Statistieken over productaanbevelingen: 17 cijfers over cross-selling, gemiddelde orderwaarde en conversie

Productaanbevelingen zijn een van de weinige functies in de webecommerce die zichzelf terugverdienen in meetbare omzet. Een klant die op ‘Dit vind je misschien ook leuk’ klikt, laat je weten wat hij of zij vervolgens wil, en uit de gegevens blijkt dat klanten die op aanbevelingen reageren, veel vaker tot aankoop overgaan dan degenen die dat nooit doen.
Toch zien veel ecommerce-teams aanbevelingswidgets nog steeds als versiering: Een rijtje producten dat op de startpagina wordt neergezet en vervolgens op zijn beloop wordt gelaten. De statistieken over productaanbevelingen in deze gids laten een duidelijk beeld zien. Aanbevelingen zijn een omzetmotor, het verschil tussen een standaardcarrousel en een gepersonaliseerde is groot, en de omzetstijging zit vooral in een klein deel van de bezoeken dat veel meer opbrengt dan je zou verwachten.
Hoeveel omzet leveren productaanbevelingen op?
Eerst even het belangrijkste cijfer. Uit een onderzoek van Salesforce onder 150 miljoen winkelsessies bleek dat bezoeken waarbij de klant op een aanbeveling klikte, slechts 7% van het verkeer uitmaakten, maar wel 26% van de omzet opleverden. Dat is de kernparadox van aanbevelingen: Een klein deel van de betrokken bezoeken levert zo’n kwart van de omzet op.
Barilliance, dat zich baseert op gegevens van zijn eigen platform, schat dat percentage nog hoger in: Productaanbevelingen kunnen tot wel 31% van de omzet van een webecommerce-site uitmaken. Gemiddeld werd bij zijn klanten 12% van de omzet toegeschreven aan aanbevolen producten.
Het meest aangehaalde cijfer is al wat ouder. Volgens een schatting van McKinsey uit 2013 was 35% van de aankopen bij Amazon te danken aan het aanbevelingssysteem. Dit cijfer is al tien jaar oud en moet je meer zien als een indicatieve schatting dan als een actuele maatstaf, maar het is wel het cijfer dat aanbevelingen op de kaart heeft gezet, en de richting die het aangaf, is sindsdien in elk onderzoek bevestigd.
Resultaten op het gebied van cross-selling en upselling
Aanbevelingen zorgen ervoor dat cross-selling en upselling op grote schaal plaatsvinden. In plaats van te vertrouwen op een merchandiser die met de hand combinaties selecteert die ‘vaak samen worden gekocht’, toont een aanbevelingsengine automatisch het bijpassende product, op elke productpagina, voor elke klant.
Uit de gegevens van Salesforce blijkt dit mechanisme heel duidelijk. Klanten die op een aanbeveling klikten, hadden 24% meer kans om een artikel aan hun winkelmandje toe te voegen. Op tablets liep de stijging in het aantal toevoegingen aan het winkelmandje op tot 31%. De aanbeveling doet wat een goede verkoper in de winkel doet: Opmerken waar je naar kijkt en je wijzen op het product dat de aankoop compleet maakt.
Het cumulatieve effect is belangrijk. Een klant die een aanbevolen artikel toevoegt, geeft niet alleen meer uit aan deze bestelling. Hij of zij traint daarmee het algoritme, waardoor de volgende reeks aanbevelingen nog beter wordt.
Aanbevelingen en gemiddelde bestelwaarde
De gemiddelde bestelwaarde is waar cross-selling op de factuur te zien is. Salesforce ontdekte dat bezoeken waarbij op een aanbeveling werd geklikt, op alle apparaten een 10,3% hogere gemiddelde bestelwaarde opleverden, en dat dit op tablets zelfs opliep tot 15,2%.
Barilliance meldde een nog grotere omzetstijging op zijn platform: Vanuit een gemiddelde bestelwaarde van $44,41 bij sessies zonder interactie met aanbevelingen, verveelvoudigde dat bedrag zodra potentiële klanten op één aanbeveling reageerden. Hoeveel precies hangt af van het assortiment en de prijsniveaus, maar de trend is duidelijk: Betrokken klanten geven meer uit.
