Onze aanbevelingen zijn gebaseerd op Product Intelligence

Als je de eerdere berichten over onze Product Intelligence-engine nog niet hebt gelezen, raad ik je aan om die eerst even door te nemen:
- De toekomst van e-commerce
- Product Intelligence – Een kans voor AI, waarbij het product centraal staat
Ontdek wat onze Product Intelligence voor je kan betekenen
In dit bericht gaan we kijken naar de invloed van onze Product Intelligence op de kwaliteit van productaanbevelingen bij Hello Retail. Door de integratie van onze Product Intelligence Engine hebben we een systeem dat zichzelf voortdurend verbetert, met behulp van technieken zoals beeldherkenning en geavanceerde semantische analyse. Als je bijvoorbeeld wijn verkoopt, kan onze engine nu het smaakprofiel ervan herkennen en vergelijkbare wijnen aanbevelen waarvan je klanten waarschijnlijk zullen genieten.
Dat klinkt geweldig!..
..maar hoe gebruiken we onze eigen Product Intelligence-engine voor productaanbevelingen?
Nou, dat is ons belangrijkste onderwerp van vandaag. De oplossing voor productaanbevelingen van Hello Retail maakt op twee manieren gebruik van Product Intelligence: om productrelaties te begrijpen en om de personalisatie voor gebruikers te verbeteren.
Bij Hello Retail bieden we al sinds jaar en dag toegang tot een geavanceerde aanbevelingstool, waarmee je de resultaten kunt aanpassen aan jouw eigen voorkeuren en die van je klanten: Heb je een upsell-aanbeveling nodig met twee producten die passen bij de categorie van het product dat je nu bekijkt? Wil je dat je klanten populaire producten ontdekken die qua prijs vergelijkbaar zijn met het artikel in hun winkelmandje, maar uit een andere productcategorie komen?
Geen probleem! Je kunt dit allemaal doen, en nog veel meer.
En als klap op de vuurpijl hebben we twee van onze algoritmen voor productaanbevelingen verbeterd en volledig geïntegreerd met de Product Intelligence-engine. De twee nieuwe en verbeterde algoritmen zijn alternatieven en worden samen aangeboden!
Alternatieven
De meeste aanbieders van personalisatieoplossingen kiezen voor een vereenvoudigde aanpak door alternatieven aan te bieden in de vorm van producten uit dezelfde categorie als het product dat je bekijkt – maar dat werkt niet goed als je geen goed gestructureerde categoriegegevens hebt. Een ander probleem is dat als je alleen producten binnen dezelfde categorie vergelijkt, je al snel honderden producten krijgt. Welke daarvan lijken dan het meest op het product dat je aan het bekijken bent?
Het ‘Alternatives’-algoritme van Hello Retail maakt gebruik van verschillende machine learning-modellen om producten om te zetten in ingebedde vectoren die we in onze vector-database kunnen opslaan. Deze omzetting omvat van alles, van taalonafhankelijke tekstanalyse tot prijs- en beeldanalyse.
Met deze technieken kunnen we makkelijk vergelijkbare producten vinden. Het voordeel is dat we een veel gedetailleerdere analyse uitvoeren en kunnen vaststellen hoe dicht producten bij elkaar liggen. Waar andere aanbieders categorieën gebruiken en misschien wel honderden producten hebben die op elkaar lijken, kunnen wij de paar producten kiezen die het meest op elkaar lijken, in combinatie met welke aanvullende strategie we ook willen toepassen.
Bekijk meer details
*Opmerking: Je hebt nog steeds baat bij goed gecategoriseerde producten, vooral voor de filters bij de zoek- en categorieoverzichten – dus de tijd die je steekt in goede gegevenskwaliteit is tijd die je goed besteedt. *
Upsell
Een grote uitdaging voor e-commercebedrijven is dat kleinere, taalspecifieke webshops vaak niet over voldoende verkoop- en bezoekersgegevens beschikken om relevante en aantrekkelijke upsell-aanbevelingen te doen.
Hello Retail lost dit probleem op door het aankoopgedrag in al je winkels te analyseren en zo te achterhalen welke producten vaak samen worden gekocht. Onze Product Intelligence-engine gebruikt de gegevens van je grootste winkel om de prestaties van je kleinere winkels te verbeteren.
Een ander probleem dat de Product Intelligence-engine aanpakt, zijn de regelmatige veranderingen in productcollecties. Als er dit jaar een nieuwe versie van een Nike-schoen uitkomt en de SKU verandert, kan het voor andere verkopers lijken alsof het om een nieuw product gaat. Hello Retail herkent echter de overeenkomsten tussen de oude en nieuwe versies op basis van de datapatronen van vorig jaar. Zo krijg je nauwkeurige aanbevelingen, zelfs als er nieuwe versies van producten op voorraad zijn. Dit zorgt ervoor dat je productaanbevelingen van hoge kwaliteit blijven, ongeacht veranderingen in de productcollecties.
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 gegevens 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 vectoren worden gehasht, wat betekent dat zelfs de producten anoniem zijn, omdat je een product niet kunt achterhalen aan de hand van de vectorweergave.
Gebruikersvoorkeur
Met ‘User Affinity’ krijgen we inzicht in winkelbezoekers en hun voorkeuren. We gebruiken de ‘Product Intelligence Engine’ om te voorspellen waar ze mogelijk interesse in hebben, zelfs als ze maar één product hebben bekeken. Met weinig gegevens kunnen we al van tevoren inschatten welke andere artikelen ze waarschijnlijk zullen kopen.
Natuurlijk gebruiken we gebruikersvoorkeuren op zo’n manier dat we niet aan alle klanten dezelfde producten laten zien – waar blijft dan de personalisatie?
Een manier om personalisatie op basis van de voorkeuren van gebruikers toe te passen, is tijdens de upsell-fase. Zo kun je ervoor zorgen dat je eerst twee producten toont die vaak samen worden gekocht van de favoriete merken van de bezoeker, voordat je hem of haar andere artikelen laat zien die vaak samen worden gekocht.
We laten je zien hoe het moet
- Ga naar de aanbevelingsstrategie en pas een filter toe op het merk dat overeenkomt met de UserBias (gebruikersvoorkeur). Vergeet niet om aan te geven hoeveel producten je met het filter wilt weergeven.
- Voeg vervolgens nog een stap ‘Samen gekocht’ toe en stel het maximale aantal producten in op 0.

