreductie voor het uitlokken van functies en big data-visualisatie. Dit zijn de machine learning-tools die overeenkomen met de resultaten voor marketingtools zoals personalisatie en maatwerk.

 

3.2. Hoe zijn AI en Machine Learning van toepassing op marketingintelligentie?

Bedrijven hebben technologieën nodig om hun klanten en de vraag in het algemeen te analyseren, voorspellen en vooral te begrijpen (Molenaar, 2022). Data-analyse is de hoeksteen van een vraag gestuurde strategie. Er zijn een paar vereisten voordat gegevens waardevoller kunnen worden. Informatie moet nauwkeurig, recent, maar ook relevant zijn. Anders nemen managers beslissingen op basis van informatie die op zijn best niet relevant is en in het slechtste geval onjuist. De gegevens die door aanbod gestuurde bedrijven worden geëxtraheerd, hebben meestal betrekking op verkoop en producten; in een vraag gestuurde organisatie worden echter uitgebreide gegevens over het gedrag en de voorkeuren van klanten verzameld (Molenaar, 2022). Het proces voor machine learning is te zien in figuur 3. Machine learning houdt in dat algoritmen worden gebruikt om patronen te vinden en te tekenen in grote hoeveelheden data (Hao et al., 2019). Eerst worden de gegevens verzameld en gecontroleerd. Ten tweede worden clusters gemaakt op basis van patronen of doelen. Vervolgens worden algoritmen en hun doel gedefinieerd. Ten slotte worden veranderingen geanalyseerd en wordt een strategie bepaald.

3.2. Hoe zijn AI en Machine Learning van toepassing op marketingintelligentie? Bedrijven hebben technologieën nodig om hun klanten en de vraag in het algemeen te analyseren, voorspellen en vooral te begrijpen (Molenaar, 2022). Data-analyse is de hoeksteen van een vraag gestuurde strategie. Er zijn een paar vereisten voordat gegevens waardevoller kunnen worden. Informatie moet nauwkeurig, recent maar ook relevant zijn. Anders nemen managers beslissingen op basis van informatie die op zijn best niet relevant is en in het slechtste geval onjuist. De gegevens die door aanbod gestuurde bedrijven worden geëxtraheerd, hebben meestal betrekking op verkoop en producten; in een vraag gestuurde organisatie worden echter uitgebreide gegevens over het gedrag en de voorkeuren van klanten verzameld (Molenaar, 2022). Het proces voor machine learning is te zien in figuur 3. Machine learning houdt in dat algoritmen worden gebruikt om patronen te vinden en te tekenen in grote hoeveelheden data (Hao et al., 2019).

1. Eerst worden de gegevens verzameld en gecontroleerd.
2. Ten tweede worden clusters gemaakt op basis van patronen of doelen.
3. Vervolgens worden algoritmen en hun doel gedefinieerd.
4. Ten slotte worden veranderingen geanalyseerd en wordt een strategie bepaald.

 

Machine learning als onderdeel van marketing intelligence geeft managers extra tools om te communiceren en beslissingen op te baseren. Zo kan kennis van klantgedrag niet alleen worden gebruikt om toekomstige verkopen te voorspellen, maar kunnen bedrijven ook diepgaande kennis van hun klant krijgen om de relatie te verbeteren (Molenaar, 2022). Waar voorheen bedrijven zich richtten op doelgroepen en hoe klanten zich in het verleden gedroegen, ligt de focus nu op het anticiperen op de behoeften en wensen van de klant. Uiteindelijk zijn algoritmen de sleutel als het gaat om het concept van machine learning. Algoritmen zijn hulpmiddelen, die worden gebruikt om processen te automatiseren en snel te reageren op veranderingen, aangezien ze 24/7 kunnen worden uitgevoerd. Algoritmen zijn processen, die gebaseerd zijn op gedragstriggers, die zowel respons als non-respons kunnen zijn, en bedrijven kunnen dienovereenkomstig reageren (Molenaar, 2022). AI maakt automatisering, optimalisatie van processen en het verminderen van de werkdruk voor werknemers mogelijk. Er zijn drie specifieke processen die AI voor bedrijven mogelijk maakt;

• Gegevensverzameling,
• inzichten verzamelen en
• klant betrokkenheid.

Wanneer ze worden gecombineerd en op de juiste manier geïmplementeerd, kunnen deze processen concurrentievoordeel opleveren. De impact van deze technologieën hebben wel een bepaalde volgorde.

• Ten eerste verlagen ze de kosten,
• vervolgens worden ze gebruikt om bestaande processen te optimaliseren en
• ten slotte zorgen ze voor verstoringen in de marketing met gegevens en informatie als kern.

