Deel dit artikel
-

Hyperpersonalisatie: de aanpak van Spotify, Netflix en Stitch Fix tegen het licht gehouden

Van scherpe (product)aanbevelingen tot een unieke app of website voor iedere gebruiker. Koplopers laten zien dat hyperpersonalisatie goed in kan spelen op klantwensen, maar ook grote inspanningen vergt om succesvol toe te passen. Het roept de vraag op wat hiervoor nodig is. Daarom houden we de aanpak van Netflix, Spotify en Stitch Flix tegen het licht. “Alles wat pixels gebruikt, kun je persoonlijk maken.”

Het is al gauw twintig jaar geleden dat Amazon startte met productsuggesties op basis van voorkeuren van andere klanten: ‘Mensen die x kopen, kopen ook y’. Een tak van sport die zich door de jaren heen heeft verfijnd, en nog immer geldt dat het gros van personalisatie – zeker binnen retail – op deze manier gebeurt. Dat de mogelijkheden ervan steeds verder strekken, blijkt wel uit vorderingen die de Amerikaanse online moderetailer Stitch Fix, die data en menselijke stylisten inzet om klanten een op maat gesneden aanbod te doen, recent heeft geboekt. Algoritmen genereerden al een persoonlijke Style Card met items die passen bij een kledingstuk dat klanten bestelden. Door de vraag uit de markt is vorig jaar besloten om die producten direct koopbaar te maken. Om tot een persoonlijke outfit te komen, wordt met een drietrapsmodel gewerkt, tekende Venturebeat deze zomer op. Te weten: het matchen van twee bij elkaar passende items, middels een template uitbreiden naar een hele outfit en als laatste stap het vaststellen van een ‘anker-item’ dat een klant eerder heeft gehouden en voorraadgegevens meerekenen. Pas in de laatste stap wordt er dus echt naar de persoonlijke voorkeuren gekeken. En dat werkt: meer dan een derde van de klanten die via de Shop Your Looks-test een outfit hebben gekocht, heeft meerdere keren met de functie gewerkt. En ongeveer zestig procent kocht twee of meer items. Wat hieraan bijdraagt, is dat de gesuggereerde outfits gedurende een dag verschillende keren worden ververst, zodat klanten terugkomen om ze te bekijken.

Volgens het bedrijf heeft Stitch Fix deze activiteiten weten uit te bouwen doordat er al een systeem lag en er al veel klantdata werd ingewonnen. Wanneer een klant zich aanmeldt, wordt een intake gedaan die al zo’n negentig verschillende datapunten oplevert. En ook feedback tijdens de check-out (die zo’n 85 procent van de shoppers invult), de op een likes en dislikes-systeem gebaseerde Style Shuffle en klantvragen die de stylisten krijgen, zorgen voor de opbouw van tamelijk nauwkeurige klantprofielen.

Bij Netflix en Spotify is de bulk aan data eveneens een voorwaarde voor de mogelijkheid om te personaliseren. Iedere handeling van gebruikers op het platform wordt dan ook vastgelegd. Maar eerste even terug naar de ‘basis’. Achter Spotify’s personalisatie gaat het zogeheten ‘multi-armed bandit framework’ machine learning-systeem schuil, gericht op exploitation en exploration. Exploitation draait om aanbevelingen in de app die zijn gebaseerd op eerdere selecties van muziek of podcasts. Exploration is gebaseerd op mogelijke interesse en wordt gezien als een onderzoekstool om meer te weten te komen over hoe mensen omgaan met gesuggereerde inhoud. Deze tweeledige aanpak helpt Spotify ervoor te zorgen dat de ‘schappen’ en ‘kaarten’ in de interface gepersonaliseerd zijn voor bestaande én nieuwe gebruikers – over wie het nog niet zoveel informatie heeft.

Tegenwoordig wordt daarmee ook op basis van intentie gepersonaliseerd. Hoe mensen de app gebruiken, zegt namelijk iets over hun intentie, stelt Mounia Lalmas, Spotify’s head of tech research. Wie rustig wil gaan slapen of werken, klikt één keer iets aan, wie een playlist bouwt, doet veel meer clicks. Dat wetende, levert de interactie met het homescherm al veel informatie op, wat wordt aangevuld met een mix aan kwalitatieve informatie uit onder andere klantinterviews, schetste Lalmas tijdens een conferentie van The Alan Turing Institute.

Wat bij Netflix heeft geholpen, is te kijken naar contextual sequence-data: bijvoorbeeld locatie-, apparaat- en datum-/tijddata mee laten wegen in voorspellingen voor de content die mensen graag willen zien. Maar, een belangrijke vraag: kijkt iemand iets omdat het bovenaan zijn scherm stond – dus makkelijk klikbaar – of vond hij het echt interessant? Of beide? Er ontstaan gauw feedback loops, stelt Justin Basilico, Research & Engineering Director bij het videobedrijf, in een online seminar. Als iemand op iets klikt, vat het systeem dat op als een interesse en zal het vaker dit soort content laten zien. Gaandeweg drijft een aanbevelingssysteem dan weg van wat iemand echt wil kijken.

