Neuromarketing, kunstmatige intelligentie (AI) en Machine Learning. Hoe kun jij deze technieken inzetten?

Neuromarketing is de studie naar consumentengedrag door middel van het meten van hersenactiviteit. Consumentenpsychologie ligt hier heel dicht tegenaan: dit gaat meer over het toepassen van psychologische persuasion tactieken.  

 Kunstmatige intelligentie lijkt voor velen precies op de tegenovergestelde kant van de weegschaal te liggen: waar psychologie als gamma wetenschap door het leven gaat, is kunstmatige intelligentie veel meer computatief en wordt daardoor vaak binnen het hokje van de bètawetenschappen geplaatst. Echter, deze tegenstelling vertelt niet heel het verhaal; juist de integratie van AI met consumentenpsychologie kan het veld van neuromarketing in de komende jaren in een stroomversnelling brengen. Door razendsnelle innovaties in meetmethodes, algoritmen en datamanagement aan beide kanten van deze tweedeling te combineren met een goede dosis creativiteit van zowel de wetenschap als de praktijk zullen we in de nabije toekomst nog vele toepassingen ontdekken. 

Kunstmatige intelligentie, Machine Learning, Deep Learning. Wat is het verschil?

Binnen kunstmatige intelligentie kun je verschillende stromingen onderscheiden. Artificial Intelligence is voorbij de hype niets meer dan een verzamelnaam voor statische methoden met een zelf-lerend element erin. 

Machine Learning

De bekendste daarvan is machine learning; machinaal leren. Hierbij worden bekende wiskundige en statistische methoden toegepast om een voorspellend model te maken. Een van de meest bekende en makkelijk te interpreteren is een regressie model. Dit model wordt opgebouwd door een lijn zo goed mogelijk door de datapunten te trekken. Door het statistisch inschatten van de beste combinatie van vermenigvuldigingen - de zogenoemde weights - van de variabelen - de predictors -, ontstaat een machine learning model dat op basis van nieuwe data een voorspelling doet op basis van deze regressie lijn.

In diezelfde trant zijn er nog vele andere modellen die onder machinaal leren vallen zoals k-nearest neighbours, decision trees (beslisbomen) en support vector machines. 

Deep Learning

En ander bekende term is deep learning. Deep learning is gerelateerd aan machine learning valt, maar wordt vaak los beschouwd. Deep learning is een compleet zelflerend model waarbij een neural net wordt gemaakt (bijvoorbeeld: convolutional neural net (CNN), recurrent neural net (RNN), Long Short Term Memory Networks (LSTM)). Een neuraal net is een netwerk waar de data als input geldt en daarna via verschillende lagen wordt gereduceerd tot een voorspelling van de uitkomst variabele. 

Wat is het verschil tussen Machine Learning en Deep Learning?

Beide methodes kennen hun voor- en nadelen. Zo zijn machine learning modellen vaak gemakkelijker te interpreteren, maar over het algemeen iets minder accuraat, terwijl dit bij deep learning modellen juist andersom geldt.

---

Gratis Webinar: De verrassende voorspellende waarde van het brein 🧠

Van de verkiezingsuitslag tot het aantal euro's dat we in de collectebus gooien – hersenactiviteit blijkt van grote voorspellende waarde in vele takken van het leven. In dit webinar onthullen Tim en Tom van Unravel de meest verrassende inzichten over hoe hersenactiviteit ons dagelijkse gedrag accuraat blijkt te voorspellen.

De 50 minuten durende webinar is nu terug te kijken!

Bekijk de webinar via deze link <

---

Intelligentie van beide kanten

Binnen de neurowetenschappen worden deze methoden sinds kort ook veelvuldig toegepast; en in steeds grotere mate. 

Andersom was het echter al langer het geval: de kunstmatige intelligentie heeft veel kunnen leren van de neurowetenschappen. De naam voor het algoritme komt er zelfs vandaan: het neurale netwerk. De ontwikkeling hiervan is grotendeels gefaciliteerd door hersenonderzoek, waar men doorhad dat hersenfuncties afstammen van de connectiviteit tussen neuronen; Hebb’s befaamde “Neurons that fire together, wire together.” 

Dit principe wordt ook toegepast binnen artificiële neurale netwerken: het opbouwen van een netwerk zorgt ervoor dat informatie effectief opgeslagen en teruggevonden kan worden. Andersom zorgt deze computationele benadering ook weer voor nieuwe inzichten in de fundamentele neurowetenschappen, echter is het gebruik van de methoden in toegepast neurowetenschappelijk onderzoek pas later ontstaan.

Wat is er veranderd sinds de early days?