 

3.3. Beperkingen van AI en machine learning

Hoewel AI en machine learning perfecte technologieën lijken die alleen maar voordelen opleveren, hebben ze enkele technische en ethische beperkingen (Molenaar, 2022). Op technisch niveau is AI niet menselijk, dus het kan niet worden geïmplementeerd voor taken die gevoel en ethisch denken vereisen. Wetenschappers hebben echter ook geconcludeerd dat AI beter geschikt is om mensen sterker te maken dan om ze te vervangen. Betrouwbaarheidsproblemen kunnen ook een rol spelen, aangezien AI afhankelijk is van enorme hoeveelheden input om van te leren. Het vereist rijke datasets om patronen correct te tekenen, maar niet alle bedrijven hebben dergelijke datasets beschikbaar, wat de betrouwbaarheid van het algoritme beperkt (Molenaar, 2022). Hoewel algoritmen een hoge objectiviteit hebben wanneer ze worden belast met het voorspellen en profileren van het gedrag van mensen, en wanneer er hiaten in de kennis zijn, sluiten ze deze door extrapolatie. Deze extrapolatie kan echter onnauwkeurige voorspellingen opleveren. Bovendien kunnen vooroordelen van de makers van het algoritme binnensluipen in de vorm van bevestigingsbias. Personalisatie- en aanbevelingsservices zijn mogelijk niet zo effectief vanwege onvolledige of onjuiste gegevens, en het interpreteren van de algoritme-uitkomsten kan ook een beperkende factor zijn.

 

3.4. Gebruik en voordelen van AI en machine learning

Wanneer AI-technologieën correct worden geïmplementeerd, kunnen bedrijven er enorm van profiteren. Digitale technologieën kunnen ook de consumenten ten goede komen, omdat ze hen transparantie en nieuwe manieren bieden om informatie over producten te vinden, waardoor hun zoekkosten effectief worden verlaagd (Molenaar, 2022). Online beoordelingen worden steeds belangrijker. Bovendien wordt de productie van inhoud steeds meer gedemocratiseerd en veroorzaakt de transformatie van mediamogelijkheden van journalisten naar gebruikersproducenten een verschuiving van traditionele media naar sociale media (Choudary, 2015). Bursa (2015) heeft ontdekt dat er een verschuiving plaatsvindt van een aanbod gestuurde economie naar een vraag gestuurde economie en dat bedrijven nieuwe vaardigheden en strategieën moeten verwerven. De verschuiving is te wijten aan overaanbod en technologische ontwikkelingen, die de manier waarop consumenten omgaan met klanten veranderen en vice versa, zoals aangegeven door Kash en Calhoun (2010). AI-technologieën spelen hier een cruciale rol omdat ze segmentatie/clustering kunnen uitvoeren met specifieke criteria om nieuwe en meer gemeenschapsgerichte waarde proposities mogelijk te maken (Molenaar, 2022). Aangepaste inhoud die in realtime wordt gegenereerd met behulp van algoritmen, maakt het moeilijk voor gebruikers om te ontsnappen (Choudary, 2015).

Door het concept van AI te combineren met de theorie van vraag gestuurde strategie, ontstaat het Customer Adaptation Process (CAP)-model (Molenaar, 2022). Ten eerste moet een bedrijf luisteren naar en de behoeften van zijn potentiële klanten detecteren voordat producten en diensten worden aangeboden. Vertaal vervolgens de klantbehoefte naar daadwerkelijke producten en diensten die vervolgens kunnen worden aangeboden. Cruciaal is ook dat de beleving van het product of de dienst kan voldoen aan de verwachtingen die klanten stellen.

Communicatie van informatie op basis van gedragsclusters naar de klanten moet correct zijn. Dit wordt allemaal ondersteund door feedbackloops van algoritmen, zoals te zien is in figuur 4 (Molenaar, 2022). Dit betekent dat je betrokken moet zijn met je klanten en veel over hem of haar moet weten om je processen aan te passen.

Bij het succesvol implementeren van AI en ML, wijzen Miklosik et al. (2019) op verschillende voordelen voor bedrijven.

• Ten eerste behalen bedrijven optimale prestaties omdat machines altijd op 100% werken.
• Ten tweede wordt het besluitvormingsproces voor managers ook objectiever.
• Ten derde kunnen bedrijven in veel processen foutenpercentages verminderen die normaal gesproken door menselijke factoren worden veroorzaakt.
• Ten slotte kunnen dankzij deze technologieën gebieden worden verkend die voor mensen niet beschikbaar zijn.

Lees verder in deel 2 van deze analyse