Persoonlijke pixels
De laatste tijd zijn er steeds meer ontwikkelingen in het personaliseren van de user experience. Netflix deed daar enkele jaren geleden al eens een boekje over open door te laten zien hoe verschillende gebruikers verschillende beelden voorgeschoteld kregen bij films en series. Zo probeerde het videoplatform iemand die doorgaans tienerseries kijkt voor Stranger Things te interesseren door de jonge hoofdrolspelers vrolijk in beeld te brengen. Wie liever horrorfilms bingewatcht, werd met een duistere afbeelding verleid om de serie aan te klikken. Basilico ziet experience-personalisatie als een voorname trend: personaliseren hoe iets wordt aanbevolen in plaats van wat wordt aanbevolen. Daarvoor moet het aanbevelingssysteem op algoritmeniveau een ideale balans vinden tussen onder andere diversiteit, populariteit en nieuwigheid. Een balans die sterk persoonsafhankelijk is, dus met die parameters moet gespeeld kunnen worden.

Op displayniveau wordt daarbij gekeken hoe de manier waarop je items presenteert of hoe je aanbevelingen uitlegt persoonlijk gemaakt kan worden – waarvan het wisselen met beelden een voorloper is. En evengoed zijn de rijtitels, trailers, getoonde synopsis en evidence block (waar onder andere gewonnen prijzen worden vermeld) aanpasbaar.

En dan is er de personalisatie van de interactie: kunnen inspelen op zowel de behoefte van iemand die achteroverleunend in z’n stoel snel iets leuks op wil kunnen zetten, als op die van een power user die allerlei extra features in de user interface wil kunnen uitpluizen.

Kenmerkend hierbij is dat aanpassingen steeds vlotter worden gedaan. Niet alleen tussen sessies door, maar ook realtime tijdens een zoektocht. Als iemand ver door een rij met comedy’s scrolt, kunnen bijvoorbeeld andere rijen ook ververst worden met meer comedygerelateerde content.

Dat niveau overstijgend wordt ook gewerkt aan een meer adaptieve user interface. Bijvoorbeeld door te variëren in tegelgrootte en het aantal items op het scherm, gebaseerd op de informatiebehoefte die een gebruiker heeft. Zo kan een onbekendere, nieuwe titel meer ruimte krijgen, omdat de gebruiker er meer over zal willen weten voordat hij hem aanklikt, en volstaat bij een bekende kaskraker een enkele afbeelding. “Alles op het homescherm dat pixels gebruikt, kan in potentie gepersonaliseerd worden.”

Verwachtingen
Ontwikkelingen hierin zijn echter niet alleen bij de grote techbedrijven te zien. Ook de Nederlandse start-up Unless richt zich op het aanpassen van wat én hoe mensen iets zien en personaliseert websites middels een plug-in. “Als je een relevant verhaal vertelt dat de aandacht vasthoudt, komt de conversie vanzelf”, zegt CEO en oprichter Sander Nagtegaal. Hij noemt het voorbeeld van een hypotheker. Op basis van de hypotheekhoogte die iemand aangeeft, kunnen relevante contentblokken omhoog gehaald worden en worden er voorbeelden getoond die passen bij wat diegene zoekt. “Als mensen geen abstractie hoeven te overwinnen, pikken ze zaken sneller en beter op. En blijft er meer energie en focus over om zich op het moeilijkere deel van de content te focussen.”

Experimenten bij Spotify leidden eerder dit jaar tot de lancering van Shortcuts, de plek op het homescherm van de app waar een zestal ‘entiteiten’ te zien zijn die de muziekluisteraar heeft gebruikt, zoals een album, playlist of podcast. Het is een push van content waar de gebruiker de afgelopen negentig dagen naar heeft geluisterd. Uit onderzoek bleek namelijk dat we graag regelmatig dezelfde zaken luisteren.

Een van de voornaamste conclusies van het team over het ontwikkelproces is dat methodologie belangrijker is dan technologie. Zo zijn de data die gebruikt werden eerst vanuit veel verschillende invalshoeken bekeken, zijn er veel online en offline tests uitgevoerd en eenvoudige heuristieken geprobeerd. Dit zorgde voor een beter begrip van de verwachtingen van gebruikers en voor een duidelijkere visie op het te ontwikkelen product en doelen. Wat het weer eenvoudiger maakte om de juiste trainingsgegevens en de architectuur van een machine learning-algoritme te kiezen.

