Tweet

Nieuwe aanbevelingssoftware laat e-verkopen exploderen /reageer

Online bestellen terwijl je lekker aan je bureau zit, is veel gemakkelijker dan jezelf helemaal naar een winkel slepen en vervolgens met tassen vol boodschappen terug zeulen. Maar dit surfgemak heeft ook een pregnant nadeel: je koopt niks wat je niet zocht, en misschien wel wilt hebben. Met andere woorden: funshoppen en afgaan op impuls-aankopen is er online feitelijk niet bij. Aanbevelingssystemen, zoals die van Amazon, proberen deze toevalstreffers onder handbereik van online-bezoekers te brengen, maar schieten tekort in het bedienen van de individuele koper. Maar gelukkig is er nieuwe software, die volgens de makers de e-verkopen met minimaal 20 procent doen stijgen. Dankzij een nieuwe systematiek van aanbeveling.

Realtime

Het pas gestarte bedrijf uit Seattle, Cleverset, denkt de oplossing te hebben gevonden voor de volgende generatie aanbevelingssystemen: een softwaresysteem zoals dat gebruikt wordt in de artificial intelligence.
Het systeem bekijkt de relaties tussen individuele kopers, hun surfgedrag op de site en externe factoren zoals feest- en vakantiedagen. Het bijzondere is dat deze analyse realtime gebeurt, dus terwijl de bezoeker nog op de site is. Het systeem probeert ter plekke te leren wat de bezoeker probeert te vinden en suggereert producten op basis van statistische analyse van eerdere bezoeken of gelijksoortige bezoekers.

Uitdaging

Webwinkels kunnen miljoenen producten bevatten, maar een bezoeker heeft maar zicht op een beperkt aantal. Zoveel informatie gaat er nu eenmaal niet op een beeldscherm en te veel informatie overweldigt de bezoeker bovendien.
Bruce d’Ambrosio is Cleversets oprichter en een professor in Electrical Engineering in Computer Science aan de Universiteit van Oregon. “Je hebt gigabytes aan producten in je winkeldatabase zitten, maar slechts enkele pixels aan ruimte om ze te promoten. De uitdaging voor de meeste webwinkels is dan ook het kiezen van de beste producten en informatie voor de weinige ruimte op het scherm.”

Blender

Aanbevelingssystemen bestaan al bijna zo lang als dat er webwinkels zijn en elk systeem heeft zo zijn eigen aanpak. Veel systemen matchen de producten aan de bezoekers door te kijken naar de producten die anderen in het verleden hebben gekocht. Bijvoorbeeld, als iemand online kijkt naar een blender en klanten die die blender voorheen gekocht hebben hebben ook de broodrooster gekocht, dan suggereert het systeem de broodrooster ook aan deze klant.
Het probleem hierbij is, volgens D’Ambrosio, dat deze analyses allemaal offline gebeuren. Het systeem heeft geen idee van wat een bezoeker eigenlijk probeert te bereiken op dat specifieke moment. Als bijvoorbeeld blijkt dat hij naast blender ook naar gips en cement kijkt, zou een menselijke verkoper weten dat het geen keukenblender is die moet worden gesuggereerd. Laat staan een broodrooster.