arrow_drop_up arrow_drop_down
Conversie en Gepersonaliseerde Producten voor Webshops
27 juni 2014 

Conversie en Gepersonaliseerde Producten voor Webshops

Een onderzoek uit 2010 laat zien dat 15% van de online consumenten producten kocht dankzij een aanbeveling van een retailer, en het blijkt dat de meerderheid van deze consumenten aanbevelingen nuttig vinden (62%!). In 2011 werd er gemiddeld door 20% van de online retailers gebruik gemaakt van deze automatische aanbeveling  (intern of extern).  Deze automatische aanbevelingen worden gebaseerd op “recommendation engines”, oftewel algoritmes die allerlei variabelen in acht nemen om een bepaalde uitkomst te geven. Maar wat weten we nu eigenlijk over deze recommendation engines? Waarop zijn deze gebaseerd en hoe maken webshops hier nu echt goed gebruik van?

Recommendation Engines

Aanbevelingen helpen gebruikers om producten te leren kennen die overeenkomen op basis van een aantal variabelen. Dit verschilt, maar er zijn een aantal standaard methoden voor recommendation engines.

  • Gebaseerd op geschiedenis
  • Gebaseerd op inhoud
  • Gebaseerd op consumenten input
  • Gebaseerd op meerdere bronnen (Hybride)

Elke methode gebruikt verschillende variabelen, en deze zullen hieronder kort beschreven worden.

Geschiedenis

Dit is een veel voorkomende methode voor grote webwinkels, aangezien deze beschikken over grote hoeveelheden data. Hierdoor kunnen deze webshops vele producten aan elkaar koppelen gebaseerd op consumenten eigenschappen die overeenkomen met jouw eigenschappen (bijv. demografie, leeftijd, interesses). De “Anderen bekeken ook:” variant van bol.com maakt hier gebruik van. De “anderen” waar ze het over hebben, zijn mensen óf mensen met dezelfde eigenschappen, óf mensen die via deze pagina doorklikten naar één van deze producten (dus ook op basis van geschiedenis).

Recommendation Engines

Een simpelere versie hiervan heeft Amazon standaard (als je niet ingelogd bent), gebaseerd op product overeenkomst. Dus je kijkt bij Product X en je ziet de producten die klanten ook kochten toen ze dit product kochten.

Recommendation Engine

Hier zijn vele mogelijkheden, zo kunnen recommendation engines gebruik maken van social media gegevens (als men hier toestemming tot geeft) om uitgebreide product aanbevelingen te geven. Jubiluu doet dit bijv. om betere cadeaus te vinden voor je vrienden, een simpele Facebook integratie maakt dit al mogelijk.

Inhoud

Aanbevelingen gebaseerd op inhoud zijn de meest voorkomende bij standaard webshops. Recommendation engines met deze methode maken gebruik van categorieën. En de producten die overeenkomen met de categorie van de pagina waarop de consument zich bevindt worden hier getoond. Vaak wordt dit gecombineerd met historische data over eerdere aankopen, om zo als eerste de meest verkochte producten te laten zien.

Consumenten Input

Deze methode maakt gebruik van de favorieten van klanten of de voorkeuren die ze aangeven. Vooral websites met redelijk complexe producten maken hier gebruik van, maar steeds meer webshops gebruiken het om hun klanten een extra service aan te bieden. Zie bijv. de keuzehulp van de laptopshop van CoolBlue, de Smartphonewijzer van de Phonehouse, de Parfum vinder van Douglas en de thermokleding keuzehulp van Sportswearonline.

Onderstaand deze keuzehulp, die klanten helpt om zonder al teveel moeite een product te vinden die bij hen past.

Recommendation Engine

Hybride

Er zijn ook recommendation engines die verschillende methodes combineren. Zoals eerder gezegd, dit komt vaak voor omdat het helpt om de aanbevelingen te verbeteren, zodat het niet alleen op bijv. consumenten input is gebaseerd, maar ook nog op inhoud, en historische data. Hierdoor kan een optimaal resultaat behaald worden, en dit is ook het meest voorkomend bij grote webshops. Onderstaand is ook een hybride voorbeeld, er wordt namelijk gebruik gemaakt van overeenkomende categorieën, maar ook op eerder bekeken producten.