Filterbubbel
De favoriete content snel toegankelijk maken, blijkt goed voor betrokkenheid, maar er zijn zorgen dat hyperpersonalisatie de bubbel waarin consumenten zitten verder verkleint. Een risico, zo menen critici, omdat de ruimte voor verrassing of creativiteit wordt beperkt. De kans op willekeurige ontdekkingen, die juist veel plezier brengen, neemt af. Iets waar bij Spotify gerichte aandacht naar uitgaat. Het bedrijf heeft zichzelf namelijk ten doel gesteld om een miljoen artiesten de kans te geven van hun kunst te leven en fans ervan te laten genieten. En dat is lastig als in elke stream dezelfde artiesten zouden opduiken. Maar je kunt de gebruiker niet dwingen om divers te luisteren, ook al is dat onderdeel van de missie van je bedrijf, stelt Lalmas. En dus moet er balans zijn tussen drie voorwaarden van de gesuggereerde content: relevant, bevredigend en divers, met gebruik van minimumwaarden en voortdurende experimenten om het te optimaliseren. “Op basis van wat mensen luisteren, weten we wie er mogelijk meer openstaat voor diversiteit en dan kan de waarde voor diversiteit omhoog”, illustreert de head of tech research.

Waar Spotify mensen probeert te prikkelen met muziek die een beetje avontuurlijk voor ze is, ziet Nagtegaal heil in het creëren van meerdere versies van een verhaal. Door de microaandacht die er tegenwoordig nog is voor onderwerpen, zijn we geneigd om alleen zaken tot ons te nemen die we al kennen of die passen bij wat we willen. “Dat is het resultaat van het personaliseren van het ‘wat’ en dat is best lastig op te lossen, want we hebben het mensen makkelijker gemaakt, dus die doen vrijwel geen moeite meer voor andere dingen.”

Daar speelt bij mee dat mensen het ook lastig vinden iets te zien of lezen waar ze het niet mee eens zijn – ook al is het wel waar. Dat kun je een klein beetje gladstrijken door bijvoorbeeld woorden aan te passen naar varianten die iemand begrijpt en aanspreekt. Denk aan verschillende varianten van een verhaal op basis van leesniveaus of contextueel taalgebruik. “Zoals een leraar zaken op verschillende manieren kan uitleggen, met verschillende voorbeelden, zodat iedereen het begrijpt. Dan bestrijd je de filterbubbel.”

Mens en machine
De grootste uitdaging bij Stitch Fix was naar eigen zeggen het vaststellen van wat een goede outfit nu eigenlijk is, aangezien smaak subjectief is en context veelal bepalend. Aanvullend op de bestaande praktijk moet het bedrijf dus niet alleen achterhalen welke items bij elkaar passen, maar ook welke van deze outfits een individuele klant leuk zal vinden. De oplossing is gezocht in een combinatie van door mensen gemaakte regels om data op te slaan, te sorteren en te manipuleren, in combinatie met factorization machines (AI-modellen) die interacties tussen variabelen kunnen wegen. Een outfit geldt daarbij als goed wanneer een groep klanten – maar niet noodzakelijkerwijs iedereen – die waardeert.

In lijn hiermee zegt ook Spotify steeds meer te investeren in systemen die menselijke experts en algoritmen combineren. Want hoewel mensen goed zijn in het uitlichten van het ‘nieuwe, interessante en onverwachte’, zijn algoritmen beter in het opschalen van die curatie naar een persoonlijke ervaring voor miljoenen mensen, is de strategie.

En om het aantal variabelen behapbaar te houden, is ook bij Spotify gekozen voor groepering, namelijk gebruikers en playlists. Door co-clustering worden gebruikers met gelijk gedrag rondom bepaalde playlists samengepakt.

Nagtegaal ziet parallellen met account based marketing. Wie zo’n twintig klanten onder zijn hoede heeft, kan ze goed leren kennen en persoonlijk benaderen op basis van alles wat hij over ze weet. Wat de essentie blijft bij personalisatie op schaal. De opschaling – met behulp van kunstmatige intelligentie en machine learning – is steeds vaker in te kopen. “Je hoeft geen wiskundige te zijn om het te gebruiken. Kwalitatieve marketeers gaan een tweede kans krijgen.”

Minder data-analisten
Vooruitkijkend naar de komende jaren voorziet Nagtegaal dat gepersonaliseerde interfaces zullen veranderen hoe het internet werkt. “Kunstmatige intelligentie, machine learning en spraakbesturing gaan internet een fluïde medium maken. Een conversational internet, waarbij applicaties voortdurend anders zijn voor iedereen.” Een teken aan de wand is volgens hem de lancering van OpenAI’s nieuwe tool die ingewikkelde juridische teksten kan herschrijven in begrijpelijke taal, met behoud van betekenis. Toepassing daarvan op webteksten ligt voor de hand. “Machine empathy neemt in belang toe, maar wordt nog weinig als businessmodel gepositioneerd.” Dat er steeds meer diensten op de markt komen die de drempel tot personalisatie verlagen zal de boel versnellen, meent hij. “Het zal niet lang duren voordat er veel minder data-analisten nodig zijn. Je prikt gewoon direct in op services van derden. Vooral het grotere mkb gaat dit veel kansen brengen.”

Illustratie: Leonie Bos (in opdracht van Emerce)

* Dit artikel verscheen eerder in het oktobernummer van Emerce magazine (#179).

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond