Praktische voorbeelden: algoritmes beslissen beter dan de baas

Ineens zijn ze in de mode: algoritmes. Vak- en dagbladen hebben het er over, en op het NOS journaal meldt de privacy waakhond dat de overheid hierover ‘transparant’ moet zijn; politiek correct, maar dat moet je nou juist niet zijn. Het zou wel èrg plezierig zijn voor oplichters als transparant is op welke criteria ze worden herkend. Trouwens, om te snappen hoe algoritmes in elkaar zitten, moet je wel een behoorlijke bêta zijn. Voor de toepassingen niet.

Met algoritme gegenereerd portret brengt bij Christie’s $ 432.500 op

‘Portrait of Edmond de Belamy’ heet het kunstwerk dat het Franse collectief Obvious heeft gemaakt met een algoritme dat ze gewoon hebben gedownload. En in het epicentrum van de New Yorkse kunstwereld, in een galerie in Chelsea, was zelfs een hele tentoonstelling van kunst gemaakt met machine learning algoritmes[i]. Uiteraard werd er in de kunstwereld geschokt gereageerd – zoals dat hoort – net als een eeuw geleden toen een urinoir tot kunst werd gebombardeerd.

Dichter bij huis is de proef hoe Albert Heijn dankzij algoritmes minder voedsel weggooit. Het algoritme berekent de optimale afprijzingen op basis van o.a. verkoophistorie, het weer, de voorraad, en het aantal dagen tot houdbaarheidsdatum. Een paar keer per dag. “Zonde om weg te gooien” wordt dynamisch geprijsd. De eerste testen wijzen inderdaad op minder voedselverspilling.

Algoritmes hebben smaak noch kraak, en zijn niet slim

Een algoritme is niets meer of minder dan een rekenmodel dat de kans aangeeft op een specifieke gebeurtenis. En is gebaseerd op kenmerken waarvan is gebleken dat die samenhangen met de kans op die gebeurtenis. Verder zit er smaak noch kraak aan. En met slimheid heeft het al helemaal niets te maken. Dat is een eigenschap van mensen en dieren. Je kunt algoritmes wel ‘trainen’ om met de beschikbare data beter te voorspellen. Of je het feit of kenmerk nou wel of niet herkent, leuk vindt, of je het er wel of niet mee eens bent, doet er niet toe. Het is kennelijk zoals het is. Algoritmes corrigeren daarmee op menselijke vooroordelen en vertonen per definitie geen bias. Ze berekenen een hoge of lage kans op de toekomstige gebeurtenis. Geen zekerheid daarop.

Een bekend voorbeeld maakt dat duidelijk: als de gemiddelde kans op een autoschade bij een verzekeraar x% is, en je discrimineert naar de variabelen kleur, geslacht en leeftijd, dan blijkt dat de kans op schade van een rode auto bestuurd door een man jonger dan 25 jaar – stel – 2 x zo  groot is. Het algoritme berekent zo op basis van vooraf bekende variabelen de kans op schade. De verzekeraar kan daarop zijn premies differentiëren.

Discriminatie is waardevol en transparantie ongewenst

De meeste publicaties vallen gelijk over het woord ‘discriminatie’. Discrimineren mag niet. Maar dat is nu juist wat algoritmes doen: onderscheid aanbrengen, ofwel discrimineren. Zo discrimineert de Belastingdienst bij aangiften op kenmerken die een hoge of lage kans voorspellen op fouten en fraude. Anders moeten ze alle aangiften tot op het bot narekenen. Gelukkig discrimineert de politie ook, en vindt met algoritmes wijken waar de kans op inbraak groot is en kan daar de bezetting op afstemmen. Verschillende gemeentes gebruiken algoritmes om uitkeringsfraude op te sporen[ii]. En frauduleuze betalingen vertonen een patroon dat bij correcte betalingen nauwelijks voorkomt, en nauwelijks door het menselijk brein is te herkennen. Algoritmes herkennen dat wel. Dan gaat de alarmbel gelijk af om te checken of het inderdaad fraude is. Gelukkig maar, zo had VISA Card tot twee keer toe eerder door dan ikzelf dat met mijn kaart werd gefraudeerd. Leve de algoritmes!

Waarom al die opwinding?

Als specifieke vakgebieden met hun vaktermen in de mode komen bij een breed publiek, worden die vaktermen gemakkelijk anders geïnterpreteerd dan in dat vak. En wie meningen formuleert over een vakgebied dat hij niet kent, creëert snel opwinding. Sociale media barsten van meningen van mensen die van toeten noch blazen weten over het onderwerp waar ze graag een mening over ventileren.

