AI in B2B e-commerce

AI in B2B Ecommerce : De markt voor kunstmatige intelligentie (AI) blijft jaar na jaar met 12,9% groeien, deels dankzij beter betaalbare neurale netwerken, cloud computing-infrastructuur en de toename van onderzoekstools en datasets.

Zoals elke nieuwe en opwindende technologie, krijgt AI aandacht in de B2B eCommerce ruimte. Sommige B2B-merken pakken hun uitdagingen aan met transformatieve technologie zoals AI voor e-commerce. Maar AI-oplossingen voor e-commerce lossen niet alle bedrijfsproblemen op.

In dit artikel bespreken we de voordelen en beperkingen van kunstmatige intelligentie voor e-commerce. We bespreken de vereisten om AI te implementeren, bestaande alternatieven voor AI en het gebruik van AI in eCommerce.

Wat is AI?

Kunstmatige intelligentie gebruikt computers om grote hoeveelheden gegevens te verwerken en te analyseren in een niet-lineair formaat, net zoals het menselijk brein dat zou doen.

Zoals hierboven getoond, leidde het AI-concept tot de ontwikkeling van machinaal leren. Diep leren volgde op machinaal leren. Nu is er een breed scala aan subgroepen van AI, elk gespecialiseerd in een bepaald gebied.

Machine learning (ML) is een algoritme dat zichzelf aanleert om beslissingen te nemen op basis van eerdere ervaringen. Het analyseert gegevens om tot conclusies te komen, dus meer gegevens betekent nauwkeurigere resultaten. ML algoritmen hebben meestal een override functie voor de ontwikkelaar of eindgebruiker als voorspellingen onnauwkeurig zijn. Een voorbeeld van ML is een e-mail spamfilter dat verbetert naarmate het meer spam ontvangt.

Kunstmatige neurale netwerken (ANN) zijn onderling verbonden algoritmen die met elkaar interageren en gegevens verwerken zoals het menselijk brein dat doet.

Deep learning (DL) analyseert continu gegevens, net als mensen. Het belangrijkste verschil tussen ML en DL is dat DL vertrouwt op een ANN om beslissingen te nemen. Een ANN creëert een systeem van waarschijnlijkheidsgerichte beslissingen met een feedback-lus die het netwerk in staat stelt om te leren en zijn technieken in de loop van de tijd te verbeteren. Een voorbeeld van DL is een spraakgestuurde lichtschakelaar die leert dat wanneer de woorden can’t see en lights on samen worden gebruikt, de schakelaar aan moet gaan.

Natuurlijke taalverwerkingsalgoritmen (NLP) lezen, structureren en organiseren taal in zijn natuurlijk klinkende vorm en geven deze door aan machines voor verdere verwerking.

Computervisie-algoritmen herkennen, ontcijferen en vergelijken beeld- of videocomponenten en voorzien machines van gegevens om actie te ondernemen. Ze kunnen conclusies trekken uit visuele bronnen en mediabestanden vergelijken, repareren of reconstrueren.

Cognitieve computeralgoritmen leren menselijk en klantgedrag en bootsen menselijke intelligentie en besluitvormingsprocessen na.

Hoe werkt AI?

Welke vorm het ook aanneemt, kunstmatige intelligentie in e-commerce is gebaseerd op grote hoeveelheden goed gestructureerde gegevens. Machines identificeren en extraheren patronen in de gegevens met vallen en opstaan, en naarmate de AI meer gegevens krijgt, leert het systeem en genereert het betere resultaten.

Maar hoe slim AI-systemen ook zijn, ze kunnen nog steeds niet zonder mensen.

AI is slechts een middel om een doel te bereiken, dus de algoritmen die je selecteert moeten het meest geschikt zijn voor de taak die je moet uitvoeren. Ze moeten worden ontworpen, aangepast, getest en aangeleerd om de gewenste functies uit te voeren.

Machines nemen beslissingen op basis van de informatie die mensen verstrekken en dit vereist uitgebreid gegevensbeheer. Een veel voorkomende misvatting is dat AI een complex algoritme is. In werkelijkheid is een van de meest cruciale aspecten van AI data. Gegevens die moeten worden gecontroleerd, georganiseerd en voorbereid om met AI te werken.

Vervolgens bepaal je welk algoritmemodel het meest geschikt is voor jouw behoeften. Kant-en-klare platforms die bekend staan als Machine Learning as a Service (MLaaS) faciliteren gegevensverwerking, modeltraining en analyse. Maar het zijn geen kant-en-klare oplossingen. Om je model te bouwen en de nauwkeurigheid ervan te testen, moet je AI-professionals en datawetenschappers inhuren.

