Personalisatiestrategieën voor ecommerce bij het MKB

Als Zalando je gepersonaliseerde productaanbevelingen laat zien, maken ze daarbij gebruik van miljoenen dagelijkse interacties. Als ASOS hun startpagina voor elke bezoeker aanpast, hebben ze daar een speciaal data science-team voor dat dit mogelijk maakt.
Je hebt geen van beide. En dat is prima.
De personalisatiestrategieën die werken voor ecommerce bij kleine en middelgrote bedrijven zijn geen afgezwakte versies van wat grote retailers doen. Het zijn fundamenteel andere benaderingen: Benaderingen die rekening houden met kleinere datasets, kleinere teams en het feit dat je het je niet kunt veroorloven om zes maanden aan de implementatie te besteden.
Begin met zoeken, niet met aanbevelingen
In de meeste handleidingen over personalisatie staat dat je moet beginnen met productaanbevelingen op je startpagina. Voor kleinere winkels is dat echter verkeerd advies.
Dit is waarom: Aanbevelingen op de startpagina hebben flink wat gedragsgegevens nodig om echt nuttig te zijn. Zonder genoeg bezoekers en aankoopgeschiedenis laten ze standaard bestsellers zien, en dat is waarschijnlijk precies wat er nu al op je startpagina staat.
Zoeken is anders. Bij het personaliseren van zoekresultaten kun je al met veel minder gegevens aan de slag, omdat de klant je een duidelijk signaal geeft over wat hij zoekt. Hij typt namelijk zelf in wat hij wil. Jouw taak is om dat signaal te begrijpen en erop in te spelen.
Voor een winkel met 20.000 bezoekers per maand levert het personaliseren van zoekresultaten een snellere ROI op dan het personaliseren van de startpagina. Als iemand zoekt op ‘zomerjurk’, voegt het direct waarde toe om resultaten te tonen die zijn gefilterd op maatvoorkeuren, prijsklasse en eerdere zoekgeschiedenis – zelfs als er maar één of twee eerdere sessies zijn om uit te putten.
Gebruik productinformatie om kleine datasets te compenseren
De grootste uitdaging voor personalisatie bij het MKB is de hoeveelheid data. Grote bedrijven genereren genoeg gedragsgegevens om geavanceerde modellen te trainen op basis van hun eigen bezoekersverkeer. Jij niet.
De oplossing is niet om te wachten tot je meer bezoekers hebt. Je moet je gegevens juist aanvullen met bredere inzichten.
Productinformatieplatforms die in een netwerk van winkels werken, kunnen gegevens over productrelaties, gedragspatronen en trendsignalen bieden die je winkel in zijn eentje niet zou kunnen genereren. Een nieuwe bezoeker van je winkel profiteert van patronen die zijn afgeleid uit miljoenen interacties in soortgelijke winkels.
Bekijk het eens zo: Je hoeft niet zelf te ontdekken dat klanten die hardloopschoenen kopen, vaak ook hardloopsokken kopen. Dat patroon zit al in de geaggregeerde gegevens. Wat je nodig hebt, is een systeem dat die patronen toepast op jouw specifieke assortiment.
Dit verschilt fundamenteel van de manier waarop grote retailers personalisatie aanpakken (door modellen te bouwen op basis van hun eigen gegevens), en dat is eigenlijk juist een voordeel. Je krijgt geavanceerde personalisatie zonder dat je eerst gegevens hoeft te verzamelen.
Concentreer je op drie contactmomenten, niet op tien
Grote retailers personaliseren alles: De startpagina, categoriepagina’s, productpagina’s, de zoekfunctie, e-mails, pushmeldingen, sms’jes, in-app-ervaringen en nog veel meer. Als je hetzelfde probeert te doen met een klein team, weet je zeker dat je het allemaal slecht zult doen.
Kies drie contactmomenten en zorg dat je die goed uitvoert:
1. Zoekresultaten. Pas de rangschikking en filtering aan op basis van gedragssignalen. Dit is het contactpunt met de sterkste koopintentie en je hebt er het minste verkeer voor nodig om effectief te zijn.
2. Aanbevelingen op productpagina’s. De rubrieken ‘Misschien vind je dit ook leuk’ en ‘Vaak samen gekocht’ op productpagina’s. Deze richten zich op klanten die al van plan zijn iets te kopen en zorgen ervoor dat de gemiddelde bestelwaarde stijgt.
3. Geautomatiseerde e-mails. Verlaten winkelwagentjes, verlaten bladerpagina’s en follow-ups na aankoop. Deze werken op basis van gedragstriggers in plaats van vaste tijdschema’s, wat betekent dat ze per definitie relevant zijn.
