ML2Grow

Verhoog uw omzet met een aanbevelingssysteem

recommendation engine, recommender system

Een krachtige manier om uw verkoop, klanttevredenheid en klantloyaliteit te stimuleren, is door een aanbevelingssysteem te gebruiken. Zo’n systeem stelt je in staat om gebruikersprofielen op te stellen op basis van hun gedrag en te voorspellen welke producten het meest relevant zijn voor dergelijke profielen. Een gebruikersprofiel specificeert de eigenschappen van hoeveel interesse een klant heeft in een bepaald product.

Help klanten hun behoeften sneller te identificeren

Laten we beginnen met een feit: de verscheidenheid aan producten en services die u in een fysieke winkel kunt aanbieden, wordt beperkt door verschillende factoren, waaronder distributie- en productiekosten. Een supermarkt kan bijvoorbeeld slechts een bepaald aantal producten verkopen die worden beperkt door de beschikbare schapruimte. U kunt de capaciteit vergroten en het assortiment uitbreiden, maar de extra inkomsten die door deze uitbreiding worden behaald, beginnen na een bepaald punt af te nemen vanwege de beperkte totale vraag.

Daarom moet een fysieke verkoper zich meestal concentreren op relatief populaire producten en slechts een beperkte variëteit aan niche-items aanbieden. De vraag naar nicheproducten is er wel.

Dit is waarschijnlijk een van de redenen waarom u in een online winkel heeft geïnvesteerd.

Deze digitale kanalen hebben geen beperkingen zoals fysieke winkels. Een webwinkel stelt u in staat om extreem brede en diepe assortimenten te voeren met een groot aantal traag bewegende nicheproducten.

Meer relevantie staat gelijk aan meer conversie

Terwijl de fysieke winkel beperkt is tot de mensen die in dat gebied wonen of deze bezoeken, is de verscheidenheid aan vraag evenzo beperkt. Een online retailer die landelijk of wereldwijd opereert, heeft te maken met een veel diversere vraag. De indrukwekkende toename van het assortiment met een sterke nadruk op nicheproducten daagt de oude benaderingen van productontdekking uit, omdat een gemiddelde klant slechts een klein deel van het beschikbare aanbod kan bekijken.

Diverse websites melden dat een gebruiker minder dan 10 minuten op een e-commerce website zit. Dit betekent dat wanneer een gebruiker elk product 10 seconden bekijkt, hij / zij 60 producten heeft bekeken op het moment dat hij de website verlaat. Dit is vaak een fractie van het aanbod van producten op de website. Er is een kleine kans dat de klant het product tegenkomt waar hij / zij naar op zoek was. En dat alleen als de klant weet waarnaar hij / zij op zoek is.

Deze behoefte aan krachtige productdetectiediensten was een van de belangrijkste drijfveren achter de ontwikkeling van aanbevelingssystemen. Klanten kopen niet wat ze niet kunnen vinden. Maar wat als AI het zware werk zou doen en automatisch de productontdekking zou aanpassen terwijl het winkelend publiek uw digitale catalogus verkende?

Extreem brede en diepe assortimenten met een lange reeks nicheproducten creëren een behoefte aan efficiënte zoekdiensten, zoals aanbevelingen.

Aanbevelingssystemen zijn niet nieuw. In 2006 startte Netflix een wedstrijd van een miljoen dollar om hun aanbevelingsalgoritmen te verbeteren. In 2019 wordt 75% van hun bekeken inhoud toegeschreven aan gepersonaliseerde aanbevelingen.

In tegenstelling tot een zoekbalk in uw digitale winkel, die een zoekopdracht heeft om mee te werken en producten op basis daarvan kan scoren, moet een aanbevelingssysteem de koopintentie raden op basis van indirecte informatie. Dit is cruciaal als u bezoekers wilt activeren die alleen op uw site browsen zonder een specifiek item in gedachten te hebben. En dit is de sleutel om de conversieratio in uw online winkel te maximaliseren.