Recommendation Engine Hybride

Optimaliseren

Om echt goed gebruik te maken van recommendation engines is het dus essentieel om te kijken wat de webshop aan data kan verzamelen, en of dit genoeg én relevant is. De kwantiteit is vrij belangrijk, aangezien er alleen met grote datasets conclusies kunnen worden getrokken tussen consumenten eigenschappen en hun eerdere bestellingen. Net zo goed voor relaties tussen veel samen gekochte producten.

Voor Amazon, bol.com, wehkamp of andere grote shops is dit geen enkel probleem. Maar voor kleine webshops is het lastig om hieruit conclusies te trekken, en wordt het gedeeltelijk op intuïtie gedaan. Daarom wordt toch vaak voor de simpelste oplossing gekozen, om het te baseren op inhoud (gerelateerde producten). Zie bijv. onderstaande aanbeveling van sportswearonline.

Recommendation Engines

 

De simpelste methode is ook vaak de minst gepersonaliseerde methode, vandaar dat dit niet vaak tot een goede conversie leidt. Gezien de andere methodes zijn recommendation engines die gebruik maken van consumenten input nog het meest relevant. Hiervoor ook weinig nodig, zo kan men tevens de categorieën gebruiken, alleen nu kunnen er sub categorieën en diepere lagen gebruikt worden.

Dit geeft toch de mogelijkheid tot gepersonaliseerde aanbevelingen, en om bepaalde gegevens te verzamelen van nieuwe klanten. Je kan bijv. vragen om hun leeftijd en geslacht om een betere aanbeveling te doen. Voor kleine webshops is dit is dus behoorlijk relevant, je krijgt wel de aardig wat data en je kan redelijk goede aanbevelingen doen. Let op, het is wel redelijk wat werk om de categorieën en sub categorieën aan te maken.

Voor het optimaliseren van recommendation engines kan gebruik gemaakt worden van uitgebreide A/B tests, maar hier ga ik nu niet verder op in.

Wat denken jullie, wat zou de uitslag zijn van A/B tests met alle verschillende recommendation engines? Welke kan dus het best gebruikt worden?

Over de schrijver
Na het afsluiten van mijn Master in Business Studies, wist ik vrijwel zeker dat ik wilde ondernemen. Met de brede interesse en kennis die ik heb opgedaan in ecommerce, startups, en marketing heb ik daarom dit jaar samen gewerkt om shopboostr tot werkelijkheid te brengen. Met shopboostr maken we het mogelijk om extra conversie te behalen door middel van meer personalisatie.
Patrick Heijmans
Door

Patrick Heijmans

op 27 June 2014

Het rapport is uit 2010, in de afgelopen 4 jaar is er inmiddels veel veranderd. Op dit moment zijn er al bedrijven die experimenteren met het realtime verzamelen van de juiste en relevante bezoekersgegevens zoals interesses, referenties, voorkeuren, devices, bezoekers engagement en alle andere events op je shop zodat je op eenvoudige wijze verschillende bezoekerssegmenten kunt gaan definiëren. Op deze manier kun je voor iedere bezoeker een andere homepage, banner of aanbieding laten zien. Ik verwacht dat deze manier van data verzamelen en het weergeven van de juiste content voor de juiste persoon een steeds belangrijkere rol gaat spelen.

Hendrik Vlaanderen
Door

Hendrik Vlaanderen

op 27 June 2014

Inderdaad, de personalisatie wordt steeds groter, alleen ook de privacy concerns bij klanten. Zo las ik in een onderzoek uit http://www.marketingcharts.com/wp/online/consumers-say-they-want-more-relevant-website-experiences-35416/" rel="nofollow"> 2013 dat 30% van consumenten het niet waarderen dat hun gegevens gebruikt voor een persoonlijke website ervaring. Ook al hebben ze daardoor een betere online ervaring. Tevens, is het onrealistisch voor kleinere webshops om dure modules aan te schaffen om realtime data te verzamelen, en te analyseren. En zeker om daar direct personalisatie mee aan te bieden. Het zal bij hun moeten komen van hun begrip van de data die ze wel kunnen verzamelen. Daarmee blijft inderdaad data verzamelen en het weergeven van de juiste inhoud hoofdzakelijk natuurlijk!

Reactie plaatsen