Bel ons op +31 85 888 4750 (NL) of +32 78 484 120 (BE)

Recommendation Engines

Recommendation Engines 2017-06-28T11:04:10+00:00

Recommendation Engines zijn een onmisbaar onderdeel van moderne web winkels geworden. Er zijn verschillende soorten aanbevelingen die in verscheidene gebieden van het webwinkel worden geplaatst. “Klassieke” aanbevelingen verschijnen meestal op de productpagina’s, veelal voorzien van onderschriften als “Klanten die dit product kochten, kochten ook” of “U bent wellicht ook geïnteresseerd in.” Dit type aanbeveling is, populair gemaakt door Amazon. Andere type aanbevelingen zijn die, die afgestemd zijn op het koopgedrag van de gebruiker en veelal worden gepresenteerd in een aparte webwinkel sectie, bijvoorbeeld, “mijn winkel,” of op de startpagina nadat de gebruiker zich heeft bekend gemaakt door in te loggen. Deze Recommendation Engines bieden de gebruiker geen algemene, maar gepersonaliseerde suggesties met betrekking tot het assortiment van de winkel. Daarom noemen we ze gepersonaliseerde aanbevelingen. Andere aanbevelingen kunnen, bijvoorbeeld, verschijnen op categorie pagina’s (beste aanbevelingen voor de categorie) of afgestemd worden op de resultaten van zoekopdrachten. Niet alleen producten, maar ook categorieën, banners, catalogi, auteurs (in boekhandels), enz., kunnen worden aanbevolen. Sterker nog, als ultiem doel, streven Recommendation Engines naar een totale personalisatie van de online winkel, die gepersonaliseerde navigatie, advertenties, prijzen, mails en sms-berichten bevat. De mogelijkheden op dit vlak zijn schier onuitputtelijk.

recommendation engine software

Recommendation engineering

Recommendation enginering is een levendig onderzoeksgebied. Honderden onderzoekers zijn onvermoeibaar bezig met het bedenken van nieuwe theorieën en methoden voor de ontwikkeling van verbeterde recommendation algoritmes. Het belangrijkste doel van Recommendation Engines is een stijging van de omzet van de webshop (of winst, verkoopcijfers, enz.). Dus de uitdaging bestaat er uit producten aan te bevelen die de gebruiker daadwerkelijk gaat bekijken en kopen, terwijl tegelijkertijd voorkomen moet worden dat down-selling gaat plaatsvinden door het aanbevelen van vervangende, goedkopere producten.

Veel webshops, vooral die van postorderbedrijven (maar zeker ook boekwinkels), hebben inmiddels honderdduizenden, vaak zelfs miljoenen, verschillende producten in het assortiment. Uit deze gigantische hoeveelheid, willen we de meest geschikte en meest relevant aanbeveling aan de klant presenteren. Bovendien door de grote aantal speciale aanbiedingen, veranderingen in het assortiment en – met name bij fashion – prijzen ontstaat de situatie dat goede aanbevelingen al verouderd zijn kort nadat ze zijn geleerd. Goede Recommendation Engines moet dus in staat zijn om te acteren in een zeer dynamische omgeving. Hiermee hebben we belangrijkste uitdaging van Recommendation Engines in zicht, het kunnen vertonen van adaptief gedrag.

Zwakke punten van huidige Recommendation Engines

Recommendation Engines worden vaak nog ten onrechte gezien als behorend tot het gebied van de klassieke data mining. Veel data mining gerichte aanbieders richten zich bij gebrek aan het hebben van een eigen Recommendation Engine op gebieden, zoals basket analysis en clustering technieken. Dit reduceert het onderwerp van recommendations tot een statistische analyse en modellering van het gedrag van gebruikers. We weten van de klassieke cross-selling technieken dat deze aanpak vaak goed werkt in de praktijk.

Toch verdient dit een meer kritische blik. In werkelijkheid dekt een zuivere analyse van het gedrag van de gebruiker niet alle facetten:

1. Het effect van de recommendations is niet in beschouwing genomen: Als de gebruiker naar alle waarschijnlijk toch naar een specifiek product zou gaan kijken, wat is het nut van het aanbevelen dan. Is het niet logischer een product aan te bevelen dat het gedrag van de gebruiker verandert?

2. Recommendations zijn zelfversterkend (self-reinforcing): Als alleen eerdere “beste” aanbevelingen worden weergegeven, dan bestaat het risico dat ze zichzelf versterken, zelfs als er betere alternatieven bestaan. Mogen er geen nieuwe aanbevelingen worden uitgeprobeerd?

3. Gebruikersgedrag verandert: Zelfs als het vorige gebruikersgedrag perfect gemodelleerd is, resteert de vraag wat er zal gebeuren als het gedrag van gebruikers plotseling verandert door aanbiedingen, veranderingen in assortiment, etc binnen de webshop. Zou het niet beter zijn als de Recommendation Engines in staat zou zijn om voortdurend te leren en zich flexibel aan te passen aan het nieuwe gebruikersgedrag?

4. Optimalisatie van alle opeenvolgende stappen: In plaats van alleen het aanbieden van hetgeen de Recommendation Engines als het meest winstgevende product in de volgende stap beschouwt, zou het niet beter zijn om de aanbevelingen te kiezen vanuit het oogpunt van het optimaliseren van de omzet over de meest waarschijnlijke reeks van alle daaropvolgende transacties? Met andere woorden, om soms zelfs een minder rendabel product aan te bevelen, als dat het startpunt is voor meer winstgevende vervolg verkoopacties? De lange termijn in ogenschouw nemend in plaats van het korte-termijn gezichtspunt? Deze punten leiden allemaal tot de conclusie, dat de betere Recommendation Engines het samenspel van analyse en actie dienen te modelleren:

Recommendation Engines baseren op het samenspel van analyse en actie

Hierbij belanden we op een specifiek gebied uit de control theory, reinforcement learning ofwel het zelfversterkend leren. Een nieuw onderzoeksgebied dat nu door toenemende toepassing in o.a. robotics snel tot verdere ontwikkeling komt. Achterliggende gedachte hierbij is dat deze systemen niet meer op de standaard wijze te programmeren zijn; laat de systemen fouten maken en steeds beter worden door consequent van die fouten te leren. Maar waarom domineert de eerste benadering dan nog steeds het huidige onderzoek?  Een deel van het probleem is het beperkte aantal testmogelijkheden en datasets. Adequate uitvoering van de tweede aanpak vereist dat de algoritmes worden geïntegreerd in realtime toepassingen. De effectiviteit van recommendation algoritmen kan namelijk niet volledig worden geanalyseerd op basis van historische gegevens, omdat het effect van de aanbevelingen grotendeels onbekend is. Zo zien we dus dat om praktische redenen alleen al, de ontwikkeling van levensvatbare recommendation algoritmes een hele moeilijke exercitie is voor de meeste onderzoekers. Echter, het aantal publicaties in de vakliteratuur betreffende de tweede benadering zien we de laatste tijd toenemen. Een klein aantal bedrijven ter wereld is er in geslaagd Recommendation Engines te ontwerpen welke in staat blijkt te zijn te kunnen leren en dit bovendien in realtime kan uitvoeren. Het resulteert in steeds krachtigere en effectievere Recommendation Engines.

Ecommerce Result helpt met de keuze en implementatie begeleiding van de juiste Recommendation Engine.

This page is also available in: Engels Duits Frans