Hoofddoelstellingen van een aanbevelingssysteem

‘Het belangrijkste doel van aanbevelingssystemen is om klanten relevante aanbiedingen te bieden wanneer de koopintentie niet expliciet wordt uitgedrukt.’

Hoe het werkt

De basisinstellingen voor aanbevelingsservices zijn vergelijkbaar met die voor zoekservices. Net als bij zoekservices is het primaire doel van een aanbevelingssysteem om een klant een gerangschikte lijst met aanbevolen items te bieden.

Overzicht van aanbevelingsmethoden

Onze machine learning-oplossingen bieden een breed scala aan algoritmen voor het bouwen van aanbevelingssystemen. De aanbevelingen worden berekend op basis van informatie uit:

Gezamenlijke filtering

Er zijn veel technieken om een aanbevelingssysteem op te zetten, maar deze techniek is nog steeds een van de eenvoudigste methoden en houdt rekening met alle interacties van alle gebruikers. Gezamenlijke filtering berekent relaties tussen gebruikers of productitems en doet aanbevelingen met een hoge mate van vertrouwen. De twee meest toegepaste methoden zijn:

Op item of inhoud gebaseerde gezamenlijke filtering

Met een op inhoud gebaseerd systeem zou een filmstreamingservice kunnen opmerken dat je “Terminator 2”, geregisseerd door James Cameron, leuk vond en dat hij ook “Titanic” regisseerde en zal voorstellen om een andere film met Arnold Schwarzenegger te bekijken.

We beginnen met het bouwen van een matrix voor de klant en de items die ze hebben gekocht of leuk gevonden, en gebruiken vervolgens een profiel van de attributen van de items. Deze attributen kunnen binair zijn, bijvoorbeeld of de film al dan niet een actiefilm is, of scalair, bijvoorbeeld of de film 1 tot 5 sterren heeft.

Er zijn veel oplossingen die onze experts kunnen gebruiken om deze gegevens te interpreteren, zoals Bayesiaanse classificaties, clustering, beslissingsbomen, neurale netwerken en tekstanalyse (bij het aanbevelen van nieuwsartikelen).

In onderstaande figuur zie je een illustratie van de aanpak van item-based filteren. Om beoordelingen voor een bepaald item te voorspellen, zoeken we eerst items die vergelijkbaar zijn met het gegeven item, in die zin dat ze op dezelfde manier worden beoordeeld door dezelfde gebruikers. Vervolgens wordt de beoordeling die een bepaalde gebruiker aan dit item geeft, geschat op basis van de beoordelingen die de gebruiker aan andere items in de buurt heeft gegeven. Nogmaals, de belangrijkste veronderstelling is dat een gebruiker die in het verleden een aantal items positief heeft beoordeeld, items die door veel andere gebruikers op dezelfde manier zijn beoordeeld als deze eerdere keuzes, waarschijnlijk leuk zal vinden.

Een voordeel is dat de user-item matrix relatief weinig data kan bevatten en toch betrouwbare aanbevelingen kan geven. Dus nadat je de eerste uitdaging van het opstarten hebt overwonnen, werkt het goed.

Een nadeel van deze benadering is dat deze beperkt kan zijn in omvang. Je kunt alleen aanbevelen wat je al hebt gezien, dus je helpt de gebruiker niet om zijn smaak te verbreden. Aangezien u vertrouwt op historische gegevens, kost het tijd om een dergelijk systeem te laten werken.

Op gebruikers gebaseerde gezamenlijke filtering

Een andere manier om de gebruikersvoorkeur te voorspellen, is door samen te filteren, een vector te creëren van items die door andere gebruikers zijn gekocht en die negatief of positief zijn beoordeeld en als de vector van een gebruiker vergelijkbaar is met die van anderen, beveelt het model de items aan die anderen hoog hebben beoordeeld, maar de gebruiker heeft dat wel niet gekocht. Dus in een notendop: het idee achter op gebruikers gebaseerde collaboratieve filtering is om gebruikers te vinden met dezelfde smaak als een bepaalde doelgebruiker. Aanbevelingen kunnen direct zijn, zoals een Coolblue-recensie, of daaruit afgeleid, zoals een nieuwsartikel liken of dit soort artikelen vaak bekijken.

