Voor de beste ervaring schakelt u JavaScript in en gebruikt u een moderne browser!
Switch to English

De Canadees Qingchen Wang promoveerde aan UvA’s Amsterdam Business School met een paper over Machine Learning in digitale marketing en operationeel management. Wang onderzocht onder andere het datagedreven innen van schulden door incassobureaus, het optimaliseren van de bezetting van callcenters en het verbeteren van multichannel conversie onder consumenten.

Wang verdedigde zijn PhD-thesis, tot stand gekomen onder begeleiding van prof. dr. Marc Salomon, juni vorig jaar. Na 4 jaar Amsterdam verhuisde hij naar China, waar hij inmiddels assistent-professor Innovatie en Informatiemanagement is aan de Universiteit van Hong Kong. Marketing, zo stelt hij, is in sommige aspecten verder dan andere vakgebieden op het gebied van Machine Learning (ML).

Tegelijkertijd valt er nog veel te verbeteren. ‘Neem Albert Heijn, dat veel weet over het koopgedrag van klanten, maar niets weet van het gedrag van klanten buiten de winkel. Je weet dan niet in hoeverre mensen geïnteresseerd zijn in producten die je nog niet eerder hebt verkocht.’ Wat hij hiermee duidelijk maakt, is dat veel individuele bedrijven belangrijke data missen. Wang is geïnteresseerd in het optimaliseren van marketingacties. ‘Welke producten ga je promoten en voor welke prijzen? Algoritmen kunnen dit soort beslissingen ondersteunen.’

Verschillen tussen theorie en praktijk 

Als onderdeel van zijn onderzoek paste Wang ML en approximate dynamic programming toe om een Amsterdams incassobureau te helpen het incassoproces te optimaliseren. Hij gebruikte historische interacties en resultaten om een methode te ontwikkelen die intelligent kon bepalen welke schuldenaren het bureau op een bepaalde dag het beste kon bellen.

Het implementeren van de methode is in theorie heel eenvoudig. Maar er zijn ook redenen waarom een bedrijf ervoor kiest ML nog niet direct toe te passen. ‘De belangrijkste is dataprivacy. Het is logisch dat men hier voorzichtig mee is. Dit is ook het terrein van advocaten en juristen. Voor onderzoek is dataprivacy niet zo snel een probleem en privacy viel buiten de scope van dit onderzoek. Een bedrijf als Google is misschien behoorlijk transparant over hoe het data gebruikt, maar in veel traditionele bedrijven leent de management- en bedrijfsstructuur zich vooralsnog niet voor het optimaal inzetten van datagedreven methodes.’

ML-simulaties besparen veel kosten 

Een fundamenteel vraagstuk bij het bepalen van de bezetting van een callcenter is het handhaven van een bepaalde Quality of Service (QoS) tegen minimale kosten. Wang ontwikkelde een op simulaties gebaseerd ML-framework om de bezetting van een callcenter te optimaliseren. Het framework voorspelt met een foutmarge van 1-2 procent de verwachte QoS en genereert werkroosters om de bezetting te optimaliseren.

In Nederland zijn bedrijven al bovengemiddeld goed in het oplossen van optimalisatievraagstukken, volgens Wang. Dit ondervond hij ook in een samenwerking met een startup die in Amsterdam autobezitters helpt een vrije parkeerplek te vinden. ‘De startup werkt samen met gebouweigenaren die ongebruikte parkeerplekken ‘verhuren’. In Amsterdam is meer beschikbare parkeerruimte dan mensen denken en dit is een typisch optimalisatievraagstuk waar Nederlandse bedrijven goed in zijn. Maar er is nog steeds veel ruimte voor verbetering; niet voor niets zijn veel wetenschappers bezig met dit soort problemen.’

ML verbetert ook de gezondheidszorg 

In Hong Kong werkt Wang inmiddels aan een heel andere uitdaging: het verkorten van de wachtlijsten in ziekenhuizen voor mensen met rugproblemen. ‘In Hong Kong moeten mensen gemiddeld 3 tot 4 jaar wachten tot ze geholpen kunnen worden. Maar wat wij nu al zien is dat veel patiënten niet meteen de juiste hulp krijgen, waardoor ze snel weer terugkomen. In samenwerking met doctoren proberen we te onderzoeken waarom mensen terugkomen en hoe we dit voorkomen om daarmee de wachtlijsten verkorten. Ook dit zijn optimalisatievraagstukken waarbij ML een rol kan spelen’

De interesse van Wang is breed en uitdagingen voor ML ziet hij overal. ‘Soms hoor ik over een project waar iemand aan werkt. Dat kan zijn via vrienden, contacten op social media of collega’s. Ik ben altijd bereid de mogelijkheden te verkennen om aan een nieuw project te beginnen.’