Wat muisgedrag je vertelt over je websitebezoekers

Door te herkennen wanneer websitebezoekers dreigen af te haken en te bepalen hoe ‘hot’ ze zijn als prospect, kunnen e-commerce partijen ingrijpen voordat een potentiële klant van de radar verdwijnt. Hierdoor kun je geïnformeerd beslissen of en welke resources je inzet om de klant binnenboord te houden. Een glazen bol is niet nodig – mouse-overs zijn een uitstekende indicatie van wat je bezoeker van plan is.

Er is relatief weinig onderzoek gedaan naar wat mouse-overs je kunnen vertellen over een websitebezoeker. Wel vond ik onderzoeksresultaten waaruit bleek dat de emotionele staat van iemand te bepalen is aan de hand van hun muisgedrag. In een ander onderzoek werd aangetoond dat het doen van aankopen wordt beïnvloed door de emotionele staat waarin de gebruiker zich bevindt. Dat leidde tot de hypothese dat de ontwikkeling van de emotionele staat van een online bezoeker en daarmee zijn aankoopintentie, te voorspellen is door middel van zijn cursorgedrag.

Een grote online retailer stelde zijn bestaande, gelabelde data beschikbaar voor een onderzoek. Algoritmen gebruikten die informatie om patronen te zoeken die passen bij het label exit en non-exit. Daaruit ontstond een model waar nieuwe ongelabelde data doorheen kunnen worden gehaald om vast te stellen of iemand muisgedrag vertoont dat past bij exit of non-exit intenties.

Bij de testcase kwam uit het random forest-model namelijk een accuratesse van 76,1 procent. De recall bedroeg 76 procent. Recall is relevant omdat de belangrijkste taak is om de klasse ‘exit’ juist te voorspellen. Het geeft in dit geval het percentage juist geclassificeerde exit gevallen. De lift was factor 1,6, wat betekent dat het model 1,6 keer beter voorspelt dan een random voorspelling. Bij gradient boosting was de accuratesse 79 procent en de recall 75,5 procent. De lift bedroeg 1,8. De random voorspelling had in 51,1 procent van de gevallen gelijk en de recall was 42,3 procent. Kortom, beide getrainde algoritmen presteren aanzienlijk beter, wat aantoont dat er voorspellende waarde zit in het muisgedrag van bezoekers.

Hot or not

Naast het bepalen van de exit-kans is het muisgedrag van de bezoeker door mijn collega-onderzoeker gebruikt om vast te stellen hoe koopbereid iemand is. De ‘hotness’ van een bezoeker wordt bepaald door te analyseren hoe vaak een bepaald element is aangeraakt op een bepaalde pagina, bijvoorbeeld een afbeelding, tekstvak of button. Het algoritme voorspelt hoe groot de kans is dat deze persoon door zal stromen naar de volgende pagina in het aankoopproces.

Met name voor bedrijven met veel online klantinteractie kunnen deze twee modellen heel interessant zijn. Bij de testcase zagen we gedurende twee weken zo’n duizend gebruikers met hoge koopintentie desalniettemin afhaken. Vermenigvuldig dat met de gemiddelde orderwaarde en je ziet dat er behoorlijk wat omzet onnodig verloren gaat. Exit-gedrag voorspellen door middel van mouse-overs kan dus zeer zeker lonen.

Meer weten? Download hier de whitepaper ‘Predictive analysis using mouse over behavior: identify churning customers in an online sales funnel’.