Wie bouwt en onderhoudt AI?

AI is afhankelijk van veel intelligente mensen om goed te kunnen presteren.

Door de toename van digitale activiteiten, de overstap naar de cloud en het werken op afstand hebben organisaties meer informatie dan ooit. De meeste gegevens zijn inefficiënt gedistribueerd en opgeslagen in verschillende systemen. Dat is waar een data science-team om de hoek komt kijken. Data science- en AI-teams werken samen met productmanagers, software engineering-teams, ontwerpers en andere experts om AI-systemen te bouwen en te onderhouden.

Data engineers plannen en ontwikkelen big data-omgevingen en bereiden gegevens voor op datawetenschappers. Ze creëren ecosystemen en communicatiekanalen tussen bedrijfssystemen om gegevens te verzamelen. Bedrijven zoeken meestal kandidaten met ervaring in gegevensbeheer, migratie en visualisatie, waaronder C++, Java tot Python, R en Scala.

Datawetenschappers verzamelen en analyseren grote datasets met behulp van ML en voorspellende analyses. Ze ontwikkelen ook algoritmen die gegevens voorbereiden voor opschoning en analyse. Datawetenschappers hebben kennis nodig van Hive, Hadoop, Spark, Python en andere talen. Ze hebben analytische en communicatieve vaardigheden nodig om hun bevindingen aan teamleden door te geven.

UI/Web applications developers nemen de softwareontwikkeling over van het data science team. Zij zijn de softwareontwikkelaars, integrators en andere IT-professionals die webapplicaties bouwen. Ze moeten een grondige kennis hebben van Java, JavaScript, CSS, HTML en andere front-end talen.

Subject matter experts kunnen technologie- en productmanagers zijn die waardevolle inzichten uit een specifiek domein leveren aan het data science team. Hun rol is het geven van feedback, input en begeleiding om ervoor te zorgen dat algoritmen hun zakelijke functie correct uitvoeren.

ML-engineers bouwen en beheren ML-modellen en onderhouden platforms waarop ML-projecten worden uitgevoerd. Ze werken samen met datawetenschappers en AI-architecten om ervoor te zorgen dat vooraf vastgestelde SLA’s en vereisten worden nageleefd. Kennis van C++, Java, Python, R en Scala is vereist.

AI-architecten beheren het algemene AI-project. Ze houden toezicht op de implementatie van het AI-project en onderhouden relaties tussen datawetenschappers, data engineers, ontwikkelaars, bedrijfsleiders en andere consultants. Ze moeten beschikken over sterke computerkundige vaardigheden en vaardig zijn in C++, Java tot Python, R en Scala.

Business intelligence engineers ontwerpen, beheren en onderhouden gegevensinfrastructuur en analyseren complexe gegevenssets. Ze houden toezicht op gegevens in verschillende systemen en communiceren met het datateam om gegevens te delven, te modelleren en voor te bereiden. Ze moeten kennis hebben van SQL, SQL-query’s en datawarehouses.

Zodra een use case compleet is, werken data scientists samen met technologieteams om de juiste methodologieën te genereren om het model te coderen. Om de code op te schonen, te testen en te schalen, geeft het datawetenschappersteam hun modellen door aan AI-teams en vervolgens aan AI-software-engineers, die vervolgens het nodige werk verrichten om het productierijp te maken.

Voordelen van het gebruik van kunstmatige intelligentie in B2B e-commerce bedrijven

Hieronder staan vijf manieren waarop AI-technologie kan helpen om je eCommerce bedrijf te laten groeien, waaronder virtuele assistenten en voice commerce, personalisatie op basis van klantgedrag, searchandising, eCommerce automatisering en het optimaliseren van het verkoopproces.

Verbeterde klantervaring: Siri van Apple, Alexa van Amazon en Google Assistant zijn allemaal virtuele assistenten waar de meesten van jullie wel eens van gehoord hebben. In de context van e-commerce helpen virtuele en spraakassistenten bij het afhandelen van eenvoudige vragen. Een virtuele winkelassistent biedt online shoppers snelle en gemakkelijke toegang tot informatie via voice search en helpt bij productonderzoek op de e-commerce website.
Efficiënt verkoopproces: AI-tools helpen je om een efficiënter verkoopproces te creëren, bijvoorbeeld door gegevens over je klanten te verzamelen en follow-up e-mails over achtergelaten winkelwagentjes te automatiseren. Verkoopautomatisering in B2B eCommerce helpt het conversiepercentage te verhogen en meer potentiële klanten aan te trekken.
AI-gestuurde automatisering: AI-algoritmen zijn geweldig in het naadloos automatiseren van terugkerende taken. Met AI kun je zaken als productaanbevelingen, loyaliteitskortingen en ondersteuning op laag niveau automatiseren, waardoor workflows aan de voor- en achterkant worden vereenvoudigd.
Slimmer zoeken: AI-tools maken innovatieve zoekoplossingen mogelijk, zoals gefacetteerd zoeken, aanbevolen productbeschrijvingen, autocomplete, relevante producten, recente zoekopdrachten en meer. Deze aanpak, ook bekend als seachandising, biedt een gebruiksvriendelijke, gepersonaliseerde en winstgevende online ervaring.

