NL
Verbind je AI-agent

Voeg Hello Retail toe aan je AI-assistent

Voor klanten van Hello Retail: Kopieer het adres en voeg het toe als connector in Claude, ChatGPT of Codex.

MCP-adres

https://core.helloretail.com/mcp

Nog geen klant?De MCP werkt met een Hello Retail-login. Vertel ons wat je wilt bouwen.

Laten we praten
Laten we praten

De toekomst van e-commerce

Hello Retail·January 23, 2023·5 min read

Bij Hello Retail hebben we gewerkt aan een ingrijpende verandering in de manier waarop onze oplossingen werken, en we zijn eindelijk klaar om daar meer over te vertellen. Als je dat nog niet hebt gedaan, raad ik je aan om het inleidende bericht van onze CEO over de nieuwe koers te lezen. Eerst even wat achtergrondinformatie.

Veranderingen op de markt

We hebben allemaal gezien hoe de markt steeds meer verandert en gebruikers steeds meer op hun privacy letten. De behoefte aan privacy kan verschillende oorzaken hebben, waarbij een van de redenen waarschijnlijk de grote spelers op social media zijn, die in het verleden misbruik hebben gemaakt van het verzamelen van gegevens. Naast deze verschuiving in de houding van consumenten hebben wetgevers ook een standpunt ingenomen ten aanzien van privacy door de AVG in te voeren.

Browserfabrikanten hebben zich aan deze verandering aangepast door de ondersteuning voor cookies van derden te schrappen. Daardoor werd het moeilijker om gebruikers over verschillende domeinen heen te volgen, en de kortere levensduur van cookies had invloed op hoe lang je elke gebruiker kon identificeren.

Er is geen enkele reden waarom gebruikers, wetgevers of browserfabrikanten een minder strenge houding zouden moeten aannemen ten aanzien van de privacy van gebruikers – die is hier om te blijven.

Hoewel gebruikers niet gevolgd willen worden, verwachten velen toch gepersonaliseerde aanbevelingen met relevante productsuggesties.

Nu deze veranderingen de markt beïnvloeden, kun je het op twee manieren aanpakken: Je houdt je aan de regels, of je speelt kat-en-muis met de privacyverzoeken van gebruikers. Dat laatste zou kunnen via fingerprinting, ook wel ‘cookieless tracking’ genoemd. Onthoud dat fingerprinting of het gebruik van cookieless tracking je niet in staat stelt om de cookiewet te omzeilen. Klanten moeten nog steeds akkoord gaan met je cookies voordat je ze kunt volgen. De cookiewet gaat niet over de technische maatregel om een cookie toe te voegen, maar over het volgen van individuen, zelfs als dat op een andere manier gebeurt dan via cookies.

Bij Hello Retail hebben we besloten om voor de eerste optie te kiezen en de wensen en zorgen van klanten op het gebied van privacy te respecteren. We bouwen voort op onze visie om een volledig anonieme oplossing te bieden die de e-commerce-ervaring toch persoonlijk blijft maken.

Personalization Solutions Today

Personalization solutions today

Hello Retail

Hello Retail user intelligence

Vroeger was personalisatie in e-commerce gebaseerd op het bijhouden van gedrag, wat geweldig werkt als klanten dat toestaan – maar wij hebben een betere manier gevonden. Wij geloven dat er pas echt iets magisch gebeurt als je begrijpt hoe producten met elkaar samenhangen en deze kennis verrijkt met gebruikersinformatie. Dit betekent dat we een volwaardige, privacybewuste oplossing hebben, waarbij we – als dat is toegestaan – een laagje gedragsgegevens kunnen toevoegen.

Product Intelligence-engine & vector-databases

De Product Intelligence-engine is een van onze basistechnologieën die ons helpt producten te begrijpen en te zien hoe ze met elkaar samenhangen, met behulp van geavanceerde algoritmen die worden ondersteund door een geavanceerde vector-database.

Er zijn veel soorten productrelaties, waarvan de meest voorkomende zijn:

  • Producten die met elkaar te maken hebben
  • Producten die goed bij elkaar passen (die vaak samen worden gekocht)
  • Besteloverzicht van producten (wat gaan mensen straks kopen?)

Als je de verschillende productrelaties begrijpt, leg je de basis voor een gepersonaliseerde ervaring die is gebaseerd op productkennis in plaats van alleen op gedragsgegevens. Daarover straks meer.

Zoals eerder gezegd, vormt een enorme vector-database de kern van de Product Intelligence-engine. De database is supergoed in het vinden van overeenkomsten tussen gegevenspunten in een multidimensionale ruimte.

Als we nieuwe producten in ons systeem invoeren, zetten we ze eerst allemaal om in vector-embeddings met behulp van verschillende AI-modellen. Zodra ze als embedded vectoren zijn weergegeven, bekijken we de productvectoren vanuit allerlei invalshoeken om overeenkomsten te ontdekken en hun aankooprelaties in kaart te brengen.

