AI-aanbevelingssystemen: een complete handleiding

Wat als je de orderwaarde en het aantal herhaalaankopen kon verhogen zonder dat je klanten daar meer moeite voor hoeven te doen? Een AI-aanbevelingssysteem zorgt dat je winkel op het juiste moment de juiste producten weergeeft, waarbij data over browsegedrag en productsignalen worden omgezet in relevantere winkelervaringen.

Belangrijkste inzichten

• Een AI-aanbevelingssysteem helpt klanten sneller relevante producten te vinden, wat de productontdekking kan verbeteren, de winkelwagenwaarde kan verhogen en herhaalaankopen kan stimuleren.
• Content-based, collaborative en hybride modellen passen elk bij een andere fase van je winkel, afhankelijk van je productdata, bezoekersaantallen en bestelgeschiedenis.
• Je kunt klein beginnen door aanbevelingen te testen op productpagina's of winkelwagenpagina's en de doorklikratio, conversieratio en gemiddelde orderwaarde te meten.
• Goede resultaten behaal je via heldere productdata, doordachte plaatsing en regelmatig evalueren, zodat aanbevelingen relevant blijven en aansluiten bij je merchandising doelen.

E-commercewinkels kunnen kunstmatige intelligentie inzetten om klantgegevens te analyseren en relevantere aanbevelingen te doen. Voor veel bedrijven kan een AI-aanbevelingssysteem net het duwtje zijn dat je sales- en marketingteams nodig heeft, en het kan een groot deel van het aanbevelingsproces automatiseren.

Wat is een AI-aanbevelingssysteem?

Een AI-aanbevelingssysteem, ook wel een recommendation engine genoemd, gebruikt machine learning-algoritmes om relevante producten, diensten of content voor te stellen aan potentiële klanten online.

AI-aanbevelingssystemen verzamelen en analyseren data zoals demografische kenmerken, het eerdere gedrag van een gebruiker (reviews, beoordelingen, zoekgeschiedenis, eerdere aankopen) en productkenmerken, en stellen zo gepersonaliseerde aanbevelingen samen.

Een breed scala aan sectoren maakt gebruik van AI-gestuurde recommendation engines:

• Entertainment
• Financiën
• Marketing
• E-commerce

Een e-commerce ondernemer kan bijvoorbeeld een AI-aanbevelingssysteem gebruiken om datagestuurde suggesties te tonen aan sitebezoekers. In zijn webshop toont Gymshark aanbevolen collecties en productsuggesties.

De webshop van Gymshark toont aanbevelingen zoals 'Dit Vind Je Misschien Leuk' om productontdekking te sturen. Bron: Gymshark-productpagina

Hoe een AI-aanbevelingssysteem je verkoop kan verhogen

AI-aanbevelingssystemen kunnen de verkoop verhogen door klanten sneller relevante producten te laten ontdekken, de gemiddelde orderwaarde te verhogen met cross-sells en bundels, en herhaalaankopen te stimuleren via beter gepersonaliseerde ervaringen.

Een goed AI-gestuurd aanbevelingssysteem kan je webshopervaring personaliseren, wat herhaalaankopen en een hogere tevredenheid kan ondersteunen. De afgelopen jaren wijst consumentenonderzoek door Statista naar personalisatie in e-commerce keer op keer op een sterke vraag naar relevantere winkelervaringen. Uit een Statista-enquête onder online consumenten bleek dat veel klanten gepersonaliseerde productaanbevelingen wilden, wat de vraag naar meer op maat gemaakte e-commerce-ervaringen onderstreept.

Door de winkelervaring te personaliseren, kunnen AI-aanbevelingssystemen ook klantbehoud ondersteunen en de algehele klantbeleving verbeteren. In de praktijk kan dit meetbare voordelen opleveren: nadat het beautybedrijf Orveon Global AI-gestuurde merchandising en productaanbevelingen over al zijn merken had uitgerold, rapporteerde het een onmiddellijke stijging van 10% tot 15% in de gemiddelde orderwaarde.

