Bol.com optimaliseert conversie met slimme aanbevelingssystemen
Het zelflerende systeem achter het platform bol.com doet elke seconde zo’n 200 tot 500 aanbevelingen. Die voorspellingen moeten zo relevant en persoonlijk mogelijk zijn voor de ruim tien miljoen klanten. Dit zijn de inzichten uit tien jaar AI-ontwikkeling.
Machine learning en data science zorgen ervoor dat e-commerce steeds persoonlijker en relevanter wordt voor winkelende klanten. Bol.com zet bijvoorbeeld zelflerende systemen in op gebied van customer support, marketingcampagnes en chatbots. De systemen spelen ook een essentiële rol in de aanbevelingen die het platform doet aan bezoekers.
Steeds hogere verwachtingen van aanbevelingen
De verwachtingen van klanten op gebied van personalisatie en relevante content worden steeds hoger. Als data scientist schep ik de kaders waarbinnen de systemen leren wat wel en niet relevant is voor de bezoeker. De AI bepaalt dan welke condities relevant zijn om het beste product voor een klant te vinden. Zo kan prijs een rol spelen, maar kan het systeem ook meer gewicht hangen aan levertijd, reviews of de productbeschrijving als dat voor het specifieke product een belangrijke verkoopfactor blijkt.
De homepage is een belangrijke ingang voor ons platform. Zodra bezoekers daar binnenkomen, proberen we te voorspellen wat voor hen relevant is. Dat doen we op basis van het assortiment dat op dat moment actueel of erg gewild is (denk aan ventilatoren of waterpistolen als het meer dan dertig graden is) en op basis van eerder kijk-, zoek- en koopgedag.
Inmiddels kan het systeem binnen een paar minuten een trendbreuk voorspellen en inspelen op veranderingen in de markt. Wanneer bijvoorbeeld bij De Wereld Draait Door een boek besproken wordt, wordt dat vaker bekeken en besteld. Het systeem zal het dan bijna direct aanbevelen als veelgekozen item.
Experimenteren en testen
Bol.com test niet alleen welk product ze het beste in haar aanbevelingen kan laten zien, maar bijvoorbeeld ook welke vormgeving en titel goed werken. Op dit moment onderzoekt het bedrijf hoe ze het ‘Dit zijn hardlopers’-slot op de homepage nog relevanter kan maken. Uit A/B-tests blijkt bijvoorbeeld dat de titel van de sectie met aanbevelingen een grote impact heeft op de conversie. En uit experimenten blijkt dat grotere afbeeldingen ook een verbetering opleveren.
Ook deden we een experiment rondom de impact van snelheid op de conversie. Het gaat dan om de tijd die nodig is om tot de juiste voorspelling te komen, zodat het systeem weet welke producten als aanbevelingen worden getoond. Toen we deze voorspellingstijd terug wisten te brengen van 32 naar vijftien milliseconden, bleek dit onverwachts veel impact te hebben: de conversie ging omhoog. Het gaat maar om milliseconden, maar toch was het verschil duidelijk meetbaar.
Aanbevelingen voor e-commerce complexer dan voor Netflix
Aanbevelingen voor e-commerce zijn totaal anders dan bij bijvoorbeeld streamingdiensten als Netflix of Videoland. Waar je bij Netflix die éne specifieke film uitkiest, heb je bij bol.com bijvoorbeeld duizend verschillende varianten van een USB-stick. We willen het product dicht bij de klant brengen. Mensen verwachten dat ook steeds meer. We begeleiden klanten dus in de keuze, in plaats van dat we hen duizend producten voorschotelen.
De zelflerende systemen combineren de kennis over de klant met signalen als de titel of beschrijving van het product, de levertijd, hoe vaak het bekeken of verkocht wordt, hoe vaak het terugkomt en hoe het beoordeeld wordt. Het systeem selecteert daarin zelf welke paramaters zwaarder wegen dan anderen. Zo toont het binnen milliseconden de voor jou relevantste USB-stick eerst.
Geleerd uit tien jaar ervaring
Aanbevelingen zijn onmisbaar bij keuzestress. Als je maar vijf producten verkoopt, is de noodzaak vrij klein om aanbevelingen te tonen. Maar als een retailer meer dan twintig miljoen producten aanbiedt, kun je niet zomaar een handjevol producten tonen. Welke kies je dan? Om het rendement van je aanbevelingen te maximaliseren, zet je slimme systemen in.
Bol.com begon bijna tien jaar geleden met zelflerende systemen. Kersbergen raadt retailers die er nu mee willen beginnen aan om je oplossing direct schaalbaar te maken. Dat opschalen gebeurde bij bol.com oorspronkelijk nog handmatig. De slimme systemen kunnen inmiddels echter zelf opschalen waar nodig. De infrastructuur kan zichzelf upgraden. Het systeem bepaalt zelf hoeveel machines er op elk moment uitgerold worden om ook op piekmomenten voorspellingen te blijven doen. Dat doen de systemen in alle lagen van onze infrastructuur. Wij als data scientists bepalen de kaders, maar daarnaast komt er geen mens meer aan te pas.
Als er één ding een significant effect heeft op de conversie, waar ook andere retailers hun lering uit kunnen trekken, dan is het wel de snelheid waarmee je aanbevelingen kunt doen. Bij het eerdere voorbeeld zag je al dat de snelheid van aanbevelingen, zelfs als het om een verbetering gaat die voor de mens niet bewust waarneembaar is, toch een significant effect heeft. Je kunt die milliseconden eigenlijk uitdrukken in euro’s. Aanbevelingen zijn de eerste schakel in de keten van een website. Die worden verrijkt met afbeeldingen, titels en teksten.
Hoe sneller de aanbeveling er is, hoe sneller de hele website werkt. Ook essentieel is het continu verversen van input waarop de voorspellingen gebaseerd zijn. Het is belangrijk om ook de laatste signalen mee te nemen. Neem direct clicks en sales op in een voorspelling. Voed het systeem continu met nieuwe informatie. Doe dit niet in batches, maar zorg voor streaming data. Zo blijf je het relevantst. En blijf experimenteren. De kleinste details kunnen onverwachts veel impact hebben.
Gerelateerde opleiding
Deel dit bericht
Plaats een reactie
Uw e-mailadres wordt niet op de site getoond
1 Reacties
Bram
Het kan aan mij liggen maar hier wordt toch helemaal niks interessants of nieuw benoemd? Dit klinkt meer als een ‘kijk ons eens goed bezig zijn’ verhaal zonder er inhoudelijk over te schrijven…