Productontwikkeling
Van theorie naar praktijk
Een productsamenstelling of receptuur die beter in de smaak valt bij (een deel van) jouw klanten. Zo verhoog je de productkwaliteit, de klantentevredenheid, klantenloyaliteit en versnel je de R&D cyclus. Met behulp van predictieve AI genereer je ook inzichten in toekomstige consumententrends, waardoor je sneller de eerste in de markt kunt zijn.
Toepassingen
Wanneer je nieuwe producten ontwikkelt, ben je eerst graag op de hoogte van wat jouw klanten precies willen. Je wilt uiteindelijk een product ontwikkelen dat in de smaak valt bij jouw klanten. AI kan je helpen om grote hoeveelheden van klantendata te analyseren om zo inzichten te krijgen in welke nieuwe producten succesvol kunnen worden.
Met data van selfservice drinkfonteinen die klanten toelaat om hun eigen drankjes te mixen, kon Coca-Cola de meest populaire combinaties achterhalen wat uiteindelijk tot een geheel nieuwe smaak: Cherry Sprite (zie ook de toepassing marketing op maat). Sommige klanten posten daarnaast bijvoorbeeld foto's van eten of schrijven hun gedachten over jouw producten op hun sociale media profielen zoals Instagram of Facebook. Al die data kun je – met de juiste toestemming – verwerken en inzichten krijgen in de nieuwste eettrends en zo nieuwe producten definiëren. Grote bedrijven zoals PepsiCo, McDonalds en Danone passen deze technologie reeds toe.
Met behulp van AI kun je ook mensen, producten, en voorkeuren simuleren. De AI leert dan de smaakprofielen van verschillende producten (mogelijks over verschillende landen heen) kennen om deze vervolgens te mappen op de voorkeuren van verschillende doelpublieken. Met die mapping kan AI je dan een beeld geven van hoe een nieuw smaakprofiel in de smaak zal vallen bij jouw klanten.
Wanneer je een idee hebt van welk soort product in smaak zou kunnen vallen, moet je dat product natuurlijk nog ontwikkelen. Ook daar kan AI je in helpen. Het is discutabel of AI creatief kan zijn, maar wat het in ieder geval wel kan is een grote hoeveelheid productsamenstellingen simuleren en zo bijvoorbeeld een interessant nieuw recept voorstellen waar je zelf niet aan had gedacht. Niet al de voorgesteld recepten zullen praktisch toepasbaar zijn, maar het laat je toe om sneller te experimenteren met nieuwe producten en de R&D cyclus te versnellen.
Wanneer je al een product hebt, wil je deze misschien geleidelijk aan verbeteren. Met AI kun je uitzoeken welke ingrediënten (bv. Gluteninhoud) en processen (deegmixtijd) welke invloed hebben op het eindproduct (krokantheid van brood). Dat laat je toe om je ingrediënten en processen te optimaliseren zonder daarbij oneindig te hoeven experimenteren. Het leuke daaraan is dat je bepaalde verwachtingen voorop kunt stellen, zoals dat je een product wenst met een bepaalde kleur, knapperigheid, of smaak. De AI stelt dan de exacte ingrediënten en processen voor om dat te bekomen. Je kan ook snel achterhalen welke ingrediënten de positieve en negatieve smaakdrijvers zijn zodat je bijvoorbeeld 30% minder zout kan gebruiken in kaas zonder daarbij smaak te verliezen volgens een smaaktestpanel. Gelijkaardig kun je dat ook achterhalen op basis van bijvoorbeeld de weercondities, blootstelling aan de zon, enz. van druiven voor het maken van wijn.
Tot slot wil je na al het consumentenonderzoek en experimenteren graag je nieuwe product toetsen aan echte klanten. Zo kan je met behulp van AI de klantenacceptatie van ijs, chocolade, of bier voorspellen. Hoewel je best niet de beproefde technieken zoals smaakpanels vervangt, kan AI je wel bijstaan om de minder succesvolle experimenteren eruit te screenen zonder de smaakpanels. Dan stuur je enkel de experimenten met de hoogste waarschijnlijkheid voor succes naar de panels, dat bespaart je tijd en middelen.
Vereisten
Data
- Productsamenstelling
- ~Receptuur of samenstelling van een box
- ~Bij voorkeur enkel factoren die je onder directe controle hebt
- Optioneel: machine instellingen
- ~Indien hier directe controle over is
- Klantenwaardering van een product / box
- ~Bij voorkeur expliciet in de vorm van een score
Hardware
- Standaard dataopslag en -verwerkingscapaciteit
Algoritme
- Regressie-algoritme voor het voorspellen van de klantentevredenheid i.f.v. productsamenstelling
- Optimalisatie algoritme voor het optimaliseren van de samenstelling met oog op een maximale tevredenheid
Aandachtspunten
- Link tussen operationele instellingen en output is nodig. Je moet in staat zijn om product reviews rechtstreeks te koppelen aan de correcte mix, receptuur en/of machine instellingen.
