Recommendation Engines: rendabel voor kleinere webwinkels?

Zo’n jaar of 10 geleden kwamen de eerste dynamische Product Recommendation Systemen op de markt die werkten volgens het principe van collectieve intelligentie. Dat was een fundamentele verandering ten opzichte van de tot dan toe starre legacysystemen, die slechts clicks telden en alleen rekening hielden met de werkelijke verkopen van de klanten.

Het principe van collectieve intelligentie werd daarna door een boek van de journalist James Surowiecki ‘The Wisdom of Crowds’ uit 2004 voor een breder publiek toegankelijk. Met Wisdom of Crowds wordt het feit beschreven dat de optelsom van vele onafhankelijke meningen meestal voor betere resultaten zorgt dan de enkele mening van een expert.

In zijn boek beschrijft Surowiecki niet alleen het principe hoe wisdom of the crowds functioneert maar geeft ook talrijke, vaak verrassende, voorbeelden waarin collectieve intelligentie nuttig ingezet kan worden.

Volgens dit principe werken ook de aan het begin van deze eeuw ontwikkelde Online Recommendation Engines (ORE), die in de periode van 2003 tot 2006 op de markt kwamen. Deze zijn vandaag de dag nog ongelooflijk productief en worden meestal als SaaS (Software as a Service)-oplossing aangeboden, in tegenstelling tot eerdere legacysystemen waarvoor nog in-huis installatie noodzakelijk was.

Hoe werken de moderne personalisatiesystemen?
Op browserniveau wordt voor het te ondersteunen portal of online winkel een klein stukje Javascriptcode geïnstalleerd, die het gedrag van elke bezoeker anoniem meet, en via intelligente algoritmes analyseert. Belangrijk en nieuw hierbij is dat honderd procent van de bezoekers wordt geanalyseerd, en niet alleen de twee tot drie procent die ook werkelijk koopt. Daarmee worden de statistieken en dus ook de successcore wezenlijk verbeterd.

De Javascriptcode – laten we het hier Observation Tag noemen – meet een hele serie parameters over het gedrag van elke bezoeker. Daartoe behoren naast een analyse van het zoekwoord op een zoekmachine bijvoorbeeld ook de tijdsduur dat een tekst of beeld bekeken wordt, het vergroten van een plaatje,  de volgorde van bekeken artikelen, de muisbeweging en -snelheid, en andere gegevens. Deze parameters geven ons gezamenlijk een duidelijke conclusie over de intentie van de bezoeker op dat moment. Waarom komt hij op onze website en wat interesseert hem nu?

Zoekt de bezoeker nu naar verschillende blauwe shirts met korte mouwen, dan kunnen we ze door de Wisdom of Crowds-methode ondersteunen. We vergelijken het gedrag van alle bezoekers en vormen in het systeem zogeheten ‘clubs’. In een club bevinden zich alle bezoekers die een gelijksoortig gedrag getoond hebben. Door de analyse van het gedrag van mensen die hetzelfde denken, en de analyse welke producten door deze consumenten zijn (en die ze eventueel gekocht  hebben), kunnen we nu producten aanraden die een hoge waarschijnlijkheid hebben dat onze bezoeker ze interessant vindt. Zo is het niet moeilijk voor te stellen dat de door persoonlijke aanbevelingen ondersteunde bezoekers niet alleen vaker kopen, maar door de positieve winkelervaring ook vaker naar onze site terugkeren.

Filter voor productaanbevelingen
Een belangrijk kenmerk van ORE-systemen is de mogelijkheid om productaanbiedingen, die al door algoritmes door middel van collectieve intelligentie gegenereerd worden, te filteren. Zo kan men de aanbevolen producten op alle artikeleigenschappen uit het Product Information Management systeem (PIM) filteren, zoals maat, beschikbaarheid, prijs, kleur, etc. Ook kunnen blacklists worden bijgehouden om te voorkomen dat artikelen met een lage marge of slechte beschikbaarheid in de lijst van aanbevolen producten terechtkomen. Of we creëren een white list waarin bijvoorbeeld nieuwe producten gezet worden die bij elke aanbeveling naar voren komen.

Gepersonaliseerde nieuwsbrieven en Re-Targeting met ORE
Een extra functie van ORE-systemen bestaat eruit dat we bij geïnteresseerden of klanten die zich aangemeld hebben op de nieuwsbrief op dezelfde wijze gepersonaliserde aanbevelingen in de nieuwsbrief kunnen plaatsen. In plaats van het ‘product van de week’ kunnen we nu individuele productaanbevelingen doen op basis van het gedrag van de klant. Dat zorgt niet alleen voor een hogere omzet, maar ook voor meer klanttevredenheid omdat de ontvanger nu geïnformeerd wordt over relevante producten en niet meer alleen algemene reclame ontvangt.

Op dezelfde manier werkt retargeting op basis van collectieve intelligentie. Een bezoeker die zich met e-mailadres heeft aangemeld en reeds artikelen in de winkelwagen heeft gelegd, en zich vervolgens bedenkt en de winkel verlaat, kan men door individuele aanbiedingen op basis van zijn interessegebied tot een koop verleiden. Vooral de tweede generatie ORE-systemen beschikken over functionaliteit om door dergelijke retargeting extra omzet te genereren.

ROI
Deze kennis helpt ons dan ook om de in de titel gestelde vraag te beantwoorden. Terwijl webwinkels met meer dan een miljoen euro omzet per maand al vele jaren ORE-systemen productief en efficient inzetten, willen we de toepassing bij wezenlijk kleinere bedrijven onderzoeken. Kunnen bijvoorbeeld shops met maandomzetten van honderduizend euro winstgevend met tweede generatie ORE-systemen werken?

Deze 2e generatie ORE-systemen realiseren in bijna alle gevallen een directe omzetstijging van twaalf tot vijftien procent (‘directed revenue’). Beschouwt men dan daarnaast ook een verhoging van de gemiddelde orderwaarde van meer dan twee procent door een goede aanbeveling van relevante aanvullende producten, in de winkelwagen of door retargeting, dan is de totale omzetstijging in ons voorbeeld 14.000 tot 17.000 euro per maand. Als we uitgaan van een conservatieve winstmarge van vijftien procent, dan leiden de 2e generatie ORE-systemen tot een hogere winst van tot 2500 euro per maand.

Bij een maandelijkse SaaS-abonnement van minder dan duizend euro (TCO) kan men al in een shop met een maandomzet van honderduizend euro een dergelijk tweede generatie ORE-systeem winstgevend inzetten. Dit varieert echter per branche. Bij fashionwinkels zijn de marges hoger, terwijl consumentenelectronica vaak met geringere marges moet werken. De te bereiken omzetstijging verschilt van geval tot geval, zodat vaak ook bij kleinere omzetvolumes het gebruik van 2e generatie ORE-systemen te rechtvaardigen is.