![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/11\/GettyImages-1223789411.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NIEUWS \/ DIGITAAL<\/p>\n<\/div>
7 januari 2021 Kunstmatige intelligentie (AI) en Machine Learning (ML) worden steeds populairder in bedrijven. De afgelopen jaren hebben bedrijven steeds meer geld ge\u00efnvesteerd in \u2018black-box\u2019 oplossingen in de hoop geavanceerde algoritmen te ontwikkelen die hen zullen helpen beter, slimmer en effici\u00ebnter te werken.\u00a0<\/span><\/p>\n Denk bijvoorbeeld aan de recente hype rond AutoML. <\/span>Geautomatiseerde Machine Learning-oplossingen. die gebruiksvriendelijk zijn, een hogere nauwkeurigheid hebben dan traditionele ML-modellen en sneller in realtime kunnen worden ingezet.<\/span><\/a>. Sinds Facebook in april 2016 AutoML ophemelde als de ruggengraat van zijn AI\/ML-oplossingen, hebben Google, Salesforce, Amazon en Microsoft allemaal hun eigen aangepaste AutoML-oplossingen uitgerold.\u00a0<\/span><\/p>\n Het belangrijkste voordeel van oplossingen zoals AutoML is duidelijk: ze stellen gebruikers in staat om snel productieklare goedkope AI\/ML-oplossingen uit te rollen. Net als andere \u2018black-box\u2019 AI-systemen zijn er echter ook belangrijke tekortkomingen bij het gebruik ervan voor geautomatiseerde besluitvorming.\u00a0<\/span><\/p>\n Deze systemen modelleren uitkomsten meestal met behulp van machinaal leren - tenzij ze gevoed worden met grote data. Ze brengen gebruikerskenmerken in kaart in specifieke segmenten (zoals bijvoorbeeld gezondheidsstatus of financi\u00eble status) zonder uit te leggen waarom.<\/span><\/p>\n Dit is zeer problematisch, niet alleen vanwege het gebrek aan transparantie, maar ook omdat het uitvoeren van dergelijke automatische gebruikerscartografie het risico inhoudt dat het besluitvormingsalgoritme gevoed wordt met mogelijke vooroordelen, afkomstig van menselijke vooroordelen en verzamelartefacten die verborgen zitten in de training data. Dit kan leiden tot oneerlijke of verkeerde beslissingen.<\/span><\/p>\n Om dit probleem te voorkomen, moeten zakelijke besluitvormers deze \u2018back-box\u2019 systemen voeden met betrouwbaardere data sets - die ze kunnen verfijnen door hun Causale Intelligentie te ontwikkelen, het begrip van de oorzaak-en-gevolgrelaties tussen wat hun klanten doen en hoe dit hun bedrijf be\u00efnvloedt.\u00a0<\/span><\/p>\n Causaliteit is geen nieuw concept. Traditioneel werd causaliteit afgeleid met behulp van A\/B-tests en look-alike analyses tussen test- en controlegroepen. Het probleem met deze aanpak is echter dat hoe groter het aantal of de complexiteit van de interventies, hoe moeilijker het is om look-alike en mimische controlegroepen te selecteren.\u00a0<\/span><\/p>\n Causale grafische modellen daarentegen (<\/span>probabilistische grafische modellen<\/span><\/a> die aannames coderen over het data-generatieproces), <\/span>dit probleem op te lossen. Een van de populairste Causale Grafische modellen is een Bayesiaans Netwerk. Het ziet eruit als een spinnenweb of netwerk van verbindingen die het effect van elke variabele op de andere zichtbaar maken.<\/span><\/p>\n (Hierboven: Een voorbeeld van een Bayesiaans netwerk dat laat zien hoe verschillende factoren de verkoop be\u00efnvloeden)<\/span><\/i><\/p>\n Om uit te leggen hoe het werkt, kunt u een situatie in overweging nemen waarin u uw Marketing Return on Investment consolideert. Voor verschillende FMCG-merken kan een Bayesiaans netwerk, gezien het feit dat de meeste verkopen offline plaatsvinden, inter- en intraverbanden identificeren tussen interne digitale en offline marketinginspanningen, prijs, concurrentie, externe factoren zoals grondstoffenmarkten en offline verkopen. Hieruit kunnen dan drie soorten inzichten worden ge\u00ebxtraheerd:\u00a0<\/span><\/p>\n 1. Beschrijvend<\/b> (Amazon Reviews waren bijvoorbeeld direct verantwoordelijk voor 10 000 EUR aan extra inkomsten).<\/span><\/p>\n 2. Voorspellend<\/b> (Bijvoorbeeld: 10% meer investeren in CPM-reclame kan 3 000 EUR meer aan incrementele inkomsten genereren).<\/span><\/p>\n 3. Voorschrijvend <\/b>(Voor hetzelfde budget kan Facebook bijvoorbeeld 30% grotere investering krijgen en kan de investering in e-mail met 5% worden verlaagd).<\/span><\/p>\n Cruciaal is ook dat Casual Intelligence besluitvormers helpt het \u2018waarom\u2019 in hun data te begrijpen.\u00a0<\/span><\/p>\n Oorzaak-en-gevolgrelaties kunnen moeilijker te ontdekken zijn dan u denkt. Veel analisten gaan ervan uit dat er sprake is van een oorzaak-gevolgrelatie als twee factoren in de loop van de tijd ogenschijnlijk door elkaar be\u00efnvloed worden; ze lijken allebei op dezelfde manier toe- en af te nemen. Dat is echter een verkeerde benaming. Dergelijke trends kunnen puur toevallig zijn, en een correlatie impliceert geen oorzakelijk verband. Dit is wat statistici een \u2018onechte correlatie\u2019 noemen - ze bestaat niet noodzakelijk.\u00a0<\/span><\/p>\n Het is gemakkelijk om in de val te lopen van het identificeren van \u2018valse correlaties\u2019 - en veel besluitvormers nemen uiteindelijk beslissingen op basis van dergelijke onnauwkeurige veronderstellingen. Dergelijke misstappen komen zo vaak voor dat <\/span>De Financial Times noemt valse correlaties \u201chet kryptoniet\u201d van de AI-roes van Wall Street.<\/span><\/a>.<\/span><\/p>\n Met Causal Intelligence-modellen kunnen gebruikers echter relaties nauwkeuriger bepalen. Door te begrijpen hoe de ene variabele de andere be\u00efnvloedt, kunnen gebruikers beter begrijpen hoe en waarom bepaalde cijfers of outputs zijn veranderd - en (nauwkeuriger) voorspellen of een correlatie zal voortduren of statisch zal blijven.<\/span><\/p>\n De behoefte aan Causal Intelligence varieert per branche, de mate van AI\/ML-implementatie en de hoeveelheid menselijke tussenkomst bij het genereren en valideren van voorspellingen. Het proces kan bedrijven in elke verticale sector echter helpen om meer inzicht te krijgen in drie belangrijke gebieden:<\/span><\/p>\n Traditioneel hebben marketeers hun optimale mediamix of marketingbudgetten verfijnd met Marketing Mix Modellen (MMM's). Dit zijn meestal klassieke macro-economische modellen die aantoonbaar de lineaire correlaties tussen investeringen in mediakanalen benadrukken.<\/span><\/p>\n Dit was logisch toen marketeers een enkele funnel als de absolute waarheid beschouwden - een lineair klanttraject van bewustwording tot overweging tot aankoop. Maar toen <\/span>Allan Thygesen van Google legt uit dat de trechter niet meer bestaat dankzij \u2018intentierijke momenten<\/span><\/a>\u2019. Geen twee customer journeys lijken op elkaar en touchpoints kunnen met elkaar verbonden worden in de vorm van een netwerk of spinnenweb. Causale modellen kunnen bedrijven helpen om het effect van deze onderling verbonden touchpoints op de verkoop op een schaalbare en robuuste manier in te schatten.<\/span><\/p>\n
\nBedrijven investeren steeds meer in AI en Machine Learning oplossingen die bedrijfsprocessen beloven te automatiseren en de effici\u00ebntie te verhogen. Maar om echt rendement uit hun algoritmische investeringen te halen, moeten bedrijfsleiders eerst de oorzaak-en-gevolgrelaties begrijpen die de prestaties be\u00efnvloeden. Dergelijke Causale Intelligentie zal hen helpen om hun AI-capaciteiten te versterken en hun besluitvorming te verbeteren, zegt Siddharth Mohan, Senior Data Wetenschapper<\/strong> op Artefact Nederland & Frankrijk.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Hoe Causale Intelligentie werkt<\/b><\/h4>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/MROI-Offer.png\")
<\/p>\nOorzaak-en-gevolgrelaties identificeren<\/b><\/h4>\n
Zakelijke toepassingen van Causale Intelligentie<\/b><\/h4>\n
\n
\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>