AI-modellen kunnen complexe patronen in klantgedrag detecteren, zoals aankopen en klik- en zoekreeksen, eerder en nauwkeuriger. Luuk van Maasakkers, promovendus aan Erasmus School of Economics, verdedigt zijn proefschrift waarin hij laat zien hoe bedrijven hiermee veel eerder kunnen voorspellen of een klant waarschijnlijk een aankoop gaat doen.
Op donderdag 23 april 2026 verdedigt Van Maasakkers zijn proefschrift “Deep Learning Approaches for Customer Analytics”, onder begeleiding van promotoren Dennis Fok en Bas Donkers. Zijn onderzoek ontwikkelt deeplearning-algoritmen die geïnspireerd zijn op generatieve transformer-modellen, zoals die in ChatGPT, maar dan aangepast voor retailcontexten. Zoals hij uitlegt: ‘AI-modellen staan vooral bekend om het genereren van taal, maar met kleine aanpassingen zijn ze ook geschikt om andere typen datareeksen te voorspellen, zoals aankopen van klanten.’
Vergelijkbaar met het afmaken van een zin
Een belangrijk onderdeel van het proefschrift is het toepassen van moderne taalmodeltechnieken op gedragsdata uit supermarkten en online platforms. De modellen leren patronen in winkelmandjes, historische aankoopreeksen en klikgedrag, waardoor ze ontbrekende producten of toekomstige acties kunnen voorspellen. Van Maasakkers vergelijkt het vullen van een winkelmandje met het afmaken van een zin: ‘We hebben taalmodellen naar retailcontexten getrokken. Als een klant pasta en pastasaus koopt, bedenkt het model wat het volgende product in dat mandje zou zijn, zoals bijvoorbeeld Parmezaanse kaas. Dit is vergelijkbaar met hoe een taalmodel bedenkt wat het volgende woord in een zin moet zijn.’ Wanneer klanten later online boodschappen doen of producten in de winkel scannen, kan het systeem relevante aanvullingen voorstellen of gepersonaliseerde kortingen bieden.
De analyse gaat verder dan retail en strekt zich uit tot contexten zoals verzekeringen. De modellen onderzoeken op welke emails een klant klikt, of iemand via Google, een partnerwebsite of sociale media binnenkomt, en hoe deze interacties zich in de tijd ontwikkelen. Volgens Van Maasakkers kunnen zulke gedragsreeksen helpen om vroegtijdige aankoopintentie te herkennen: ‘Wanneer iemand zoekgedrag vertoont dat erop wijst dat hij echt op zoek is naar een verzekering, kan het systeem dit tijdig signaleren en het bedrijf zijn marketingstrategie hierop aanpassen’
Nauwkeuriger dan traditionele statistische benaderingen
In al deze toepassingen presteren de deeplearning-modellen beter dan traditionele statistische methoden. Van Maasakkers legt het eenvoudig uit: ‘Als ik appels en bananen koop, en mijn buurman koopt appels, bananen en peren, dan raadt de oude methode mij peren aan.’ De nieuwe modellen herkennen veel rijkere patronen: ‘We zien dat we met deze nieuwe technieken veel diversere en complexere patronen kunnen herkennen’, en ‘hoe moeilijker de taak, hoe groter het verschil tussen een AI-model en een traditionele aanpak.’
Dit komt doordat traditionele methoden uitgaan van vereenvoudigde aannames over klantgedrag, terwijl deeplearning-modellen patronen rechtstreeks uit de data leren. Van Maasakkers zegt het als volgt: ‘In traditionele methoden maken we veel aannames over de werkelijkheid. Met machinelearning-modellen laten we het algoritme zelf alle patronen leren. Als het goed getraind is, heeft het veel meer flexibiliteit om verschillende soorten patronen te leren.’
Inzichten voor marketeers
De bevindingen hebben praktische implicaties. Retailers en e-commercebedrijven kunnen deze inzichten gebruiken om aanbevelingssystemen te verfijnen of opnieuw te ontwerpen, waardoor aanvullende producten nauwkeuriger worden voorspeld. Bedrijven die klantklik- en zoekgedrag analyseren, kunnen potentiële kopers eerder herkennen en effectiever targetten. Het onderzoek laat ook zien hoe dergelijke modellen schaalbaar en operationeel kunnen worden gemaakt voor grote hoeveelheden klantdata.
Consumenten hebben ook baat bij het onderzoek van Van Maasakker en de toepassingen ervan. Zij ontvangen beter gepersonaliseerde aanbiedingen en aanbevelingen, en met deze technieken wordt boodschappen doen geleidelijk aan makkelijker en zijn er minder handelingen nodig. Ook wil hij erkennen dat dit soort toepassingen mogelijk privacy zorgen oproept. Hij licht toe: ‘In een van onze studies laten we zien dat we met minimale aankoopdata, die geen gedetailleerde persoonlijke informatie bevat, al goede gepersonaliseerde aanbiedingen kunnen genereren met behulp van deze modellen.’
- Meer informatie
Voor overige vragen, neem contact op met Ronald de Groot, Media & Public Relations Officer bij Erasmus School of Economics: rdegroot@ese.eur.nl, 06 53 641 846.