- Mogelijk dien je een data captatie fase in te voeren. Dit kan door uitvoeren van smaaktesten op een doelpubliek, door structureel/periodiek bevragingen te organiseren en/of door stelselmatig factoren te capteren die momenteel niet opgeslagen worden in een databank.
- Productkwaliteit is bij voorkeur uitgedrukt in meer detailniveaus dan enkel goed/slecht. De tevredenheid dient gemeten te worden in minstens een ordinale schaal en bij voorkeur een rationele schaal (numeriek dus). Dit stelt het algoritme in staat om naar theoretisch hogere scores dan reeds toegekend toe te werken.
- Domein kennis is vereist. Je gaat rekening moeten ouden met beperkingen in instellingen, combinaties, eventuele onderlinge effecten etc. Een domeinexpert kan beperkingen definiëren en resultaten van de oplossing valideren. Een zuiver data-technisch profiel is hiervoor niet geschikt.
- Opgelet met onderlinge afhankelijkheden. In geval van receptuur en/of machine instellingen is het mogelijk dat een aantal van deze geselecteerde parameters niet onderling onafhankelijk zijn. Het is aangeraden om enkel onafhankelijke parameters te weerhouden. Indien parameter A de waarde van parameter B bepaalt, doen enkel parameter A weerhouden. In geval van afgeleide waardes of beperkende waardes, is het aangeraden om de variabelen uit te drukken als een onafhankelijke maatstaf. Dit kan in bepaalde gevallen bijvoorbeeld door parameter B uit te drukken als een percentage van parameter A.
- AI-gedreven productontwikkeling bestaat uit twee stappen. (1) Een model trainen dat de tevredenheid over een product kan voorspellen op basis van de productsamenstelling en (2) een model dat de productsamenstelling aanpast om een zo hoog mogelijke tevredenheid te bekomen. Het succes van (2) wordt in sterke mate bepaald door de accuraatheid van (1).
- Externe factoren kunnen de missing link zijn. Het is een mogelijkheid om externe facturen zoals weersomstandigheden of karakteristieken van de klant mee te nemen als input om de tevredenheid te voorspellen. In dit geval moet je de productoptimalisatie dan ook uitvoeren voor een specifieke doelgroep (met gedefinieerde kenmerken) en/of specifieke omstandigheden. Voor het optimalisatie algoritme maak je dan een onderscheid tussen de factoren die je onder controle hebt, de productsamenstelling en de factoren die onveranderd op voorhand bepaald worden door jezelf.
Stappenplan
- Verzamelen team van domein experten
- Bepalen van optimalisatiestrategie. Ga je voor een globale optimalisatie van de tevredenheid of richt je je specifiek op bepaalde segmenten/omstandigheden.
- Identificeren van factoren die een invloed hebben op de producttevredenheid. Inclusief onderscheid maken tussen factoren die je onder controle hebt (zoals productsamenstellingen) en factoren die je niet onder controle hebt.
- Optioneel: organiseren van smaaktesten of systematisch peilen naar producttevredenheid
- Samenstellen en voorverwerken van dataset
- ~Producttevredenheid koppelen aan productsamenstellingen en eventuele randomstandigheden
- ~Eventuele feature engineering: expliciet toevoegen van impliciete features en/of onderlinge afhankelijkheden wegwerken door data transformaties
- ~Identificeren en corrigeren van ontbrekende en foutieve metingen
- ~Opsplitsen in training, validatie en test set
- ~Normaliseren van data
- Trainen van regressie (of eventueel een classificatie) model op training set.
- Selecteren van model waarbij de accuraatheid op de validatieset het dichtst bij de accuraatheid op de test set aansluit (indien de accuraatheid boven een zelfbepaalde minimumscore zit)
- Definiëren van doelgroepen en omstandigheden waarvoor productsamenstelling geoptimaliseerd moet worden. Voor elke groep dienen de kenmerken vastgelegd te worden, eventueel op basis van een voorgaande clustering analyse.
- Uitvoeren van een optimalisatietechniek per groep
- ~Vastleggen van groep-specifieke parameters
- ~Variabele parameters laten optimaliseren door optimalisatie algoritme waarin voorgaand algoritme onderliggend gebruikt wordt
- ~Omrekenen (denormaliseren) van optimale productsamenstellingen
- Valideren van productsamenstellingen met domein experts
- Operationaliseren van oplossing
- ~Operationaliseren van data pipeline
- ~Operationaliseren van ML modellen
- ~Inkoppelen in bedrijfsproces voor product design en evaluatie
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
