Zonder dat je het misschien weet, maak jij waarschijnlijk op dagelijkse basis gebruik van ‘recommender systems’. Bijna alle (online) aanbevelingen die jou gedaan worden, zijn namelijk tot stand gekomen met deze software techniek. Denk hierbij aan: zoeksuggesties in Google, kijksuggesties in Netflix en producten die jou aanbevolen worden in webshops. In deze blog nemen we je mee in de wereld van recommender systems. We leggen je uit wat de techniek achter deze systemen is. Ook vertellen we hoe jij als bedrijf recommender systems in kan zetten om je winst te verhogen.
Wat is zijn recommender systems?
Je kunt recommender systems het beste zien als een techniek die het mogelijk maakt om gerichte aanbevelingen aan klanten te geven. Heel kort door de bocht wordt er aan de hand van beschikbare data, bijvoorbeeld over de kenmerken van een product of reviews van anderen, een persoonlijke aanbeveling gedaan voor een product of dienst. Er zijn tal van bedrijven die gebruik maken van deze techniek. Bekende voorbeelden zijn Google, Netflix en YouTube, maar bijvoorbeeld ook verzekeringsmaatschappijen, autoverhuurders, boekingssites, datingapps, webshops en ga zo maar door, maken veelvuldig gebruik van recommender systems.
De techniek achter recommender systems
Recommender systems vergelijken dus beschikbare data met jouw gebruikersprofiel om zo aanbevelingen te doen. Maar hoe wordt die data verkregen en verwerkt? Hier worden binnen recommender systems verschillende technieken voor gebruikt die we hieronder toelichten.
Content-based filtering
Laten we Netflix als voorbeeld nemen om deze techniek toe te lichten. Stel je bent dol op horrorfilms en die kijk je dan ook regelmatig: deze informatie wordt opgeslagen in jouw gebruikersprofiel. Vervolgens zoekt Netflix in de data naar films met vergelijkbare ‘content’ die jou ook zullen aanspreken. Wat er binnen content-based filtering simpelweg gebeurt, is dat er gezocht wordt naar de films die qua kenmerken het meest overeenkomen met de films die jij al eerder bekeken hebt. Die kenmerken zijn per film vastgesteld in de vorm van labels, bijvoorbeeld: spannend, humoristisch, actie etc. De kans binnen deze filtertechniek is dan ook groot dat de volgende aanbeveling wederom een horrorfilm is en geen romantische komedie.
Collaborative filtering
Maar toch kan het zo zijn dat de volgende film die jou aanbevolen wordt een romantische komedie is en géén horrorfilm. Wanneer dit het geval is, is er gebruik gemaakt van een andere techniek voor het filteren van de data. Het gaat hier dan om collaborative filtering. Binnen deze dataverwerking techniek, waarbij machine learning toegepast wordt, draait het namelijk niet om de kenmerken van een film, maar om het profiel van vergelijkbare gebruikers of bijvoorbeeld de beoordeling die gebruikers aan een bepaalde film geven. Dus stel dat alle met jou vergelijkbare gebruikers (liefhebbers van horrorfilms) ook allemaal groot fan zijn van de film Bridget Jones’s Diary. Dan kan deze film in jouw aanbevelingen belanden, terwijl het qua kenmerken en genre totaal niet matcht met je eerder bekeken films.
Hybrid recommender systems
Bedrijven maken in de praktijk gebruik van één van de hierboven beschreven technieken of ze combineren beide. Dit laatste zie je steeds vaker en heet ook wel een hybrid recommender system. Netflix is ook een voorbeeld van bedrijf dat beide technieken combineert.
De voordelen voor bedrijven
Leuk en aardig, maar dit zijn toch vooral technieken die voor de echt grote bedrijven interessant zijn? Zeker niet, ook steeds meer kleinere bedrijven in tal van branches gebruiken recommender systems. Door je klant actief een product of dienst op maat aan te bieden, aan de hand van zijn of haar kenmerken of die van vergelijkbare gebruikers, wordt het veel persoonlijker. Daarnaast verhoog je de customer experience en is de klant eerder geneigd om over te gaan op een aankoop. Ook op het gebied van marketing zijn recommender systems interessant. Door de beschikbare data bijvoorbeeld te koppelen aan de customer journey van een klant, kun je op bepaalde punten in het aankoopproces heel gericht aanbevelingen aan de klant geven.
Ben je benieuwd of recommender systems ook voor jouw bedrijf interessant zijn? Binnen beeproger hebben wij veel ervaring met het ontwikkelen van recommender systems. Daarom gaan we graag eens met je in gesprek om deze mogelijkheden te verkennen. We kijken waar precies voor jou de winst zit. Neem gerust contact met ons op of plan een vrijblijvend kennismakingsgesprek in.