Hiermee halen we twee upsell-producten op uit de voorkeuren van de gebruiker, en de rest vullen we vervolgens aan met andere goede upsell-suggesties.
Wat dit zo uniek maakt, is hoe we de Product Intelligence-engine gebruiken om af te leiden welke andere merken je waarschijnlijk ook zou kopen. Als je naar een Nike-schoen kijkt, weten we misschien dat je ook een voorkeur hebt voor merken als Adidas en Under Armour. In het afgebeelde voorbeeld zullen we je dus naast het Nike-product dat je hebt bekeken ook upselling-producten van Adidas en Under Armour aanbevelen. Dit betekent dat we, met weinig data, het gebruikersprofiel kunnen uitbreiden op basis van ons inzicht in productrelaties.
Natuurlijk zullen de afgeleide merken niet zo hoog scoren als je favoriete merk, waarmee je de sterkste band hebt.

- MERK: Nike
- Categorie: Schoenen

- MERK: Nike, Adidas, Under Armour
- Categorie: Schoenen, shirts, korte broeken
Laat me de statistieken zien
We hebben voor een aantal klanten A/B-tests uitgevoerd om betere prestaties te controleren en te garanderen. De A/B-tests werden opgezet voor de alternatieven en upsell-aanbevelingen, zowel met als zonder onze Product Intelligence-engine, om de mogelijkheden ervan grondig te testen.
| Metrisch | Waarde |
|---|---|
| Verbetering van de CTR | 35% tot 117% |
| Positieve invloed op zachte en harde conversies | 8% tot 41% (zacht), 2% tot 99% (hard) |
Bij de meeste winkels die aan de testfase hebben meegedaan, steeg de CTR met 35% tot 117% dankzij de Product Intelligence-engine.
Alle klanten die aan de tests hebben meegedaan, zagen een positief effect op de zachte en harde conversies*. De stijging in zachte conversies lag tussen de 8% en 41%, terwijl de harde conversies met 2% tot 99% (!) stegen. Hoewel we niet verwachten dat alle klanten een stijging van 99% in dat laatste zullen zien, hebben we wel duidelijk bewijs van de positieve effecten die onze Product Intelligence-engine heeft op productaanbevelingen.
*Een ‘zachte conversie’ is wanneer een klant op de aanbevelingen klikt, maar uiteindelijk een ander product koopt dan waar hij of zij op heeft geklikt. ‘Harde conversies’ zijn conversies waarbij een klant precies dat product koopt waarop hij of zij in de aanbeveling heeft geklikt.
Binnenkort
Blijf ons volgen voor ons volgende artikel, waarin je kunt lezen hoe we de oplossing hebben ingezet om elk zoekresultaat te personaliseren.