Meer personalisatie in digitale marketing en reclame: Ontwikkelingen in AI en machine learning-technologieën hebben winkeliers in staat gesteld om content op maat te maken voor kopers. Door big data te analyseren kun je gepersonaliseerde productaanbiedingen en relevante en nuttige aanbevelingen doen die aanslaan bij je klanten. Bekijk onze gids over B2B eCommerce personalisatie voor meer voorbeelden.

Uitdagingen voor het gebruik van AI in e-commerce

Hoewel AI in eCommerce betere zakelijke beslissingen mogelijk kan maken, waarschuwt de prominente datawetenschapper Robert Magoulas voor overhaaste omarming van de technologie. In een podcast over Harvard AI in Enterprise waarschuwt hij:

Het klinkt alleen gemakkelijk totdat je je erin verdiept. AI is niet-deterministisch – soms weet je niet of het dingen beter gaat maken. En het kost je veel tijd en moeite om daar achter te komen.
Robert Magoulas, Radar Vice President, O’Reilly

Het inzetten van AI in e-commerce blijft een kostbare, potentieel riskante onderneming. Leiders en AI-voorstanders slagen er niet in om AI-gebruikscases te identificeren, missen de benodigde gegevens, hebben niet het juiste team of worden geconfronteerd met een combinatie van deze problemen.

Zorg dat je een use case hebt

In een recent rapport van O’Reilly noemde 20% van de respondenten de moeilijkheid om geschikte eCommerce AI use cases te vinden als belangrijkste reden om geen AI te gebruiken. Zorg ervoor dat je een use case hebt die niet met andere technologie kan worden opgelost.

Enkele van de meest voorkomende AI use cases in B2B eCommerce zijn:

Productaanbevelingen
Sentimentanalyse
Voorspellende analyses
Software voor inhouds- en beeldherkenning
Verwar AI niet met workflowautomatisering. Je kunt een productaanbevelingsalgoritme ontwikkelen of een gepersonaliseerde kassa-ervaring creëren zonder AI te gebruiken in eCommerce. Als je net begint met je digitale eCommerce transformatie is het beter om te beginnen met het verbeteren van activiteiten en ervaringen met minder complexe technologie, zoals geautomatiseerde workflows.

Heb je de menselijke hulpbronnen?

Implementatieprojecten voor AI-gestuurde en cloudgebaseerde e-commerce software vereisen professionals die de technische overwegingen begrijpen en zich richten op de zakelijke waarde die AI-oplossingen bieden. Goede AI-specialisten zijn duur en moeilijk te vinden.

Magoulas raadt aan om datawetenschappers in groepen in te huren – een divers team bevordert de samenwerking en uitwisseling van vaardigheden, wat leidt tot betere algoritmen. De wijdverspreide AI-talentkloof op alle vaardigheids-, expertise- en ervaringsniveaus betekent dat e-commercebedrijven moeten concurreren in een kleine talentenpool.

Zijn je gegevens in orde?

ML algoritmen vertrouwen op grote hoeveelheden kwaliteitsdata om te classificeren, trainen en hun resultaten te verfijnen.

De hoeveelheid gegevens die je nodig hebt hangt af van je AI-toepassing en de complexiteit van het algoritme. Sommige schattingen geven aan dat je 10 keer de hoeveelheid gegevens moet hebben als dimensies van voorbeelden om je algoritme te voeden. Hoe meer gegevens je hebt, hoe nauwkeuriger de resultaten die je van AI kunt verwachten.

Een garbage in, garbage out-situatie is de achilleshiel van AI in de e-commercebranche. Zonder een top-down benadering van het onderhouden van datakwaliteit, data governance en datageletterdheid, zijn bedrijven blind voor de manier waarop hun gegevenssituatie hun AI-project beïnvloedt.

Heb je een ondersteunende cultuur?

AI is een groeiende technologietrend en iedereen heeft een ander begrip van wat het is en wat het kan doen.

