RECOMMENDATION ENGINES

Recommendation Engines zijn een onmisbaar onderdeel van moderne web winkels geworden. Er zijn verschillende soorten aanbevelingen die in verscheidene gebieden van het webwinkel worden geplaatst. “Klassieke” aanbevelingen verschijnen meestal op de productpagina’s, veelal voorzien van onderschriften als “Klanten die dit product kochten, kochten ook” of “U bent wellicht ook geïnteresseerd in.” Andere type aanbevelingen zijn die, die afgestemd zijn op het koopgedrag van de gebruiker en veelal worden gepresenteerd in een aparte webwinkel sectie, bijvoorbeeld, “mijn winkel,” of op de startpagina nadat de gebruiker zich heeft bekend gemaakt door in te loggen. Deze Recommendation Engines bieden de gebruiker geen algemene, maar gepersonaliseerde suggesties met betrekking tot het assortiment van de winkel. Daarom noemen we ze gepersonaliseerde aanbevelingen. Andere aanbevelingen kunnen, bijvoorbeeld, verschijnen op categorie pagina’s (beste aanbevelingen voor de categorie) of afgestemd worden op de resultaten van zoekopdrachten. Niet alleen producten, maar ook categorieën, banners, catalogi, auteurs (in boekhandels), enz., kunnen worden aanbevolen. Sterker nog, als ultiem doel, streven Recommendation Engines naar een totale personalisatie van de online winkel, die gepersonaliseerde navigatie, advertenties, prijzen, mails en andere berichten bevat. De mogelijkheden op dit vlak zijn schier onuitputtelijk.

RECOMMENDATION ENGINEERING

Recommendation engineering is een levendig onderzoeksgebied. Honderden onderzoekers zijn onvermoeibaar bezig met het bedenken van nieuwe theorieën en methoden voor de ontwikkeling van verbeterde recommendation algoritmes. Het belangrijkste doel van Recommendation Engines is een stijging van de omzet van de webshop (of winst). Dus de uitdaging bestaat er uit producten aan te bevelen die de gebruiker relevant zijn en daadwerkelijk gaat bekijken en kopen, terwijl tegelijkertijd voorkomen moet worden dat down-selling gaat plaatsvinden door het aanbevelen van vervangende, goedkopere producten.

Veel webshops hebben inmiddels honderdduizenden, vaak zelfs miljoenen, verschillende producten in het assortiment. Uit deze gigantische hoeveelheid, willen we de meest geschikte en meest relevant aanbeveling aan de klant presenteren. Bovendien door het grote aantal speciale aanbiedingen, veranderingen in het assortiment en prijzen ontstaat de situatie dat goede aanbevelingen al verouderd zijn kort nadat ze zijn geleerd. Goede Recommendation Engines moeten dus in staat zijn om te acteren in een zeer dynamische omgeving. Hiermee hebben we belangrijkste uitdaging van Recommendation Engines in zicht, het kunnen vertonen van adaptief gedrag.

VALKUILEN?

Wat zijn de zwakke punten van de huidige Recommendation Engines en hoe moet ik dat vertalen naar mijn online business?

Recommendation Engines worden vaak nog ten onrechte gezien als behorend tot het gebied van de klassieke data mining. Veel data mining gerichte aanbieders richten zich bij gebrek aan het hebben van een eigen Recommendation Engine op gebieden, zoals basket analysis en clustering technieken. Dit reduceert het onderwerp van recommendations tot een statistische analyse en modellering van het gedrag van gebruikers. Dit verdient een kritische blik omdat dit niet alle facetten van een zuivere gedragsanalyse dekt:

1. Het effect van de recommendations is niet in beschouwing genomen: Als de gebruiker naar alle waarschijnlijk toch naar een specifiek product zou gaan kijken, wat is het nut van het aanbevelen dan. Is het niet logischer een product aan te bevelen dat het gedrag van de gebruiker verandert?


2. Recommendations zijn zelfversterkend: Als alleen eerdere “beste” aanbevelingen worden weergegeven, dan bestaat het risico dat ze zichzelf versterken, zelfs als er betere alternatieven bestaan. Mogen er geen nieuwe aanbevelingen worden uitgeprobeerd?


3. Gebruikersgedrag verandert: Zelfs als het vorige gebruikersgedrag perfect gemodelleerd is, resteert de vraag wat er zal gebeuren als het gedrag van gebruikers plotseling verandert door aanbiedingen, veranderingen in assortiment, etc binnen de webshop. Zou het niet beter zijn als de Recommendation Engines in staat zou zijn om voortdurend te leren en zich flexibel aan te passen aan het nieuwe gebruikersgedrag?


4. Optimalisatie van alle opeenvolgende stappen: In plaats van alleen het aanbieden van hetgeen de Recommendation Engines als het meest winstgevende product in de volgende stap beschouwt, zou het niet beter zijn om de aanbevelingen te kiezen vanuit het oogpunt van het optimaliseren van de omzet? Met andere woorden, om soms zelfs een minder rendabel product aan te bevelen, als dat het startpunt is voor meer winstgevende vervolg verkoopacties? De lange termijn in ogenschouw nemend in plaats van het korte-termijn gezichtspunt? Deze punten leiden allemaal tot de conclusie, dat de betere Recommendation Engines het samenspel van analyse en actie dienen te modelleren.

Samenspel van analyse en actie

Reinforcement learning of zelfversterkend leren? Achterliggende gedachte hierbij is dat deze systemen niet meer op de standaard wijze te programmeren zijn; laat de systemen fouten maken en steeds beter worden door consequent van die fouten te leren. Adequate uitvoering van deze aanpak vereist dat de algoritmes worden geïntegreerd in realtime toepassingen. De effectiviteit van recommendation algoritmen kan namelijk niet volledig worden geanalyseerd op basis van historische gegevens, omdat het effect van de aanbevelingen grotendeels onbekend is. Een klein aantal bedrijven ter wereld is er in geslaagd Recommendation Engines te ontwerpen welke in staat blijkt te zijn te kunnen leren en dit bovendien in realtime kan uitvoeren. Het resulteert in steeds effectievere aanbevelingen die het beoogde effect van meer omzet en winst behalen.

Meer weten over wat een Recommendation Engine voor uw webshop kan betekenen?

NEEM DIRECT CONTACT OP
BEKIJK ONZE REFERENTIES

Geheel vrijblijvend natuurlijk.