Skip to main content

MOAward: Onderzoeksbureau van het Jaar 2023           Trotse FD Gazelle '20, '21, '22, '23 én 2024!

+31 (0)30 22 71 937

5 Voorbeelden Hoe Kunstmatige Intelligentie en Machine Learning Worden Toegepast in Neuromarketing

Neuromarketing, Research

5 Voorbeelden Hoe Kunstmatige Intelligentie en Machine Learning Worden Toegepast in Neuromarketing

Hersendata is een interessant gebied om kunstmatige intelligentie (AI) op toe te passen. Door het meten van hersenactiviteit kunnen we consumentengedrag beïnvloeden, dit wordt ook wel neuromarketing genoemd. Consumentenpsychologie lijkt hierop, echter gaat dit meer over het toepassen van psychologische persuasion technieken. De integratie van AI en consumentenpsychologie kan het veld van neuromarketing in de komende jaren in een stroomversnelling brengen.  

De ontwikkeling van kunstmatige intelligentie binnen de neurowetenschap heeft lang stilgestaan door het gebrek aan data en rekenkracht. Het is namelijk erg tijds- en arbeidsintensief om veel data te verzamelen. Daarom was het lange tijd lastig om een goed voorspellend model te maken. Met een steeds groter wordend netwerk van open science en standaardisatie van protocollen binnen de neurowetenschap, komt het gebruik met AI steeds vaker voor.

Het verzamelen van data gaat meestal op twee manieren: respondenten beantwoorden na afloop van elke stimulus een vraag waarvan het antwoord later door AI geclassificeerd wordt, of worden in verschillende condities opgedeeld en aan de hand daarvan geclassificeerd.

De toepassingen zijn eindeloos: bijvoorbeeld in usability, A/B testen, retail onderzoek of detectie van cognitieve status. Ook zijn er talloze voorbeelden waar machine learning op hersendata wordt ingezet voor emotieherkenning, het voorspellen van product voorkeur of willingness to pay. We zullen een paar van deze voorbeelden toelichten.

Trouwens, laatst gaven we een - gratis - lunchwebinar precies hierover. We lieten zien wat het brein allemaal kan voorspellen, maar keken ook vooruit op welk terrein we onze toekomstige onderzoeken zullen richten.

Aangezien je dit blog leest, dacht ik dat je deze webinar helemaal mooi zal vinden! Terugkijken kan heel simpel via deze link. Ik ben benieuwd wat je ervan vond!

1. Machine learning als emotieherkenning

Voor het herkennen en classificeren van emoties, wordt regelmatig machine learning toegepast op neurofysiologische data. Deze wordt bijvoorbeeld verzameld terwijl een persoon naar een product of afbeelding kijkt. Vervolgens geeft men aan welke emotie dit oproept, en die emotie wordt gelabeld. Op basis van dat label wordt het model getraind. Naast het kijken naar producten of afbeeldingen, kunnen er ook emoties opgewekt worden door het kijken/luisteren naar video’s of muziek. Emotionele reacties worden met steeds meer succes herkend door AI: emotie-herkenning kan - afhankelijk van het model, de data en het aantal classificatie taken - tussen de 55%1 en 98%2 goed voorspellen. Hiervoor wordt vaak de DEAP3 dataset gebruikt, waarin 32 respondenten 40 muziekvideo's bekijken en hun emotie aan cijfer geven op basis van opwinding (arousal) en valentie (valence). 

2. Machine learning en productvoorkeuren

Zo vindt er ook onderzoek plaats naar de product voorkeuren van de consument: Na het zien van een product wordt de consument gevraagd aan te geven of zij het wel of niet leuk vinden. Kunstmatige intelligentie op basis van deze rating is in steeds grotere mate succesvol: een unbiased wereldbeeld zou met 50% kans de consumentenkeuze kunnen inschatten, machine learning modellen voorspellen dit tot 80%4 accuraat. 

Het is interessant om te zien dat het verschil tussen deep learning en machine learning hier naar voren komt: een artificieel neuraal netwerk (deep learning) voorspelde meer dan 10 procentpunt beter dan het random forest algoritme (machine learning).

3. Machine learning en willingness to pay

Op deze manier wordt ook onderzoek gedaan naar de optimale prijs voor een product. Tijdens ons pricing onderzoek wordt bijvoorbeeld eerst het product aan de respondent gepresenteerd. Daarna wordt de reactie van de hersenen op het zien van de prijs gemeten en aan de respondent gevraagd of hij/zij het product voor deze prijs zou kopen. 

