Nieuwe aanbevelingssoftware laat e-verkopen exploderen

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 vanAmazon, 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.

Tekst: Xenia Bakker

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.

Relatie

Cleverset gebruikt een methode genaamd Statistical Relational Modeling, ontworpen in de laatste tien jaar, waarin elk stukje informatie geïdentificeerd wordt op basis van zijn relatie met elk ander stukje informatie. Dit in tegenstelling tot het standaard gebruik van data waarbij het is alsof het in een Excel spreadsheet staat: alles krijgt hetzelfde gewicht toegedeeld.

Statistical Relational Modeling is voornamelijk beperkt gebleven tot gebruik in onderzoekslaboratoria. Het is een hulpmiddel bij het ontwikkelen van technieken zoals natuurlijke taalverwerking (relaties uit tekst genereren), bioinformatics (relaties vinden tussen genen en eiwitten) en computerbeeldherkenning (computeres helpen verzamelingen van gerelateerde items te zien).

Daphne Koller, professor Computer Science aan Stanford Universiteit, zegt dat Statistical Relational Modeling goed toepasbaar is bij deze onderwerpen omdat dit soort datasets veel onzekerheden bevat. Relaties kunnen vastgesteld worden, zegt ze, en vervolgens moeten statistici worden ingezet om van elke relatie de waarschijnlijkheid en het gewicht vast te stellen.

Verzamelen

In het geval van Cleverset begint het systeem data te verzamelen en relaties daarbinnen te zoeken zodra een persoon binnenkomt op de webwinkel. D'Ambrosio zegt dat net als bij de meeste site-analyse-tools Cleverset afhankelijk is van kleine programmaatjes die verkopers installeren op hun website. Deze programmaatjes kunnen zien welke site de bezoeker net bezocht heeft en, als het een zoekmachine was, welke zoektermen zijn gebruikt.
Wanneer de gebruiker items op de webwinkel aanklikt, maakt Cleverset een gedetailleerd beeld van wat de interesses zijn en hoe die zich verhouden tot die van eerdere bezoekers van de site. Het programma is elegant omdat het het gedrag van bezoekers organiseert in een dataset waarbij ook aandacht wordt gegeven aan hoe verschillende gedragingen zich tot elkaar verhouden. Het systeem betrekt daar ook externe factoren bij, zoals of een bezoeker misschien aan het shoppen is tijdens de commercial break van de Super Bowl.

Twintig procent

Alhoewel Cleverset al bestaat sinds 2000, is de technologie pas recent zo volwassen geworden dat de resultaten goed genoeg zijn om een significant verschil te maken in de competitieve e-commerce industrie. D'Ambrosio zegt dat sites die gebruik maken van Cleverset, zoals overstock.com en wine-enthusiast-experience, gemiddeld een stijging van 20 procent hebben in omzet per gebruiker. Het bedrijf krijgt ook interesse uit de media: toen Cleverset haar technologie presenteerde tijdens de Web 2.0 Summit in San Francisco vorige maand, werd het beloond met twee publieksprijzen: 'Best in Show' en 'Most Likely to Exit First'.

Andere methodes

Koller van Stanford Universiteit zegt dat een aanbevelingssysteem zoals Cleverset 'mooi past in het framework van Statistical Relational Modeling omdat het zich richt op relaties'.Ze beargumenteert wel dat het waarschijnlijk onmogelijk is om een enkel systeem te ontwerpen dat elk gebruik van e-commerce kan ondersteunen. Netflix bijvoorbeeld, dat een wedstrijd heeft uitgeschreven om een beter systeem te ontwerpen, gebruikt andere methodes dan een site die kleding aanbeveelt.

Technologie afstemmen

Cleverset werkt samen met elke klant om de technologie precies af te stemmen en dat is belangrijk aangezien het bedrijf binnenkort in zee zal gaan met een aantal 'zeer grote retailers', wier namen nog even geheim blijven. Deze zetten 100 miljoen dollar of meer om per jaar. D'Ambrosio voegt nog toe dat de techniek nog steeds in ontwikkeling is en verbeterd wordt en dat hij en zijn team streven naar systemen die nog meer input geven aan verkopers over hoe klanten hun site gebruiken.

Dit artikel is eerder gepubliceerd op Sync.nl, het magazine over innovatie en ondernemen, in Nederland en daarbuiten.