Recommendation-technologie wacht op doorbraak /reageer

Recommendation-technologie wacht op doorbraak

Aanbevelingstechnologie is de motor van de online sales. Waar je ook gaat online, altijd slaat een website je om de oren met een schermpje dat zegt: “Klanten die dit item kochten, kochten ook…” Het werkt. Het prikkelt de nieuwsgierigheid van de koper en het stuwt sales. Maar toch; het lijkt of dit al jaren de praktijk van alledag is. Hoe staat het eigenlijk met de ontwikkeling van recommendation-technologie?

Long tail

Aanbevelingstechnologie is een veelbesproken onderwerp binnen e-commerce. Niet verwonderlijk. Het is dé tool om te cross- en upsellen. Het is ook dé manier om een diep assortiment aan de man te brengen zonder dat kopers blijven steken in de favoriete en bekende producten. Aanbevelingstechnologie exploiteert ‘de long tail’, het duwt mensen via hun eigen interesses en de raakvlakken met die van anderen dieper het assortiment in. Naar producten die ze nog niet kennen of waarvan ze überhaupt niet wisten dat ze binnen hun interesseprofiel zouden passen. Commercieel gezien is het een supertool. De wetenschap alleen al dat dertig procent van Amazons omzet via aanbevelingsmethoden wordt binnengehaald, maakt het meer dan de moeite waard om dat stukje sales binnen je webshop op orde te krijgen.

Maar waar staan we nu eigenlijk op gebied van aanbevelingstechnologie? Het is al jaren zo dat iedere koper bij Bol en Amazon alternatieven krijgt aangereikt. Zowel tijdens het shoppen als daarna via bijvoorbeeld e-mailmarketing. Natuurlijk is er onder de motorkap verschrikkelijk veel gesleuteld en verbeterd. Voorloper Amazon sleutelt al sinds de start van de webshop aan de recommendation engine en weet dus steeds beter wat mensen wel en niet pruimen als aanbeveling. Maar zelfs na ruim tien jaar valt er nog heel erg veel te leren.

Soorten aanbevelingen

Alle aanbevelingstechnologieën gaan hetzelfde probleem te lijf. Op basis van een dataset van een specifieke gebruiker, en die van de totale gebruikersgroep, moeten nieuwe producten worden aangereikt die de gebruiker zal interesseren. Alle algoritmes die hiervoor worden ingezet, richten zich op drie elementen: persoonlijke, sociale en fundamentele kenmerken. Er zijn daarmee vier soorten aanbevelingen denkbaar.

1. Persoonlijke aanbevelingen zijn die de suggesties aangereikt op basis van het gedrag uit het verleden.
2. Social recommendations zijn die aanbevelingen op basis van het gedrag uit het verleden van vergelijkbare gebruikers.
3. Productgerelateerde aanbevelingen zijn suggesties louter op basis van de kenmerken van het gekozen item.
4. Combinaties van de drie bovengenoemde aanbevelingen.

Simpel genoeg, zou je denken. Niet helemaal. De kracht zit hem vooral in de social recommendations, in het zogeheten collaborative filtering. Dat is dat stukje aanbevelingstechnologie dat zegt wat ik leuk vind op basis van wat anderen zoals ik leuk vinden. En daarin schuilt hem ook de crux. Anderen zoals ik, komen altijd maar deels overeen. Als twee mensen dezelfde voorkeur hebben voor humoristische films, dan zegt dat niets over overeenkomsten in smaak ten aanzien van drama’s of science fiction. De smaak en voorkeur van mensen is simpelweg niet in te delen binnen heldere categorieën.