Inkooprelaties

Op de afbeelding hiernaast zie je een eenvoudig voorbeeld. Gerelateerde producten zijn producten die dicht bij het product staan waar je naar kijkt. Op de afbeelding zie je verschillende schoenen die rond de hoofdschoen staan (die grote op de afbeelding). De schoenen rond het hoofdproduct kunnen varianten of soortgelijke producten zijn.

Het is belangrijk om te weten dat je bij het samenstellen van de embedded vectoren niet zomaar SKU’s kunt vergelijken als je wilt achterhalen welke producten op elkaar lijken. Daar zijn twee belangrijke redenen voor:

  • Niet alle productfeeds bevatten SKU’s/EAN-nummers
  • Er worden alleen producten getoond die precies hetzelfde zijn

Overzicht van gerelateerde producten 1

Het tweede punt is niet ideaal, want producten hoeven niet identiek te zijn om dezelfde kenmerken te hebben. Een voorbeeld: Als je een iPhone 13 met 512 GB opslagruimte koopt, heeft die één SKU, maar een andere iPhone 13 met 256 GB opslagruimte kan weer een andere SKU hebben. In de meeste gevallen zouden deze als vergelijkbare producten moeten worden aangemerkt. Dat heeft twee belangrijke voordelen:

  • Deze producten vormen alternatieven voor elkaar, omdat ze vergelijkbare eigenschappen hebben.
  • We kunnen de verzamelde gegevens van beide beter benutten om betere upsell-producten aan te bevelen. Hoe meer gegevens je hebt over de aankooprelaties, hoe beter ze presteren. In dit geval maakt het voor de hoes niet uit hoeveel opslagruimte de iPhone heeft, en door gelijkenissen te gebruiken om de aankooppatronen te combineren, kunnen we dit ondersteunen met nauwkeurigere upsell-suggesties.

De Product Intelligence-engine wereldwijd uitrollen

Als we alleen naar de productgegevens van elke winkel zouden kijken, zouden veel winkels niet genoeg gegevens hebben om de AI inzichten te geven waarmee ze slim genoeg wordt om de verbanden optimaal te herkennen. Gelukkig kunnen we, door gerelateerde producten in een breder perspectief te bekijken, ook aankooprelaties op een hoger niveau ontdekken en deze kennis inzetten voor al onze klanten, zodat ze er allemaal van profiteren. Het betekent ook dat naarmate er meer klanten bij het platform komen, de oplossing voor iedereen beter en slimmer wordt.

*Disclaimer: Als klant van Hello Retail ben je eigenaar van al je gegevens en kun je op elk moment vragen om je gegevens te laten verwijderen. We garanderen dat er geen persoonlijk identificeerbare informatie of prijsinformatie tussen klanten wordt gedeeld. Producten in ons systeem worden opgeslagen als coördinaten in een vectordatabase. De vectoren worden gekoppeld aan andere vectoren om bijvoorbeeld te achterhalen wat er samen is gekocht. Alle vector-embeddings worden gehasht, wat betekent dat zelfs de producten anoniem zijn, omdat je een product niet kunt achterhalen aan de hand van de vectorweergave. *

Overzicht van gerelateerde producten 2

Met de Global Product Intelligence-engine betekent dit ook dat je veel betere resultaten zult zien op je taalspecifieke sites dan wanneer je een traditionele personalisatiedienst zou gebruiken die alleen op het bijhouden van gedrag is gebaseerd. De reden hiervoor is dat de conventionele aanbieders niet genoeg gegevens hebben over je kleinere taalsites om bevredigende resultaten te kunnen presenteren. Bovendien identificeert onze Product Intelligence-engine de verschillende producten in al je winkels, wat betekent dat je hoofdwinkel helpt om goede aankooprelaties te creëren met bijvoorbeeld je taaldomeinen.

Product Intelligence kan de voorspelling van gebruikersvoorkeuren op een heel andere manier aanpakken

De Product Intelligence-engine is niet alleen ontwikkeld om onze aanbevelingsoplossingen te ondersteunen – we gebruiken hem ook om gebruikersgedrag te voorspellen en die inzichten toe te passen in alle oplossingen die we aanbieden.

Toen Hello Retail van start ging, deden onze trackingoplossingen hun werk met cookies van derden. Die cookies hielpen ons om voor elke bezoeker een gebruikersprofiel aan te maken dat over verschillende websites heen gold, zodat we die gebruiker bij zijn of haar eerste bezoek al gepersonaliseerde inhoud konden laten zien. Als onderdeel daarvan hebben we alle producteigenschappen verzameld en een affiniteitsprofiel voor de gebruiker opgesteld.

Een affiniteitsprofiel is een gebruikersprofiel waarin de belangrijkste interesses en voorkeuren van de gebruiker worden weergegeven – zie bijvoorbeeld de afbeelding hieronder.

