Aanbevelingstechnologie is de motor van de online-sales. Waar je online ook gaat, altijd slaat een website je om de oren met een schermpje dat zegt: 'Klanten die dit item kochten, kochten ook...' Het wérkt. Het prÃkkelt de nieuwsgierigheid van de koper én het stuwt de sales. Het lijkt of dit al jaren de praktijk van alledag is. Maar hoe staat het eigenlijk met de ontwikkeling van de technologie?
Tekst: Bart Nagel
De technologie van aanbevelen - recommendation - is een veelbesproken onderwerp binnen e-commerce. Niet verwonderlijk. Het is dé tool voor cross- en up-selling. 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 überhaupt niet wisten dat ze binnen hun interesseprofiel zouden passen. Commercieel gezien is het een supertool. De wetenschap alleen al dat 30 procent van Amazons omzet via aanbevelingsmethoden wordt binnengehaald, maakt het meer dan de moeite waard om dat stukje sales binnen uw 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.com 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.
Drie elementen
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 - die reiken suggesties aan op basis van het gedrag uit het verleden;
2) social recommendations - die reiken aanbevelingen aan op basis van het gedrag uit het verleden van vergelijkbare gebruikers;
3) productgerelateerde aanbevelingen - die geven 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 sociale aanbevelingen, 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 smaakovereenkomsten ten aanzien van drama's of sciencefiction. De smaak en voorkeur van mensen is simpelweg niet in te delen binnen heldere categorieën.
Verfijnen
Amazon weet inmiddels aanbevelingen steeds verder te verfijnen. Dat verfijnen gebeurt op basis van doorkliks. Met andere woorden: op de keuzes die mensen maken met gedane aanbevelingen. En hoe groter de massa gebruikers, hoe groter het aantal op elkaar lijkende gebruikers, hoe beter de aanbevelingen worden. Het resultaat is dat aanbevelingen een zeer winstgevend voorbeeld kunnen worden van de netwerkeffecten die hedendaagse economen zo graag prediken. Let wel: 'kunnen worden'. Want hoewel geavanceerd en reeds succesvol, valt er nogal wat te mekkeren.
Producten aanraden op basis van historisch gedrag is al ingewikkeld. Waar je vroeger nog wel kon aannemen dat mensen voornamelijk voor eigen gebruik kochten, is dat nu anders. Het vertrouwen in webwinkelen is inmiddels zo groot dat mensen rustig een cadeau uitzoeken voor anderen. En als een koper voor verschillende bekenden iets heeft gekocht, dan wordt dat in kaart gebracht door de aanbevelingstechnologie en die gaat op basis daarvan nieuwe items aanreiken. Wanneer je dus een handboek over breien aanschaft voor je tante, word je dus in lengte van dagen lastiggevallen met allerlei gerelateerde producten die bij 'jouw' interesse voor breien passen.
Amazon.com onderkent dat euvel. Daar kun je in je persoonlijke instellingen aangeven dat je bepaalde aankopen deed als cadeaus en dat je sommige daarvan wilt uitsluiten voor toekomstige aanbevelingen. Maar dan moet je diep het systeem in en dat ligt voor de meeste gebruikers allerminst voor de hand. Een lapmiddeltje natuurlijk. Want over een jaar wil je wellicht die tante nog eens voorzien van een mooi boek vol breipatronen en dan heb je die aanbevelingen weer nodig.
Suf piekeren
De voorbeelden maken duidelijk dat bestaande aanbevelingstechnologie, hoewel zeer waardevol, eigenlijk nog in de kinderschoenen staat. Onderscheid tussen browsen en specifiek vergelijken, wordt nog maar nauwelijks begrepen door bestaande engines. En daarmee snapt aanbevelingstechnologie niet dat mensen op verschillende manieren producten bekijken. Je kunt ze immers bekijken zonder dat je bent geïnteresseerd, of je bekijkt ze als vergelijkingsmateriaal in je keuzeproces. Bij de eerste zijn aanbevelingen nog helemaal niet gepast en bij de ander mogelijk zeer welkom.
Een leger bollebozen over de hele wereld piekert zich suf hoe deze problematiek te tackelen. Het is een miljoenenrace. Want de commerciële potentie van een flink verbeterde technologie kan heel veel bedrijven heel veel geld opleveren. De Amerikaanse online-'dvd-o-theek' Netflix erkent dat al een flinke tijd. In 2006 loofde het bedrijf een ouderwetse premie uit aan diegene die met een nieuw aanbevelingsalgoritme een prestatieverbetering van 10 procent zou realiseren. De prijs: een miljoen dollar. Nu, twee jaar later, loopt de strijd nog steeds. De prestatieverbetering is er, maar het stokt nu net boven de 8,5 procent. Netflix heeft al eens een tussentijdse beloning van 50.000 dollar uitgereikt om de ontwikkeling levend te houden. De tussentijdse prijs werd uitgereikt onder voorwaarde dat de koploper zijn algoritme zou publiceren. Dat uiteraard met als doel dat anderen er wellicht weer een verbetering op kunnen aanbrengen. Een deadline hanteert Netflix niet omdat het zelf donders goed weet hoe lastig het is de technologie te verbeteren. De strijd duurt voort totdat de 10 procent wordt gehaald. Mocht dat binnen vijf jaar niet lukken, dan behoudt Netflix zich het recht voor om de premie in te trekken.
Nederlandse aanbevelingen
Ook in Nederland wordt druk gesleuteld aan een recommendation-technologie. De roerganger erachter is Gino Goossens met Moore Intelligence.com. Zijn bedrijf werkt samen met TNO aan een code die moet worden gepatenteerd. Het bedrijf heeft financiële ruggesteun van Syntens en Shell LIVEWire en het ministerie van Economische Zaken. De nieuwe aanbevelingstechnologie werkt volledig anders dan de nu gebruikte algoritmes. 'Het is een complexe code die zeer flexibel is', vertelt Goossens. 'Het werkt bijvoorbeeld van klik naar klik en begint iedere keer opnieuw, waardoor de aanbevelingen nu veel beter aansluiten bij elke unieke bezoeker in plaats van achterhaalde zaken uit het verleden.' Volgens Goossens moet zijn code de blauwdruk worden voor de nieuwe generatie recommendation-technologie. De komende maanden wordt de technologie getest en gefinetuned. Goossens zegt met verschillende e-commerce partijen in gesprek te zijn en geeft aan dat het systeem binnen drie maanden in bèta live gaat.
Dit artikel verscheen eerder in Twinkle 6-2008
Er is op dit moment 0 keer gereageerd op:
Recommendation-technologie wacht op doorbraak
Je kunt niet meer reageren op dit artikel.