Voordat je begint met kunstmatige intelligentie in eCommerce, moet je de doelen en de aanpak ervan vastleggen. Zorg dat belanghebbenden al in een vroeg stadium weten wat je AI-project gaat opleveren. Voorkom dat je geld opbrandt door mijlpalen te stellen en meer geld vrij te maken zodra je vooruitgang boekt. Met deze tips kun je de waarde van je project geleidelijk verbeteren en laten groeien.

AI versus geautomatiseerde workflows

Voor de meeste B2B-bedrijven is AI in eCommerce niet het antwoord. De meeste bedrijven zijn niet bereid om AI toe te passen en vaak is de technologie overkill voor het probleem. Een op regels gebaseerde workflowautomatiseringsengine doet het werk goed en kost veel minder.

Wat zijn geautomatiseerde workflows?

Zowel workflows als AI gebruiken technologie om taken uit te voeren. Terwijl AI leert, zich aanpast en verschillende acties onderneemt, werken workflows altijd hetzelfde. Geautomatiseerde workflows gebruiken een voorwaarde-actie logica om bedrijfsprocessen te digitaliseren. Ze kunnen veel B2B orderverwerkingsfuncties automatiseren, zoals het uitvoeren van kredietgoedkeuringen en het waarschuwen van fabriekspersoneel om specifieke taken in bepaalde volgordes uit te voeren.

Klanten, technologieën en processen evolueren en met een flexibele workflow automation engine kunt u inspelen op kansen wanneer de omstandigheden veranderen. U verbetert en bouwt voortdurend aan uw processen, wat een cultuur van innovatie bevordert.

Geautomatiseerde workflows met menselijke processen

Totdat de technologie de achterstand inloopt, zal AI je bedrijf niet kennen zoals jij dat doet. Door gedigitaliseerde en handmatige processen te combineren, kun je genieten van het beste van twee werelden. Wanneer aan een workflowvoorwaarde wordt voldaan, komt de automatisering in actie – met menselijke tussenkomst of autonoom.

Als je bijvoorbeeld orders moet identificeren met het beste magazijn voor het verzenden van producten, is een AI-systeem niet nodig. Een geautomatiseerde workflow kan orders routeren naar het dichtstbijzijnde magazijn om ze uit te voeren. En de geautomatiseerde workflow kost minder om op te zetten.

Kunstmatige intelligentie in eCommerce zal beter passen bij merken die anticiperende verzending moeten bieden en nauwkeurig productvoorraadlocaties moeten voorspellen in de buurt van de klanten die waarschijnlijk zullen kopen. Deze systemen kunnen ook anticiperen op de smaak van individuele klanten, de verwachte vraag of zelfs weersomstandigheden.

AI-toepassingen in e-commerce voor B2B

AI is niet mainstream in B2B digitale handel, maar het wordt wel gebruikt. Hier zijn enkele manieren waarop B2B-bedrijven AI in eCommerce gebruiken om back-officetaken te stroomlijnen, een gepersonaliseerde ervaring te bieden en de groei te versnellen.

Persoonlijke productaanbevelingen

Gepersonaliseerde productaanbevelingen hebben een directe impact op de conversie en sommige e-commerce merken investeren middelen in AI-aanbevelingsengines. Zo komt minstens 35% van de omzet van Amazon van hun machinaal geleerde statistische modellen om producten aan te bevelen.

In 2019 lanceerde Amazon Personalize zodat verkopers demografische informatie (leeftijd, geslacht, locatie) en gebruikersactiviteiten (inschrijvingen, paginaweergaves, aankopen) kunnen gebruiken om een bibliotheek met aanbevolen items te genereren om kopers te helpen producten te ontdekken en aankoopbeslissingen te versnellen. Na verloop van tijd onderzoekt Amazon Personalize deze klantgegevens en gebruikt algoritmes om het model te trainen en te optimaliseren voor effectiviteit met gegevens en producten.

Sentimentanalyse

Volgens G2 is meer dan 92% van de B2B-kopers geneigd een aankoop te doen na het lezen van betrouwbare productbeoordelingen. Naarmate het aantal beoordelingen toeneemt, ontwikkelen sommige merken systemen voor sentimentanalyse om kopers te helpen bij het lezen van beoordelingen. Deze modellen helpen potentiële klanten bijvoorbeeld om te begrijpen of anderen een product ruim, duur of luid vinden.

Het AI-team van Home Depot bouwde een sentimentanalysemodel met NLP en NLU om de klachten en tevredenheid van klanten te begrijpen. Home Depot zag een boost in betrokkenheid en conversie na het inzetten van dit systeem, vooral in combinatie met personalisatie.

