Overslaan en naar hoofdinhoud gaan

Data & Intelligence juni 20, 2018

Personaliseer je digitale productaanbod met het Recommender System

Recommender system header

Het vinden van een product dat volledig aan de persoonlijke eisen van de consument voldoet is moeilijk. Om nog maar niet te spreken van misplaatste targeting die klanten na een online zoektocht nog weken blijft achtervolgen. Niet prettig voor de consument, maar ook niet gunstig voor webshops, die tenslotte de nauwe aansluiting en binding met (potentiële) klanten missen. Door het geven van gepersonaliseerde aanbevelingen, van zowel producten die gelijkgestemd zijn aan de initiële zoekopdracht, als additionele producten, kan dit veranderen. Het Recommender System biedt de uitkomst.

Productaanbevelingen op maat

Voor het eenvoudig vinden van een product hebben we een oplossing: door het gebruiken van big-data en machine learning kunnen we op persoonsniveau producten aanraden, volledig gepersonaliseerd en specifiek aangepast op de smaak en de wensen van de klant. Deze product recommendations, ofwel productaanbevelingen, kent twee werkwijzen die als zodanig ingezet en gebruikt worden:

  1. Het voorspellen van alternatieve producten, gepersonaliseerd en aangepast op de wensen van de klant (1-op-1 communicatie, algoritmisch en geen business rules). Denk hierbij aan het aanbieden van een gelijkwaardig doch ander product naar aanleiding van je zoekopdracht.
    – Deze toepassing draagt bij aan het verhogen van de user ervaring. Hierdoor vindt de klant sneller en gemakkelijker een product waar hij of zij naar op zoek is.
  2. Het voorspellen van aanvullende producten, ook gepersonaliseerd en aangepast op de wensen van de klant (1-op-1 communicatie, algoritmisch en geen business rules). Denk hierbij aan het aanbevelen van aanvullende items die passen bij de initiële zoekopdracht. Of het aanbevelen van producten die populair zijn en vaak verkocht worden samen met het item dat de klant op het oog heeft. Deze worden ook wel Frequently Bought Together’s (FBT’s) genoemd.
    – Deze toepassing komt neer op cross-selling: het proberen te verkopen van andere producten. Let wel: beide toepassingen zijn van waarde omdat ze gepersonaliseerd zijn en dus aangepast op de smaak van de klant.

Een custom made recommender system

Door het bouwen van een custom recommender system is het mogelijk de twee toepassingen te integreren in één model. Het recommender system maakt gebruik van machine learning en ruwe clickstream data waarmee de aanbevelingen in real-time worden gedaan. Wat je ermee bereikt? 1-op-1 communicatie van een gepersonaliseerd productaanbod. Deze 1-op-1 communicatie vindt plaats op je website of in je mediakanalen.

De techniek achter het recommender system

Het recommender system is gebaseerd op de bewezen collaborative filtering techniek, een techniek die ons in staat stelt om de smaak van iedere individuele klant te bepalen door het gebruik van product engagement data. Product engagement data bevat alle touchpoints tussen iedere individuele klant en de producten waarmee zij in aanmerking komen. Door deze data vindt het systeem andere klanten met een vergelijkbare smaak en bestempelt deze als lookalikes. Lookalikes zijn van cruciale waarde, omdat dezelfde interesse in producten kan leiden tot hetzelfde aankoopgedrag. Het systeem kan dus op basis van gegevens van deze lookalikes producten selecteren die zij interessant hebben gevonden of waarmee zij een bepaalde interactie mee hebben gehad, en deze vervolgens aanbevelen aan de klant.

Een specifiek voorbeeld: er is sprake van een huwelijk en verschillende genodigden zoeken online naar inspiratie voor een outfit. Gast 1 lijkt op gast 2 van het huwelijk, omdat zij beiden dezelfde interesse hebben getoond in gelijke producten. De twee gasten worden door het recommender system beschouwd als lookalikes van elkaar. Gast 1 heeft product X gekocht, dus product X wordt vervolgens ook aan gast 2 bevolen door het systeem.

De data: gebruik en interpretatie

Voor het maken van gepersonaliseerde productaanbevelingen kan gebruik gemaakt worden van alle soorten beschikbare engagement data tussen klant en product. Denk hierbij aan productClick, productView (zowel lang als kort), addToCart, addToWishlist, transacties en alle andere mogelijke interacties die er kunnen plaatsvinden tussen een product en een consument. De interacties worden echter op een andere manier geïnterpreteerd in het recommender system, omdat via een ander algoritme unieke gewichten aan elk soort interactie toegedragen worden. Het gewicht per soort interactie bepaalt hoeveel het de smaak van de klant beïnvloedt. De aankoop van het product geldt hier als zwaarst tellend gewicht en meest bepalend voor de smaak, terwijl het terugsturen van een product juist als meest negatief en dus als minst zwaar gewicht wordt gezien door het systeem.