Bij algoritmes heeft de opwinding veel te maken met het wiskundige begrip discrimineren. Dat wordt maatschappelijk geassocieerd met racisme, seksisme en andere vormen van ongewenst onderscheid. Van die associaties is het een kleine stap naar vooroordelen, waar algoritmes ook van worden verdacht. Maar de kracht van algoritmes is nu juist dat die zelf uitrekenen welke data wel en geen invloed hebben op de beoogde uitkomst. Ze filteren feiten van vooroordelen. Tenslotte wordt soms vergeten dat de kans op een gebeurtenis niet hetzelfde is als de gebeurtenis zelf. Is de opwinding dan nergens voor nodig? Dat staat te bezien.

Zo passen we algoritmes toe in onze organisatie

Het gaat om processen in de organisatie waarbij je de inspanning, investering en/of tijd minimaliseert:

  • door met gegevens die je vooraf kent
  • de maximale kans berekent
  • op het zich voordoen van een toekomstige gebeurtenis

Dit geldt overigens voor alle data gestuurde bedrijfsprocessen, die wij vooral toepassen op commerciële vraagstukken, marketing en verkoop. Een algoritme is één van de methoden, maar er is een hele reeks, van het ook al populaire artificial Intelligence, machine learning, neurale netwerken tot correlatieanalyses. Ze zijn allemaal lid van de Big Data Familie van datagestuurde bedrijfsprocessen.[iii] Gewoon optellen is soms ook effectief.

In alle gevallen moet je beginnen met het identificeren van een gebeurtenis die onderdeel is van het beleid van je organisatie. Dat kan een gebeurtenis zijn die je wilt vermijden (schade, fraude, opzegging, ziekteverzuim, aanslagen, bedrijfsongevallen. wachttijden) of een die je zoveel mogelijk wilt laten gebeuren (orders, nieuwe klanten, bestsellers boeken/films/games, succesvolle medewerkers, misdadigers opsporen).

Als je het proces en de gebeurtenis hebt gekozen, moet je zoeken welke data je beschikbaar hebt die in het proces vooraf gaan aan het zich wel of niet voordoen van de gebeurtenis. En vervolgens zoek je in de gereedschapskist van analysetools welke het meest geschikt is.[iv]

Praktische voorbeelden: algoritmes beslissen beter dan de baas

Een van onze relaties doet campagnes om nieuwe klanten te werven. Ze doen dat via het web naar verschillende doelgroepen met verschillende soorten banners met verschillende teksten. Ieder lid van het team heeft zijn eigen voorkeur. Als je drie doelgroepen selecteert, drie soorten banners en vier verschillende teksten, zijn er 3 x 3 x 4 =36 mogelijkheden, teveel en te duur om tegen elkaar te testen tot je weet wat het beste scoort per geïnvesteerde euro. Het is niet ongebruikelijk dat de hoogste in rang in zo’n geval de keuze bepaalt. Maar in plaats van de voorkeur van de baas kun je beter algoritmes gebruiken: die laten alle variabelen tegen elkaar draaien en laten de slechtst scorende combinaties vallen tot de beste overblijft. Afhankelijk van de aantallen heb je binnen een paar tellen of dagen het antwoord.[v]

Algoritmes voor logistieke processen, en voor het voorspellen van bezettingsgraden en daarop afgestemde prijzen zijn andere praktische voorbeelden. Ze sturen de belading respectievelijk bezettingsgraad van containerschepen, vliegtuigen en bungalowparken. Ze differentiëren prijzen naar capaciteit, aantal verwachte klanten en tijdstip van boeking. Als je je afvraagt waarom vliegtuigen tegenwoordig zo vol zitten, dan heb je hier het antwoord: algoritmes. Dat is ook het antwoord op je vraag waarom er zulke grote prijsverschillen zijn voor de zelfde trip afhankelijk van wanneer je boekt. En waarom Netflix en Spotify zo goed weten waar je van houdt.

Dat bestsellers op de markt komen van jonge auteurs waar je nooit van hebt gehoord is verrassender. Platform Wattpad begon met verhalen die pubers schreven. Katarina Tonks begon er op haar veertiende mee. Lezers vertelden over hun favoriete personages en wendingen in de plot, waarop Katarina haar verhalen aanpaste. Intussen zijn haar verhalen 60 miljoen keer op Wattpad gelezen. En is Wattpad een netwerk geworden voor lezers en schrijvers met meer dan 500 miljoen verhalen in 15 talen. Daar weten logaritmes wel raad mee als het gaat om herkennen van potentiele bestsellers.[vi]

Critici van algoritmes hebben soms wel degelijk gelijk

Dat neemt niet weg dat met algoritmes – en andere big data analysemethoden – schadelijke toepassingen worden gemaakt. Ik noem er enkele. Het ligt in essentie overigens niet aan de algoritmes maar aan de beschikbaarheid van big data en de mensen die ze gebruiken. Navrant is dat schadelijke toepassingen bij miljarden mensen juist buitengewoon populair kunnen zijn.