B2B-kopers eisen dezelfde winkelervaring als B2C-klanten. Dit zorgt voor een toenemende populariteit van NLP-chatbots in B2B eCommerce. Vorig jaar verliet 81% van de B2B-kopers een pagina omdat ze een formulier moesten invullen. B2B-merken reageren hierop door live chat AI-toepassingen en chatbots op hun websites te introduceren.

Voorspellende analyses

Moderne bedrijven proberen meer te doen met de middelen die ze hebben. Voor sommige bedrijven helpen op AI gebaseerde voorspellende analyses om te reageren op concurrentiedruk en bedrijfsprestaties te maximaliseren tijdens onzekerheid.

Kone, een Finse fabrikant van liften en roltrappen, maakt gebruik van het IBM Watson IoT-platform om tijdige gegevens te koppelen aan technici. Het model kan anticiperen op slijtage en prioriteiten stellen voor onderhoudsschema’s en reserveonderdelen voordat er een storing optreedt. Het resultaat is maximale efficiëntie op locatie en klanttevredenheid.

Media-inhoud herkennen

Fabrikanten en distributeurs zijn geen onbekenden op het gebied van machine vision en beeldherkenningstechnologieën. Deze systemen inspecteren items op snel bewegende productielijnen of identificeren ontbrekende pallets in magazijnrekken. Computer vision en aanverwante technologieën worden ook gebruikt in eCommerce om afbeeldingen te classificeren op tag of categorie of om objecten binnen de afbeeldingen te detecteren. Door het taggen van afbeeldingen door AI te laten doen, kun je het aantal fouten bij het verwerken van afbeeldingen verminderen en ervoor zorgen dat klanten vinden wat ze willen.

AI-gestuurde gezichtsherkenningssystemen zoals de MicroProgram CyberLink FaceMe AI vinden hun weg naar toegangscontroleapparaten. CyberLink is een deep learning gezichtsherkenningsengine die wordt ingezet in cloud-gebaseerde oplossingen of via SDK’s wordt geïntegreerd in randapparaten. Naast het beheren en controleren van de toegang tot gebieden met beperkte toegang, kunnen magazijnen het dragen van een masker afdwingen en voldoen aan sociale afstandsregels.

AI integreren in B2B e-commerce

E-commerce platforms bevatten over het algemeen geen ingebouwde AI-engines. Als ze er al in zitten, bieden ze een zeer beperkte focus op een specifieke use case. Als AI in je toekomst zit, zul je niet vertrouwen op het AI e-commerce platform, maar op de integratiemogelijkheden van het platform.

MLaaS-opties die worden aangeboden door Google, Amazon, Microsoft Azure en IBM dekken de meeste AI-functies die nodig zijn om gegevens te preprocessen, modellen te trainen en evalueren en voorspellingen te genereren. Deze oplossingen gebruiken REST API’s om verbinding te maken met andere bedrijfssystemen. Als dit de route is die je neemt, kies dan een B2B eCommerce systeem met een betrouwbare en schaalbare backend API.

Maar dat is niet alles. U moet uw systeem kunnen aanpassen. Open-source e-commerce platforms zoals OroCommerce bieden flexibiliteit en de mogelijkheid om eenvoudig aan te passen. Ze bieden een oplossing die beter geschikt is voor uw AI-integratiebehoeften dan propriëtaire opties.

Kies daarnaast een B2B eCommerce platform dat wordt ondersteund door een uitgebreide partnergemeenschap die het volledige potentieel van de oplossing begrijpt. Deze diepgaande kennis is essentieel bij het uitbreiden van de oplossing om aan uw AI-behoeften te voldoen.

AI moet problemen oplossen – niet creëren

De vraag naar gepersonaliseerde en relevante klantervaringen neemt toe, net als de wens van interne teams om efficiëntie, afstemming en focus te behouden. Het is logisch dat B2B-verkopers geïnteresseerd zijn in eCommerce tools met kunstmatige intelligentie.

Maar AI brengt een groot aantal uitdagingen met zich mee, zoals de beschikbaarheid van gegevens, de immense kosten van het opbouwen van een AI-team en het opleiden van het algoritme. AI is niet geschikt voor initiatieven op het gebied van digitale transformatie in een vroeg stadium.

Zelfs bedrijven met een gevestigde digitale staat van dienst vinden het een uitdaging om de echte waardepropositie te identificeren.

Overweeg je nog steeds om kunstmatige intelligentie te implementeren in eCommerce? Evalueer zorgvuldig of AI geschikt is voor je klanten, e-commerce branche en bedrijf. Misschien ontdek je dat alternatieven zoals workflowautomatisering aan je behoeften voldoen, sneller kunnen worden geïmplementeerd en minder kosten.