Wat zijn aanbevelingsalgoritmes
Pad in de interface: Nieuwe campagne > Aanbevelingen > een willekeurige aanbevelingswizard
Aanbevelingsalgoritmes nemen alles wat Personyze weet over je producten, je bezoekers en de interacties tussen die twee, en gebruiken die data om elke bezoeker automatisch te tonen waarin die het meest geïnteresseerd is, op elk moment, op elke pagina, of in e-mails.
Als aanbevelingen worden getoond, in horizontale of verticale rijen, als sliders, of zelfs als banners, noemen we dat aanbevelingswidgets. Elke widget is een unieke aanbeveling, met een eigen algoritme.
Je kunt, en zult waarschijnlijk, verschillende widgets met verschillende algoritmes overal op je site hebben, en elke keer dat een bezoeker een pagina laadt met een of meer van die widgets, zijn de aanbevolen producten net iets anders, omdat Personyze voortdurend en automatisch leert van hoe bezoekers met de producten of content op je site omgaan.
De sleutel tot het begrijpen van aanbevelingsalgoritmes
Het belangrijkste begrip bij aanbevelingsalgoritmes is dat ze een hybride systeem zijn dat data van de massa (wat IEDEREEN doet) combineert met individuele interessedata (wat DEZE bezoeker doet).
Je kunt bijvoorbeeld een aanbevelingsalgoritme hebben dat het volgende toont:
“Meest bekeken producten (data van de massa), op basis van de meest recente interesse van de bezoeker (individuele interessedata).”
Dit toont de bezoeker items uit de categorie waarvoor die het laatst interesse toonde, en rangschikt die items naar hoe vaak ze door alle bezoekers samen zijn bekeken.
Er zijn wel een paar uitzonderingen:
- Aanbevelingen Opnieuw kopen zijn eigenlijk geen algoritme; het is gewoon een lijst met items die de bezoeker eerder heeft gekocht
- Aanbevelingen voor een verlaten winkelwagen zijn gewoon een lijst met items die de bezoeker in de winkelwagen heeft laten liggen.
- De aanbeveling Auto-pilot gebruikt diepgaandere AI om patronen in het gedrag van je bezoekers te vinden en kijkt naar verschillende factoren, zoals locatie, geslacht en andere variabelen. Daarmee toont die wat de bezoeker het meest waarschijnlijk koopt, op basis van allerlei factoren naast alleen de bekende interesse. Dit algoritme heeft wel een bepaalde hoeveelheid interactiedata nodig voordat het effectief wordt.
Toch gebruiken de meeste aanbevelingsalgoritmes deze hybride aanpak.
Filters
Je kunt ook filters aan elke aanbeveling toevoegen om die specifieker te maken. Die filters worden toegepast op de data van de massa (de populatie waarvan we de data gebruiken) of op het product.
Bij het algoritme uit ons vorige voorbeeld, meest bekeken op basis van de recente interesse, zouden we bijvoorbeeld het filter “Leeftijdscategorie” kunnen toevoegen. Dat toont dan de meest bekeken items binnen de leeftijdscategorie van de bezoeker, in plaats van onder alle bezoekers, zoals anders het geval zou zijn.
Wil je daarentegen een filter op basis van het product toevoegen, dan zou je het filter “Nieuw op voorraad” kunnen toevoegen, om de meest bekeken nieuwe items op voorraad uit de meest recente interesse van de bezoeker te tonen.
Aanbevolen werkwijzen
Met deze informatie in gedachten kun je bepalen welk algoritme het meest zinvol is voor de plek op de site (of in e-mails) waar je widget wordt getoond. Hier zijn een paar algemene richtlijnen om te beginnen:
- Op de homepage – Hier wil je meestal algemenere aanbevelingen tonen, zoals:
“Meest bekeken producten van altijd uit elke interesse van bezoekers” - Op productpagina’s – Hier wil je specifiekere widgets tonen, zoals:
“Meest gekochte producten in de afgelopen week uit de meest recente interesse van de bezoeker”
(de categorie van de meest recente interesse is op een productpagina altijd de categorie van het huidige product. - Op de afrekenpagina van de winkelwagen – Hier wil je de bezoeker misschien items tonen die in je catalogus een cross-sell-koppeling hebben met de items in de winkelwagen, zoals:
“Meest gekochte cross-sell-producten in de afgelopen week uit de meest recente aankoop/toevoeging aan de winkelwagen van de bezoeker.”