Aanbevelingen. Hoe beter ze zijn, hoe langer je op de site blijft en hoe groter de kans dat je dat aanbevolen artikel gaat lezen en/of meer producten aanschaft. Het goede nieuws is dat je niet per se een grote zak met geld hoeft neer te leggen voor goede aanbevelingen. Maak kennis met het collaborative filtering algoritme.
Toen digitale grootgrutter Amazon nog een eenvoudige online boekenwinkel was, kwam het op de proppen met het collaborative filtering algoritme. Het bleek een schot in de roos. Wat het doet, is eigenlijk vrij simpel. Het algoritme gebruikt een dataset van duizenden (en in het geval van Amazon soms wel miljoenen) klanten om patronen in dat klantgedrag te herkennen. Het algoritme maakt groepen op basis van dat gedrag. Als jouw gedrag past bij dat van een bepaalde groep, dan weet het algoritme wat het moet doen.
Dus stel: er is een grote groep mensen die artikel A, B, C én D bekeken. Jij bekeek tot nu toe alleen artikel A, B en C. Dan schotelt het algoritme jou automatisch artikel D voor. De kans dat jij daarop aanslaat is dan vrij groot.
| Groep X | A | - | C | - |
| Groep Y | A | B | C | D |
| Individu Z | A | B | C | Aanbeveling = D |
Individu Z lijkt qua gedrag het meeste op groep Y en krijgt item D te zien omdat Groep Y dit item ook heeft bekeken
Klinkt simpel, zeg je? Dat is het eigenlijk ook. Helemaal als je gebruik maakt van een geavanceerd customer data platform dat jou de mogelijkheid biedt om aanbevelingen te doen. Dikke kans dat je hier dan kunt kiezen voor het collaborative filtering algoritme. Met een paar kleine aanpassingen kun je het algoritme optimaliseren voor jouw website.
Ik gebruik het regelmatig bij klanten. Laatst nog bij een groot uitzendbureau. Eerst deden zij aanbevelingen op basis van metadata. Als een bezoeker bijvoorbeeld zocht op callcentervacatures in Amsterdam, dan kreeg hij of zij alleen aanbevelingen voor andere callcentervacatures in Amsterdam. Maar dat bleek een flinke beperking. Bezoekers die specifiek naar een callcentervacature in Amsterdam zochten, bleken veel breder te kijken. Ze zochten bijvoorbeeld ook op andere officefuncties en ook in de regio rondom Amsterdam.
Het collaborative filtering algoritme gebruiken voor de aanbevelingen bleek een schot in de roos: er wordt nu 38 procent meer doorgeklikt en 47 procent meer gesolliciteerd. En dat is dus een flinke conversiestijging.
Om het collaborative filtering algoritme goed voor je te laten werken heb je wel veel data nodig. Met tien bezoekers per dag wordt het lastig om patronen te herkennen, met duizenden bezoekers wordt het al eenvoudiger. Het algoritme kan pas een goede aanbeveling doen als het een bezoeker leert kennen en werkt dus niet zo goed bij bezoekers die maar een paar pagina’s bekijken.
Een andere beperking van het algoritme is dat je het wel moet tweaken om het optimaal te laten werken. Anders ontstaat er een bubbel en blijft het algoritme bezoekers continu hetzelfde artikel voorschotelen. En soms zitten er ook weleens gekke uitschieters in: het algoritme bij het uitzendbureau schotelde iemand die in Amsterdam zocht bijvoorbeeld weleens vacatures in Zuid-Limburg voor. Die foutjes kun je eruit filteren door op de achtergrond ook je metadata te gebruiken.