Al het andere (het personaliseren van de startpagina, het herschikken van categoriepagina’s, pushmeldingen) kan wel even wachten tot deze drie goed werken. Bekijk onze gids over de soorten getriggerde e-mails die je kunt implementeren voor de prioriteitenlijst.
Prijsbewuste personalisatie
Een strategie die vooral goed werkt voor kleine en middelgrote winkels: Prijsgevoeligheid gebruiken als signaal voor personalisatie.
Je klanten hebben uiteenlopende prijsvoorkeuren. Sommige klanten kopen altijd premiumproducten. Anderen kopen bijna alleen tijdens uitverkoop. De meesten zitten daar ergens tussenin. Door dit signaal te gebruiken om aan te passen welke producten als eerste in de zoekresultaten en aanbevelingen verschijnen, kun je de conversie aanzienlijk verbeteren.
Een klant die vooral duurdere spullen koopt, zou eerst de duurdere producten moeten zien. Een klant die vooral afgeprijsde artikelen koopt, zou de aanbiedingen duidelijk in het oog moeten springen. Dit is geen manipulatie. Het is gewoon het wegnemen van drempels door klanten te laten zien wat ze waarschijnlijk het liefst willen.
Het mooie van prijsgerichte personalisatie voor kleinere winkels is dat prijsvoorkeuren een relatief stabiel signaal zijn. In tegenstelling tot stijlvoorkeuren (waarvoor je veel gegevens nodig hebt om een nauwkeurig model te maken), kun je prijsgevoeligheid al afleiden uit slechts twee of drie aankopen.
Meet wat ertoe doet
Kleine en middelgrote bedrijven hebben vaak moeite met het meten van personalisatie, omdat ze de meetmethoden van grote ondernemingen proberen te kopiëren. Attributiemodellen, incrementality-tests en multi-touch-analyses vereisen statistische nauwkeurigheid die bij kleinere bezoekersaantallen moeilijk te realiseren is.
Concentreer je in plaats daarvan op drie eenvoudige maatstaven:
-
Omzet per sessie voor gepersonaliseerde versus niet-gepersonaliseerde bezoekers. Dit is het duidelijkste teken dat personalisatie werkt. Als bezoekers die gepersonaliseerde aanbevelingen te zien krijgen meer uitgeven dan degenen die standaardaanbevelingen te zien krijgen, zit je op de goede weg.
-
Doorklikpercentage op aanbevelingen. Reageren klanten op gepersonaliseerde suggesties? Als het doorklikpercentage onder de 2% ligt, zijn de aanbevelingen niet relevant genoeg. Als het boven de 5% ligt, werken ze goed.
-
Percentage zoekopdrachten zonder resultaten. Als de zoekpersonalisatie goed werkt, zou het percentage zoekopdrachten zonder resultaten in de loop van de tijd moeten dalen, naarmate het systeem de taal van de klant steeds beter leert interpreteren.
Maak het meten niet onnodig ingewikkeld. De vraag is simpel: Kopen klanten meer dankzij personalisatie? Vergelijk de situatie voor en na.
Hoe dit verband houdt met Hello Retail
Hello Retail is ontwikkeld voor het ecommerce-segment voor het MKB. De Product Intelligence-engine levert gegevens op netwerkniveau die de beperkte datasets van individuele winkels compenseren. De producten voor zoeken, aanbevelingen en geautomatiseerde e-mails zijn ontworpen als de hierboven beschreven ‘drie-touchpoint-stack’.
Voor winkels die zowel personalisatie als maatwerk toepassen, zorgt het platform voor de geautomatiseerde personalisatie, terwijl er waar nodig ruimte blijft voor handmatige controle over de productpresentatie.
De implementatie is bedoeld voor kleine teams, niet voor een data science-project van zes maanden.
Belangrijkste punten
- Begin met het personaliseren van de zoekresultaten, niet met aanbevelingen op de startpagina. Zoeken werkt met minder gegevens, omdat de klant zelf aangeeft wat hij zoekt
- Gebruik productinformatie op netwerkniveau om kleinere datasets te compenseren. Je hebt geen bedrijfsverkeer nodig om geavanceerde personalisatie aan te bieden
- Concentreer je op drie contactmomenten (zoekresultaten, aanbevelingen op productpagina’s, geautomatiseerde e-mails) en zorg dat je die goed onder de knie hebt voordat je verder uitbreidt
- Prijsgerichte personalisatie is een strategie die veel effect heeft en weinig data vereist, en die goed werkt voor MKB-winkels