“Onmiddellijk, en dat was consistent voor elk merk, zagen we een stijging van de gemiddelde orderwaarde met tussen 10% en 15% per merk. Dus ik denk dat onze cross-sell mogelijkheid via Nosto live tot een directe verkoopstijging heeft geleid.”

— Carney Nir, VP of e-commerce and site experience bij Orveon Global (Bron)

Waarom aanbevelingen omzet genereren

Belangrijke voordelen zijn:

• Gestroomlijnde ontdekking. Het systeem kan relevantere keuzes tonen, zodat klanten niet eindeloos hoeven te scrollen om te vinden wat ze zoeken.
• Hogere gemiddelde orderwaarde. Secties als 'anderen kochten ook' of 'vaak samen gekocht' op je afrekenpagina kunnen upsells en cross-sells stimuleren, waardoor de gemiddelde orderwaarde en omzet stijgen.
• Hogere klantloyaliteit. Een snellere, beter gepersonaliseerde ervaring dankzij een AI-aanbevelingssysteem kan herhaalaankopen stimuleren.

Waar je een AI-aanbevelingssysteem in je winkel kunt inzetten

Hier zijn een paar praktische manieren om aanbevelingen in je hele winkel toe te passen:

• Aanbevelingen op productpagina's. Gebruik modules als 'vergelijkbare artikelen' of 'misschien vind je dit ook leuk' om productontdekking te verbeteren wanneer een klant nog opties vergelijkt. Houd de doorklikratio en conversieratio bij, het percentage bezoekers dat een gewenste actie voltooit, om te zien of de plaatsing klanten dieper de funnel in laat bewegen.
• Bundels op de winkelwagenpagina. Toon aanvullende add-ons of 'vaak samen gekocht'-bundels in de winkelwagen om de winkelwagenwaarde vlak voor het afrekenen te verhogen. Deze plaatsing werkt het best voor accessoires, navullingen en laagdrempelige add-ons. De belangrijkste maatstaf om hierbij in de gaten te houden is de gemiddelde orderwaarde.
• Suggesties na aankoop. Beveel navullingen, verwante categorieën of vervolgproducten aan na het afrekenen of in follow-up-e-mails. Dit werkt goed voor verbruiksartikelen en catalogi met meerdere producten. Je kunt de impact meten via het percentage herhaalaankopen en het percentage terugkerende klanten.

Als je net begint, start dan met één plaatsing en meet die zorgvuldig voordat je de aanpak uitrolt over het volledige klanttraject.

Soorten AI-aanbevelingssystemen

• Content-based filtering
• Collaborative filtering
• Hybride filtering

Je kunt gepersonaliseerde aanbevelingen voor potentiële klanten genereren met een van de drie hoofdtypen AI-aanbevelingssystemen. Over het algemeen zijn content-based systemen nuttig wanneer je over beperkte data over gebruikersgedrag beschikt, werken collaborative systemen het best wanneer je een groter volume aan klantinteracties hebt, en zijn hybride systemen vaak de beste keuze voor meer gevestigde winkels die bredere dekking en betere nauwkeurigheid willen.

Vergelijking van de belangrijkste soorten AI-aanbevelingssystemen

Content-based filtering

Een aanbevelingsengine die algoritmes voor content-based filtering gebruikt, doet aanbevelingen op basis van de specifieke kenmerken (eigenschappen, categorieën, omschrijvingen) van artikelen die een gebruiker al leuk vindt, in plaats van op basis van wat andere gebruikers doen. Door productdetails zoals categorie, materiaal, prijsklasse en tags te analyseren, kan het systeem artikelen aanbevelen met kenmerken die lijken op die waarmee een klant eerder interactie had.