De unieke waarde van het recommender system

Bij de bouw van het gepersonaliseerde recommender system hebben we rekening gehouden met een aantal veelvoorkomende uitdagingen. Door deze mee te nemen heeft het recommender system een unieke waarde gekregen. De uitdagingen:

  • Een van de belangrijkste uitdagingen is het meenemen van het cold-start probleem. Wanneer nieuwe producten in de catalogus of website opgenomen worden, worden deze nieuwe producten niet automatisch aanbevolen aan andere klanten. Logisch ook, gezien het feit dat maar enkele tot helemaal geen klanten ooit een interactie hebben gehad met deze nieuwe producten. Hierdoor weten we niet voor welke klanten precies en voor welke soort smaak dit product relevant is. We lossen dit op door gebruik te maken van productkarakteristieken (denk aan merk, prijs, categorie et cetera). Deze productkarakteristieken worden gebruikt voor het matchen van nieuwe producten aan bestaande producten. Met deze informatie kunnen we de smaak bepalen van alle gebruikers ten opzichte van het nieuwe product. En dat is niet alles, we zijn in staat om proactief de cold-start items te pushen wanneer de aanbevelingen real-time berekend worden.
  • Een tweede uitdaging is dat het wel eens voorkomt dat gelijknamige of additionele producten helemaal niet aanbevolen kunnen worden bij een specifiek product. Dit komt door bijvoorbeeld gebrek aan statistische relevantie. De oplossing die wij hiervoor hebben gebruikt is backfilling: het aanbevelen van most-popular producten.
  • Een derde uitdaging is dat sommige producten trendgevoelig zijn, zoals kleding. Andere producten, zoals bloemen, groenten of fruit zijn juist erg seizoensgebonden. Deze trendgevoeligheid of seizoensgebondenheid kunnen we ook meenemen in het recommender system. Dus bevelen we alleen producten aan op de momenten dat het ook daadwerkelijk kan en in de markt ligt.
  • Het vierde punt is geen uitdaging, maar een extra toevoeging aan het systeem. Het algoritme van het recommender system kunnen we zodanig op een andere wijze kneden dat aan producten met een grote marge een hogere prioriteit kan worden gegeven. Let wel: dit wordt enkel gedaan wanneer dit ook relevant is voor de klant. Het is immers het doel om het productaanbod te personaliseren.

Een self-learning system

Het is van cruciaal belang dat het recommender system frequent wordt geüpdatet. Dit zorgt ervoor dat het systeem leert van zijn fouten en nieuwe informatie direct meeneemt. Dit is van belang om zo accuraat mogelijk aanbevelingen te kunnen doen aan de klant. Dit leerproces vindt plaats in Azure ML (de machine learning stack van Microsoft) waar het volledige systeem draait en ook alle data is opgeslagen. Het leerproces (ookwel de retraining-cycle genoemd) bevat vijf stappen stappen, zoals weergegeven in onderstaand figuur:

Image

Dit trainingsproces wordt op een wekelijkse of dagelijkse basis uitgevoerd; afhankelijk van het soort business en de turnover van nieuwe producten, klanten of verkeer. Hierdoor worden nieuwe producten en klanten opgenomen in het systeem en kan het systeem ook erg snel trends, seizoenen of andere patronen oppikken. Daarnaast kan het systeem compleet worden geïntegreerd in de Azure stack van de business (indien Azure wordt gebruikt), maar het kan uiteraard ook gebruikt worden als een stand-alone-solution.

Het gebruik van het recommender system: on-site of in je media

Het Recommender System kan on-site worden gebruikt. Dat betekent dat gepersonaliseerde alternatieve aanbevelingen worden gegeven op bijvoorbeeld de productpagina, de homepage of op de categoriepagina, terwijl de aanvullende producten pas in het winkelwagentje aanbevolen worden. Door het systeem on-site te gebruiken en producten aan te raden, willen we klanten zowel inspireren als helpen met het sneller en gemakkelijker vinden van producten waar ze naar op zoek zijn. Hiermee wordt de user experience dus verhoogd, evenals de gemiddelde orderwaarde door cross- en up-selling.

Recommender system
Recommender system

Het recommender system hoef je niet alleen on-site te gebruiken, maar kan ook worden ingezet in de media. Denk hierbij aan alternatieve of aanvullende producten als gepersonaliseerde e-mail content. Of denk aan dynamische remarketing met gepersonaliseerde alternatieve of additionele producten, op basis van de producten waar de consument interesse in heeft getoond tijdens zijn of haar websitebezoek. We kunnen deze productaanbevelingen dus ook gebruiken in onze retargeting campagnes, zodat we klanten met alternatieve producten kunnen targeten in plaats van alleen producten die ze al eens eerder bekeken hebben en niet hebben gekocht – dit is de traditionele dynamische retargeting werkwijze. Zo wordt de klant ook via advertenties geïnspireerd.

Image

Bovendien kan het recommender system voor meerdere industrieën worden ingezet. Denk hierbij aan B2B, B2C, productgerelateerde of service gerelateerde diensten. Dus het voorbeeld dat in deze longread is gebruikt – het pak voor het huwelijk – is specifiek productgerelateerd. Maar het recommender system kan ook ingezet worden om diensten, FAQ of bijvoorbeeld content aan te bevelen. Een veelzijdig systeem dus.

Hogere user experience en meer productverkoop

Het recommender system is door de real-time productaanbevelingen onmisbaar voor website en media personalisatie. Wat je hiermee bereikt? Een hogere user experience én meer productverkoop. Een hogere user experience omdat het de klanten makkelijker en sneller wordt gemaakt in het vinden van het juiste product. En meer productverkoop (cross-sell items) omdat de klanten worden geattendeerd op bijpassende, additionele producten.

Door tijdens de bouw van het recommender system meerdere uitdagingen mee te nemen zoals cold-start, backfilling, seizoensgebondenheid en de functie om hogere marge producten voorrang te geven, is het recommender system absoluut een van de nieuwste trends en technologieën op het gebied van e-commerce.

Vragen? We helpen je graag!