Blog van een meisje 1024x935

  • MERK: Nike, Adidas, Champion
  • Categorie: Schoenen, Shirts
  • Maten: MEDIUM
  • GESLACHT: VROUW

Omdat browsers cookies van derden blokkeren, worden er gebruikersprofielen aangemaakt voor de afzonderlijke site in plaats van voor meerdere sites. Om fatsoenlijke personalisatieresultaten te krijgen, heb je meer gegevens nodig om deze profielen op te stellen en goede voorspellingen te doen.

Met de Product Intelligence-engine kunnen we nu dit affiniteitsprofiel van je samenstellen zonder te weten wie je bent, gewoon op basis van één product dat je hebt bekeken. Dit betekent dat we, terwijl we de privacywensen van klanten respecteren, bezoekers toch een uitstekende gepersonaliseerde ervaring kunnen bieden door gebruik te maken van onze kennis over productcorrelaties.

Hoe de affiniteit van nieuwe gebruikers wordt gebruikt voor categorie- en merkpagina’s

Als je naar een product kijkt, bijvoorbeeld Nike-schoenen, kunnen we met onze ‘Product Intelligence Engine’ zien dat die goed samengaan met Adidas-shirts en Under Armour-shorts. Door naar dat ene product te kijken, weten we waar je misschien een voorkeur voor hebt.

Als die gebruiker vervolgens naar een categoriepagina voor schoenen gaat, kunnen we – alleen al op basis van het ene product dat hij of zij heeft bekeken – de volgende merken voorrang geven: 1. Nike, 2. Adidas, 3. Under Armour

Blog van een meisje 1024x935

  • MERK: Nike
  • Categorie: Schoenen

Blog van een meisje 1024x935

  • MERK: Nike, Adidas, Under Armour
  • Categorie: Schoenen, shirts, korte broeken

De beschreven interactie zorgt voor een betere personalisatie-ervaring van, in dit geval, ons product Pages als er maar heel weinig informatie over de bezoeker beschikbaar is. De personalisatie op basis van de voorkeuren van de gebruikers werkt natuurlijk prima samen met onze boosts.

OPMERKING: Dit voorbeeld is natuurlijk vereenvoudigd. De voorkeuren van de gebruiker zijn een stuk complexer, en de verschillende kenmerken en waarden zijn niet allemaal even belangrijk.

Laat me de statistieken zien

Voordat we ons nieuwe algoritme voor ‘samen gekocht’ lanceerden – gebaseerd op ons globale perspectief in de vectorruimte – hebben we het via een A/B-split-test getest op upsell-aanbevelingen om er zeker van te zijn dat de resultaten even goed of beter waren dan die van het oude algoritme. De resultaten waren verbluffend – onze klanten zagen doorgaans:

Metrisch Waarde
Stijging van de klikfrequentie tot 30%
Stijging van het conversiepercentage tot 2x
Stijging van de gemiddelde orderwaarde tot wel 73%

Het is een duidelijk teken dat als je kijkt naar de totaalinzichten die zijn verkregen uit duizenden winkels, en die kennis toepast op die specifieke webshop, de prestaties enorm verbeteren.

Nadat we deze resultaten hadden behaald, hebben we de verbetering van het algoritme voor alle klanten doorgevoerd.

AI + Mens

AI-systemen kunnen weliswaar grote hoeveelheden data analyseren, maar ze zijn niet in alle gevallen perfect. Wie je iets anders vertelt, liegt. We willen ervoor zorgen dat onze klanten de controle over hun resultaten blijven houden. Voor aanbevelingen hebben we ‘Alternatieven’ en ‘Samen gekocht’ toegevoegd als twee basisalgoritmen die je kunt aanpassen aan je eigen doelen. Een voorbeeld hiervan is bijvoorbeeld dat je producten van je white-labelmerken die vaak samen worden gekocht, voorrang geeft boven die van andere merken. Kortom: Hoewel onze AI zich voortdurend verbetert, heb je nog steeds de controle als je de resultaten wilt aanpassen.

Dit is nog maar het begin

Door inzicht te krijgen in de gezamenlijke productcatalogus van al onze meer dan 2000 klanten, kunnen we inzichten uit verschillende sectoren halen die we gezamenlijk kunnen gebruiken. We kunnen zien bij welke groepen producten en merken de belangstelling plotseling kan toenemen. Er volgen nog meer inzichten en blogposts waarin wordt beschreven hoe deze technologie al wordt gebruikt in onze oplossingen, zoals Search, Recommendations & Pages, en welke impact dit heeft gehad.

Doe mee

Wij geloven dat de toekomst van e-commerce ligt in het doorgronden van productverbanden en het respecteren van de privacy van gebruikers, zodat we slimme, gepersonaliseerde en aan de regels conforme oplossingen kunnen bieden. We hopen dat je met ons mee gaat op deze spannende reis!