Het idee achter op gebruikers gebaseerde collaboratieve filtering is om gebruikers te vinden met dezelfde smaak als een bepaalde doelgebruiker. Als Julie en Sophie bijvoorbeeld in het verleden dezelfde jurken hebben gekocht, beschouwen we deze twee als vergelijkbare gebruikers en kunnen we de winkelgeschiedenis van Julie gebruiken om Sophie’s nog onbekende winkelgedrag te voorspellen. Als Julie bijvoorbeeld een rode jurk en een blauwe jurk heeft gekocht en Sophie ook een rode jurk heeft gekocht, dan is de blauwe jurk een logische aanbeveling voor Sophie.

Het voordeel van deze aanpak is dat u weinig kennis nodig heeft van het item dat wordt aanbevolen. U kunt de gebruiker zelfs kennis laten maken met iets nieuws.

De nadelen zijn dat je veel data nodig hebt om dit accuraat te maken.

We kunnen de methoden ook als een mengsel gebruiken om het doel te bereiken. We hebben bijvoorbeeld een aanbevelingssysteem gebouwd voor een online krant waarbij het systeem de beschikbare items (artikelen) filtert op basis van een beschrijving van deze items (enkele trefwoorden) en de gebruikersvoorkeuren zijn de leesgeschiedenis. Deze algoritmen proberen artikelen te presenteren die vergelijkbaar zijn met de artikelen die in het verleden zijn beoordeeld (gelezen).

Onze bewezen technologie

Om uw klanten beter te informeren over uw productaanbod, zijn advertenties en aanbiedingen erg belangrijk. Via gedrukte media, online advertenties en nieuwsbrieven kunt u de klant informeren, maar welke producten verdienen extra aandacht? De optimale selectie van producten maximaliseert de omzet, maar een gepersonaliseerde selectie is nodig omdat elke klant uniek is.

Door middel van geavanceerde machine learning-technieken kan ML2Grow deze selectie voor u maken. Op basis van historische verkoopgegevens van alle klanten berekent onze aanbevelingsengine de meest effectieve selectie van producten die voor elke klant kunnen worden voorgesteld. Deze selectie kan vervolgens worden geïntegreerd in bestaande bedrijfsprocessen.

Veel van de aanbevelingsalgoritmen die in grote softwarepakketten worden aangeboden, implementeren basistechnologie. Bij ML2Grow maken we gebruik van de nieuwste bewezen vooruitgang op het gebied van machine learning, zoals diepe auto-encoders die veel betere prestaties en nauwkeurigheid bieden. Daarnaast passen we de oplossing volledig aan op de marktposities van uw bedrijf, waardoor u een nog hoger rendement op uw investering krijgt.

Uit diverse onderzoeken blijkt dat aanbevelingssystemen leiden tot een omzetstijging van 3 à 6% en tevens een positief effect hebben op de diversiteit aan aankopen. Het is dan ook niet verwonderlijk dat steeds meer bedrijven de stap zetten om deze technologie toe te passen. Als concurrenten hierin investeren, bestaat het risico dat uw omzet aanzienlijk daalt.

Met onze expertise zijn we in staat om aanbevelingssystemen te ontwikkelen voor elke operatie en context. Onze innovaties spreken voor zich, van onze slimme technologie voor contentaanbeveling NewsTAPAS tot het helpen van PROTEGO bij het ontwikkelen van contextbewuste en verklaarbare aanbevelingen om gesprekken tussen zorgverleners te verrijken, zodat senioren langer en comfortabeler thuis kunnen leven. Ons aanbevolen technologieplatform breidde zich uit van mediaconsumptie en smart home-toepassingen naar toepassingen in de gezondheidszorg. ML2Grow is een pionier in het ontwikkelen van aanbevolen technologie.

Mocht u interesse hebben, dan voorzien wij u graag van meer informatie. Neem contact op met onze verkoopafdeling en laten we uw probleem bespreken.

Exit mobile version