  • Critici van algoritmen hebben gelijk als de gebruikte data niet worden geactualiseerd. Data die jaren terug sterk voorspelden, hoeven dat nu niet meer te doen. Dan maakt het algoritme verkeerde keuzes. Je moet periodiek checken of een algoritme nog de juiste keuzes maakt.
  • Algoritmes die vaststellen wat je het liefste leest, ziet en hoort, en daarop jouw aanbod selecteren, ervaart een mens als prettig; maar daardoor wordt je kennis beperkt. Voor boeken, muziek en films is dat tot daar aan toe, maar als het over standpunten en (voor)oordelen gaat, krijg je bij uitstek het nieuws waarin je wordt bevestigd. Zo graven mensen zich gemakkelijk in hun eigen standpunten in, waardoor discussies verharden. Wie vindt dat klimaatverandering een complot van socialisten is, krijgt blogs van mensen die dat ook vinden; die versterken elkaar. Meer data leiden zo tot minder inzicht. Sensatiebeluste aandachttrekkers op clickbaitsites krijgen meer reacties dan berichten van serieuze media. Zo verdringt pulp het echte nieuws”[vii].
  • Een navrant voorbeeld hoe mensen zijn te manipuleren dankzij hun verslaving aan Facebook is breed uitgemeten in de pers. De briljante fine tuning door Cambridge Analytica op sociale profielen, haarfijn afgeleid uit Facebook data, droeg bij aan de volstrekt onverwachte Brexit uitslag. Je mag je afvragen of de democratie zo wordt beschadigd. In elk geval is het wel het einde van referenda; dat zijn wedstrijden geworden tussen trollenfabrieken om iemands voorkeur door te drukken. D66 had dat wat duidelijker mogen zeggen. Leugens die passen op vooroordelen zijn krachtige wapens. Een rekenmodel is daar niet schuldig aan, maar met big data zijn mensen dat wel.
  • Echt gortig wordt het pas als algoritmes het enige aanspreekpunt voor medewerkers zijn. En de eigenaren hun rekenmodel sturen op maximale macht en geld voor zichzelf. Uber wordt wel gezien als de uitvinder van dit ‘algoritme management’. Het maakt de rijken rijker en de armen armer. Tech monopolies doen er hun best voor. De strategie van Uber, lees ik, is om het stadsleven te domineren. Zo heb ik algoritmes nooit bedoeld. Dan liever een die Mona Lisa laat praten[viii].

Algoritmes onmisbaar

Algoritmes zijn onmisbaar voor onze gecompliceerde bedrijfsprocessen. Hun kracht zit juist in het discrimineren, maar dat heeft een andere betekenis dan in het spraakgebruik. Als je niet weet waar het over gaat, houd dan je mond. Als je het wel weet, zie je zeker bedreigingen. Die vinden hun oorsprong in de uitbarsting van big data, en niet in de tools waaronder algoritmes. Maar soms gaat het wel erg ver. Als je aarzelt om een Uber taxi te nemen, kan ik mij dat goed voorstellen.

Deze column is geschreven door Paul Postma, directeur van PPMC. De column is ook gepubliceerd op www.managementsite.nl. Klik hier voor de publicatie op managementsite.nl

Noten

[i] Bogost, Ian, The Atlantic, Washington/ 360 graden, ‘Tussen kunst en AI’, nr 160, blz. 40 e.v.

[ii] NRC, 10 aprl 2018, C7.

[iii] Handboek Marketing 4.0 – digital, data-driven en direct; paragraaf 3.3.3 Big data analysetechnieken; Boom Uitgevers, Amsterdam 2018.

[iv] Big Data Marketing – Snel, Simpel en Succesvol; hoofdstukken 3, 4 en 5 voor werken, rekenen en strategische keuzes met big data; AdfoGroep, Amsterdam 2017.

[v] Anatomie van de Verleiding – neuromarketing toegepast; case 10, oe verleid je kinderen tot een museumbezoek, blz. 211. Boom Uitgevers, Amsterdam 2017, 4e druk.

[vi] Easter, Makeda, Los Angeles Times/360 graden, ‘Jonge schrijvers gezocht, nr 158,blz. 50 e.v.

[vii] Hoe pulp het echte nieuws verdringt, Pieter Hotse Smit, De Volkskrant, 25 januari 2019.

[viii] Zie NRC 10 mei 2019, In het nieuws blz. 4 en 5; NRC 25 & 26 mei 2019, Wetenschap blz. 9.