Door het vergelijken van de hersenactiviteit tijdens het wel/niet willen kopen van een product voor een bepaalde prijs en integratie met de marktwaardes van deze producten, is het mogelijk om een voorspellend model voor de ideale prijs van jouw product vast te stellen. 


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 <


4. Machine learning en aandacht

Ook op eye tracking data is AI waardevol. We zien vele toepassingen waar een machine learning model is getraind op basis van de oogbewegingen van honderden respondenten op duizenden foto’s. Dit maakt het mogelijk om oogbewegingen te voorspellen: er kan een heatmap gecreëerd worden die duidelijk die aangeeft welke elementen van de afbeelding waarschijnlijk veel aandacht trekken. 

Dit is een ontzettend sterke tool die bijvoorbeeld in combinatie met object recognition (objectherkenning; waarbij AI wordt ingezet om objecten uit het dagelijkse leven te herkennen. Bijvoorbeeld je FaceID) extra waarde levert. Op die manier kunnen we erachter komen welke objecten de aandacht trekken (bijvoorbeeld dieren en baby’s) en welke dat vaak niet doen. 

5. Machine learning voor detectie van cognitieve workload

Het detecteren van cognitieve workload is een belangrijk element binnen de cognitieve neurowetenschappen. Van origine is dit onderzoek gericht op veiligheid, door bijvoorbeeld de mentale workload te meten van piloten om hun optimum te bepalen: als het werk te makkelijk is, worden fouten gemaakt omdat aandacht is verslapt door verveling. Als het werk te moeilijk is, worden fouten gemaakt door cognitieve overload. Met dit vraagstuk zijn ook Berka en collega’s5 aan de gang gegaan om workload te classificeren. 

Vanuit dit punt in de wetenschap zijn classificatie modellen gebouwd voor workload, engagement en distraction, gebaseerd op machine learning. Deze metrics zijn ook binnen de neuromarketing erg belangrijk: wanneer een reclame te saai is, wordt de boodschap niet onthouden, hetzelfde geldt voor wanneer deze te moeilijk is. Ook een consument die niet betrokken is, of erg afgeleid, is niet waardevol voor de marketing boodschap. Door gebruik te maken van de classificaties van deze cognitieve states, kunnen we dus ook voor jouw reclame boodschap de hoogte- en dieptepunten identificeren!

Kortom; Wat kan AI doen voor neuromarketing?

  • Onderscheiden van verschillende emoties
  • Gepersonaliseerde meting van internal states van je gebruiker
  • Voorspellen van koopintentie van de consument
  • Automatisch creëren van eye tracking patronen 
  • Objectherkenning in het dagelijks leven
  • And many more.. 

1Xu, H., & Plataniotis, K. N. (2016, July). EEG-based affect states classification using deep belief networks. In 2016 Digital Media Industry & Academic Forum (DMIAF) (pp. 148-153). IEEE.

Ramzan, M., & Dawn, S. (2021). Fused CNN-LSTM Deep learning emotion recognition model using Electroencephalography signals. International Journal of Neuroscience, (just-accepted), 1-10.

3 Koelstra, S., Muhl, C., Soleymani, M., Lee, J. S., Yazdani, A., Ebrahimi, T., ... & Patras, I. (2011). Deap: A database for emotion analysis; using physiological signals. IEEE transactions on affective computing, 3(1), 18-31.

4 Morillo, L. M. S., Alvarez-Garcia, J. A., Gonzalez-Abril, L., & Ramírez, J. A. O. (2016). Discrete classification technique applied to TV advertisements liking recognition system based on low-cost EEG headsets. Biomedical engineering online, 15(1), 197-218.

5 Berka, C., Levendowski, D. J., Lumicao, M. N., Yau, A., Davis, G., Zivkovic, V. T., ... & Craven, P. L. (2007). EEG correlates of task engagement and mental workload in vigilance, learning, and memory tasks. Aviation, space, and environmental medicine, 78(5), B231-B244.

 

PS Vond je dit blog waardevol en wil je het niet missen als we een nieuwe publiceren?
Schrijf je dan in voor onze updates, je bent met ruim 9.165 anderen in goed gezelschap.

Unravel verscheen eerder in: