Marktonderzoek via kunstmatige intelligentie: foto’s van gerechten brengen potentiële klanten in beeld
MONSTER/ROTTERDAM, april 2024 – Hoe krijg je als producent beter zicht op de meest interessante markt voor je producten? De microgroenten van Koppert Cress worden wereldwijd verkocht, maar het bedrijf heeft beperkt zicht op de eindafnemers. Om de vragen van Koppert Cress te beantwoorden brachten de datamodelleringsexperts van het Rotterdamse bureau Gibbs Analytics Consulting met kunstmatige intelligentie de West-Europese restaurantmarkt beter in beeld.
De speciale producten van Koppert Cress belanden via soms wel vier of vijf tussenstappen in een restaurantkeuken. Het bedrijf weet door de snelle groei en de complexe keten niet goed welke chefs met hun producten werken, en waar ter wereld. Dat maakt het lastig om te bepalen waar en hoe je je marketingbudget het beste kunt besteden. Daarvoor heb je eigenlijk een kijkje in de keuken nodig. “In welke regio’s zijn de culinaire trends voor ons het meest interessant?”, was dan ook de vraag waarmee commercieel directeur Stijn Baan aanklopte bij Gibbs.
Pull marketing: de chef interesseren
In hun marketing en sales kiest Koppert Cress voor een pull strategie: speel in op de interesse en behoefte van een chef, en vergroot op die manier de vraag naar je producten. De verkopers bezoeken daarom websites van restaurants, bekijken de foto’s van gerechten en checken de beoordelingen via diverse kanalen en sociale media. Op die manier blijken ze uitstekend in staat om de potentie van een restaurant in te schatten, maar het is een zeer arbeidsintensieve klus. Bij het zoeken naar potentiële afnemers is het onderscheid tussen sterrenchefs en fastfood-restaurants natuurlijk snel te maken. Maar daartussen zit een enorm segment dat lastiger te beoordelen is.
Sterrenchef of fastfood?
In een eerder project liet Gibbs al eens fotoherkenningssoftware los op foto’s van gerechten. “Met kunstmatige intelligentie kunnen we zulke beelden beoordelen”, vertelt Casper de Winter van Gibbs. “Een neuraal netwerk vindt patronen in pixels, en met voldoende trainingsdata blijk je uitstekende resultaten te kunnen behalen. Daarbij gaat het er niet om dat je cress op het bord kunt herkennen. Wel let ons algoritme op het verschil tussen een stijlvol opgemaakt bord met een relatief klein gerecht in veel verschillende kleuren en een veel eenvormiger bord met bijvoorbeeld friet en pindasaus. Daar maken we gebruik van om te beoordelen of een restaurant tot onze doelgroep zou kunnen behoren.”
Publiek beschikbare data
Het team van Gibbs ging op zoek naar geschikte databronnen. Grote spelers als Google Maps, Amazon of Marktplaats werken met geanonimiseerde data die publiek beschikbaar zijn. Dat geldt ook voor verschillende reviewsites. Die geven niet alleen gedetailleerde informatie van het restaurant, maar ook de reviews én foto’s van miljoenen bezoekers. Casper: “Juist die foto’s van bezoekers beschouwen we als de meest objectieve en dus waardevolle input: dat is immers wat er daadwerkelijk aan tafel wordt uitgeserveerd.”
Multimodaal neuraal netwerk
Met alle beschikbare informatie – het type restaurant, de prijsklasse, de beschikbaarheid van vegetarische menu-opties, de rating door bezoekers én de foto’s – zetten de data-analisten een multimodaal neuraal netwerk aan het werk. Dat ontdekt structuren van verschillende ‘modaliteiten’ (eigenschappen of kenmerken) tegelijkertijd en voegt die informatie samen in één score: de kans dat een chef interesse heeft in de producten van Koppert Cress.
85% correcte voorspellingen
Om een goede inschatting te kunnen geven, moet het neurale netwerk eerst worden getraind. Daarvoor is, in samenwerking met een groothandel, gebruik gemaakt van de gegevens van bestaande klanten die regelmatig bij Koppert Cress bestellen. “Op basis van de data van deze klanten controleren we de keuzes van het algoritme en corrigeren waar dat nodig is, zodat de inschattingen van het neurale netwerk steeds verder verbeteren. We zijn zeer tevreden met het resultaat: voor 85% van de restaurants kunnen we correct voorspellen of ze interessant zijn als potentiële klant of dat ze dat beslist niet zullen zijn.”
Foto’s geven onderscheidende informatie
Regelmatig blijkt dat de relevante extra informatie van de foto’s het onderscheid maakt. Om een voorbeeld te geven: twee Italiaanse restaurants uit dezelfde prijsklasse en met een vergelijkbare rating - de een met een fijnzinnig opgemaakt bord, de ander met een traditioneel (maar ongetwijfeld uitstekend) bordje pasta. Voor Koppert Cress ligt daar een onderscheidend criterium: streeft de chef naar een wow-factor, in smaak en presentatie van zijn gerecht?
Waardevolle informatie voor marketing en sales
Met het getrainde AI-model inventariseerden de analisten een miljoen restaurants van Scandinavië tot Spanje en van Ierland tot Griekenland. Ze bepaalden een conversiekans en een geschat verkooppotentieel. Geaggregeerd laten de data zien welke regio’s het meeste potentieel bieden: waardevolle informatie voor het marketing en sales team van Koppert Cress.
Op basis van deze data kan het bedrijf een groeistrategie ontwikkelen op regionaal niveau en doelgericht online campagnes samenstellen. Koppert Cress werkt bij voorkeur samen met lokale partners. “Met deze analyse kunnen we gericht samenwerking zoeken in kansrijke regio’s”, aldus Stijn Baan. “Omdat we beter zicht hebben op de chefs voegen we waarde toe voor onze logistieke partners. En zelf houden we beter grip op onze groei.”