Dit werkt bijzonder goed voor nichemarkten met een beperkt klantenbestand, omdat er mogelijk nog niet genoeg browse-, review- of aankoopdata zijn om sterke gedragsgebaseerde aanbevelingen te kunnen doen. In die gevallen zijn productkenmerken effectief. Zo kan een gespecialiseerde theewinkel met een kleine doelgroep toch vergelijkbare losse theemelanges aanbevelen op basis van smaakprofiel, cafeïnegehalte, herkomst en zetmethode.

Ondernemers in het ecosysteem van de Shopify-app kunnen bijvoorbeeld tools gebruiken die AI-gebaseerde productaanbevelingen bieden, zoals Shopcast (Engelstalig). Dit is één voorbeeld van de vele apps in de Shopify App Store, geen aanbeveling van Shopify.

Collaborative filtering

Collaborative filtering voorspelt de voorkeuren van een gebruiker op basis van het gedrag van vergelijkbare gebruikers. Systemen met collaborative filtering kunnen rekening houden met browsegeschiedenis, aankoopgeschiedenis of beoordelingen. Dit type aanbevelingsengine stelt producten voor waarvan het denkt dat een klant ze leuk zal vinden, op basis van klantgegevens van gebruikers met vergelijkbare voorkeuren.

Zo kan een kledingmerk een nieuwe kledinglijn aanbevelen aan een bepaalde gebruiker op basis van recente mode-aankopen van gebruikers met een vergelijkbare smaak. In tegenstelling tot content-based filtering is collaborative filtering nuttig om artikelen voor te stellen die niet direct verband houden met producten die de gebruiker heeft bekeken, maar die vergelijkbare klanten wel hebben gekocht.

Zo kan een 'vaak samen gekocht'-app de verkoopgeschiedenis van een winkel, nieuwe bestellingen en productupdates in realtime analyseren om producten aan te bevelen die vaak samen worden gekocht.

Hybride filtering

Hybride aanbevelingssystemen combineren collaborative en content-based filtering om relevante content, producten en diensten aan gebruikers aan te bevelen. Zo kunnen hybride systemen voorspellen welk type kookgerei een klant zou kunnen interesseren op basis van wat andere gebruikers met vergelijkbare voorkeuren hebben gekozen, gecombineerd met specifieke content-based verbanden in productkenmerken, materialen of maten.

Door data te verzamelen over overeenkomsten tussen gebruikers en content-based factoren zoals productomschrijvingen, combineert een hybride aanbevelingssysteem meerdere filtermethoden om tot een zeer goed onderbouwde en gepersonaliseerde aanbeveling te komen.

Veel AI-aanbevelingsengines vertrouwen op een hybride aanpak, waarbij zowel collaborative als content-based filtering wordt toegepast, een patroon dat wordt besproken in recent onderzoek naar aanbevelingssystemen. Zo gebruiken sommige Shopify-apps AI en bestelgeschiedenis om 'vaak samen gekocht'-aanbevelingen te genereren, terwijl andere apps aanbevelingen en bundels samenstellen op basis van bestelgeschiedenis en verkoopdata. Grote catalogi kunnen ook profiteren van het koppelen van aanbevelingen aan slimmer zoeken: nadat Rainbow Shops de Google Cloud Discovery AI-integratie van Shopify had ingevoerd, rapporteerde het een stijging van 48% in het zoekvolume op de site, wat onderstreept hoe AI-gestuurde ontdekkingstools aanbevelingssystemen kunnen aanvullen.

Zet je AI-aanbevelingssysteem aan het werk

Via een AI-aanbevelingssysteem kun je de productontdekking makkelijker maken, de gemiddelde orderwaarde verhogen en een beter gepersonaliseerde ervaring creëren die klanten laat terugkomen. De grootste winst behaal je meestal door het juiste aanbevelingstype te combineren met de data van je winkel en door suggesties te plaatsen op de plek waar de koopintentie het sterkst is.

Begin met één plaatsing, meet de resultaten en verfijn van daaruit. Ben je klaar om slimmere winkelervaringen te bouwen met tools die zijn ontworpen voor commerce? Ontdek Shopify en begin vandaag nog met het testen van AI-gestuurde aanbevelingen in je winkel.