Best verkocht. Meest bekeken. Nieuw. Anderen die dit kochten, kochten ook… Ik zie veel marketeers zoeken naar de juiste combinatie van algoritmes om webshopbezoekers de relevantste producten aan te bevelen. Daarom een overzicht van succesvolle algoritmes. Én een handige vuistregel!
2 soorten algoritmes
Je kan twee soorten algoritmes voor product recommendation onderscheiden. Er zijn algoritmes op basis van algemene statistieken en algoritmes op basis van individuele statistieken. Die twee kan je binnen dezelfde website combineren, voor een optimaal resultaat.
Algoritmes op basis van algemene statistiek
Algemene algoritmes die al voor een flinke conversiestijging kunnen zorgen zijn: nieuwste producten en populairste producten. De eerste spreekt voor zich, maar wat verstaan we onder populairste producten?
Populariteit kan je op verschillende manieren definiëren:
• Aantal keer dat een product is bekeken, in de winkelmand is geplaatst en daadwerkelijk is verkocht, waarbij de laatste het zwaarst weegt.
• Aantal keer dat bezoekers rechtstreeks bij een product terechtkomen. Een indicatie dat het organisch goed gevonden wordt of veel is gedeeld.
• Aantal keer dat er op het product geklikt werd bij eerdere aanbevelingen.
Sommige marketeers maken deze lijstjes handmatig, maar juist het dynamische maakt de aanbevelingen effectief. Wat vandaag populair is, kan morgen immers alweer oud nieuws zijn.
Metadata maakt het verschil
Om relevante output te leveren heeft een recommendation engine niet alleen het juiste algoritme nodig. De structuur en metadata van je content moeten ook helemaal op orde zijn. De richtlijnen voor goede metadata vind je op Schema.org.
Algoritmes op basis van individuele statistieken
Heb je een profiel opgebouwd van je bezoekers, dan kan je daar je aanbevelingen op baseren. Je kijkt dan bijvoorbeeld naar aankoophistorie en klikgedrag om te bepalen voor welke producten iemand een voorkeur heeft.
Zelfs als je nog maar weinig van iemand weet, kan je daarmee je aanbevelingen al personaliseren. Een voorbeeld. Een nieuwe bezoeker in je webshop gaat direct naar de spijkerbroeken. Voor dat moment kun je aannemen dat hij daarnaar op zoek is en dus spijkerbroeken tonen in je aanbevelingen.
Vervolgens moet je alert en flexibel blijven, want voorkeuren veranderen. Als de spijkerbroekbezoeker drie weken later terugkomt en pagina's bekijkt met overhemden en schoenen, dan moet je deze nieuwe persoonlijke informatie direct meenemen in je aanbevelingen.
Als je meerdere productvoorkeuren bij iemand hebt vastgesteld (i.e. spijkerbroeken, overhemden en schoenen), dan kan het lastig zijn om te bepalen welke voorkeuren het zwaarst wegen.
Een handig hulpmiddel daarvoor is de factor tijd. Hoe langer het geleden is dat iemand interesse toonde in een bepaald product, hoe minder zwaar je die voorkeur bij je aanbevelingen moet laten meewegen. Dus het overhemd van gisteren krijgt voorrang boven de spijkerbroek van drie weken geleden.
Decay rate
Omdat productvoorkeuren niet onbeperkt houdbaar zijn, kent een goed algoritme een decay rate: de tijd weegt mee bij het op- en afbouwen van het interesseprofiel.
Vuistregel: go with the context
Wanneer gebruik je nou welk algoritme?
Als iemand voor het eerst in je webshop komt, heb je nog geen individuele informatie om op te varen. Kies daarom een algemeen algoritme als populairste of nieuwste producten.
Zodra je meer te weten komt over een bezoeker, kun je persoonlijke algoritmes toepassen. Iemand kijkt naar zwarte veterschoenen? Dan kan je dezelfde schoenen in het blauw of bruin tonen. Of laat een bijpassende riem of zwarte schoensmeer zien.
Hoe meer contextinformatie je hebt, hoe relevanter je je aanbeveling kan maken. Je algoritme toont niet alleen meer de populairste of nieuwste producten, maar kan verwante of complementaire artikelen gaan selecteren.
Het combineren van beide algoritmes levert dus vaak het beste resultaat op!