Wat de ontwikkeling van kunstmatige intelligentie binnen de neurowetenschap lang heeft tegengehouden is het gebrek aan data. Omdat het heel tijds- en arbeidsintensief is om veel data te verzamelen, was het lange tijd lastig om een goed voorspellend model te maken. Vaak was het model schuldig aan overfitting: het leunde te veel op de trainingsdata en kon daardoor niet goed generaliseren naar nieuwe data waarover men voorspellingen wilde doen. 

Met een steeds groter wordend netwerk van open science en standaardisatie van protocollen binnen de neurowetenschap, wordt dit probleem echter langzaam kleiner. Ook worden de algoritmen ontwikkeld om te leren op basis van minder data, zonder aan generalisatie kracht te verliezen. Eigenlijk worden zowel onderzoeker als zijn/haar model en de trainingsdata, steeds een stukje slimmer.

Kunstmatige Intelligentie op jouw hersenen?

De toepassingen die zich op dit moment grotendeels voordoen in EEG onderzoek zijn in te delen in zes categorieën:

1. Herkennen en classificeren van emoties
2. Toepassen van verbeelding van bewegingen om een robotarm of prothese te besturen (motor imagery brain computer interfaces)
3. Signaleren van mentale workload
4. Detecteren van een seizure in epilepsie
5. Automatiseren van event-gerelateerde EEG analyse (event-related potentials; ERP)
6. Scoren van slaap stages

Neuromarketing onderzoek heeft zich - iets specifieker - gericht op het herkennen van een like/dislike status en het voorspellen van de voorkeur en gedrag van consumenten. 

Vaak worden voorspellende modellen op basis van hersendata op die manier opgebouwd: men bekijkt een product/video/afbeelding en geeft daarna aan welke emotie dit oproept. Op basis van deze labelling wordt vervolgens het model getraind. Daarnaast zijn er ook studies waar emoties worden opgewekt door middel van video's of muziek. 

Machine learning en usability research

Door middel van kunstmatige intelligentie op eye tracking kan ook een model gebouwd worden om de kijkpatronen van de lezer te identificeren. Daardoor kan tijdens een usability onderzoek gemakkelijk worden vastgesteld hoe veel tijd de lezer ook daadwerkelijk leest, en welk gedeelte van tekst meer scannend bekeken wordt. 

Machine learning en A/B testen

Een andere interessante synergie van machine learning en psychologie wordt gezien binnen het A/B-testen. A/B-tests zijn gericht op het optimaliseren van de conversie van een website  (CRO). Bureaus gespecialiseerd in de psychologie achter online verkoop zoals Unravel Behavior geven advies om design, structuur, tekst en andere UX-elementen aan te passen naar aanleiding van psychologische inzichten. 

Omdat websites vaak dynamisch zijn en content snel wordt gewisseld op bijvoorbeeld zoekpagina’s of blogs, kan een A/B-test niet altijd significant worden uitgevoerd. In dat geval wordt machine learning ingezet: door het model continu (online) te optimaliseren, wordt de optimale variant eerder herkend en loopt de website daardoor minder conversies mis. 

Machine learning en retail onderzoek

Binnen de analyse van onze onderzoeken bij Unravel Research maken we dan ook veel gebruik van machine learning. 

Bijvoorbeeld tijdens ons (Virtual Reality; VR) supermarkt onderzoek: het is in deze beweeglijke omgeving essentieel om de producten die we onderzoeken in het schap goed te kunnen analyseren. Hiervoor gebruiken wij gaze mapping: een AI-geoptimaliseerde tool om vanuit een dynamische omgeving de kijkpatronen van een respondent op een stilstaand beeld te mappen. 

Machine learning en detectie van emotionele en cognitieve states

Ook onze veelgebruikte metrics: workload, engagement en distraction zijn gebaseerd op machine learning. Hier voert een gebruiker eerst een benchmark taak (nulmeting) uit waarmee zijn/haar brein in ‘rust’ meten. Op basis van deze persoonlijke meting, worden metingen uit het verleden gekoppeld om een voorspelling te doen over de drie eerder genoemde metrics. Door jarenlange ontwikkeling en continue updates van onze software is dit altijd een cutting-edge voorspelling van de internal state van de gebruiker.

Daarnaast zitten wij zelf ook niet stil wat dit betreft: om een greep te doen uit andere tools die momenteel in development zitten: de eerder genoemde labeller voor het lezen/scannen van tekst. Ook ons pricing model staat onder continue verbetering om steeds preciezer de optimale prijs te voorspellen. 

Meer weten?

Lees dan ons blog 5 Voorbeelden Hoe Kunstmatige Intelligentie en Machine Learning Worden Toegepast in Neuromarketing