De besteding per bezoek laat hetzelfde beeld zien, maar dan vanuit een andere invalshoek. Uit het Salesforce-onderzoek bleek dat de besteding per bezoek van een klant die op een aanbeveling klikte, ongeveer vijf keer zo hoog was als die van een klant die dat niet deed.
Conversiestijging dankzij gepersonaliseerde aanbevelingen
Dit cijfer spreekt voor zich. Uit het Salesforce-onderzoek bleek dat kopers die op een aanbeveling klikten 4,6 keer vaker tot aankoop overgingen dan kopers die dat niet deden. Op desktop was de stijging 4,3 keer zo groot, en ook op mobiele apparaten bleef het resultaat sterk.
Barilliance heeft hetzelfde effect bij de eerste interactie gemeten: Het conversiepercentage steeg met 288% na één enkele interactie met een aanbeveling, uitgaande van een basispercentage van 1,02% voor sessies zonder interactie.
Het is juist die personalisatie die deze cijfers onderscheidt van een standaardlijst met ‘bestsellers’. Uit onderzoek blijkt keer op keer dat gepersonaliseerde aanbevelingen het veel beter doen dan algemene aanbevelingen, omdat een aanbeveling die is afgestemd op het gedrag van de individuele klant een antwoord geeft op een vraag die die klant daadwerkelijk stelt.
Waar aanbevelingen goed werken: Startpagina, productpagina, winkelmandje en e-mail
De plaatsing bepaalt de prestaties. Dezelfde advertentie levert heel verschillende resultaten op, afhankelijk van waar de aanbeveling verschijnt en of de klant die kan zien.
Barilliance ontdekte dat aanbevelingswidgets die boven de vouw stonden 1,7 keer zo effectief waren als die onder de vouw. Zichtbaarheid is geen kleinigheid. Een aanbeveling waar een klant nooit naar toe scrolt, is een aanbeveling die nooit tot een aankoop leidt.
De plekken waar de aankoopintentie het grootst is, zijn de productpagina en het winkelmandje. Op de productpagina heeft de klant al laten zien dat hij interesse heeft in een bepaalde categorie, dus aanbevelingen voor aanvullende of alternatieve producten komen daar heel natuurlijk over. In het winkelmandje zorgen aanbevelingen voor ‘maak je look compleet’ en accessoires ervoor dat je extra verkopen binnenhaalt op het moment dat de aankoopintentie het grootst is.
E-mail is het kanaal dat door de plaatsingsteams het vaakst onderbenut wordt. Aanbevelingen die in Triggered Emails zijn verwerkt, zorgen ervoor dat het personalisatiesignaal de sessie verlaat en teruggaat naar de klant, waardoor de producten naar voren komen die de klant het meest waarschijnlijk weer terug zullen halen.
De kosten van slechte of algemene aanbevelingen
Niet alle aanbevelingen helpen. Een standaardcarrousel met bestsellers, die voor elke bezoeker hetzelfde is, laat het grootste deel van de omzetstijging liggen.
Het duidelijkste bewijs is het verschil tussen gepersonaliseerde en algemene aanbevelingen. Uit verschillende onderzoeken blijkt keer op keer dat gepersonaliseerde aanbevelingen het beter doen dan de rijen met ‘populaire’ of ‘best verkochte’ producten, omdat relevantie de doorslag geeft bij het klikken. Een aanbeveling die geen rekening houdt met wat de klant net heeft bekeken, moet met de rest van de pagina om aandacht strijden en verliest meestal.
Er zijn ook kosten verbonden aan het behouden van klanten. Uit onderzoek van Salesforce bleek dat 37% van de klanten die tijdens hun eerste bezoek op een aanbeveling klikten, terugkwam naar de site, tegenover slechts 19% van de klanten die dat niet deden. Relevante aanbevelingen zorgen niet alleen voor een hogere omzet bij de huidige bestelling. Ze zorgen er ook voor dat de klant eerder geneigd is om überhaupt terug te komen.
AI-aanbevelingen versus op regels gebaseerde aanbevelingen: De cijfers
De overstap van handmatige, op regels gebaseerde aanbevelingslogica naar een door AI aangestuurde rangschikking levert meetbare voordelen op, en dat is het verschil tussen aanbevelingen die achteruitgaan en aanbevelingen die beter worden.
Regelgebaseerde systemen zijn afhankelijk van een merchandiser die de regels opstelt en bijhoudt: Als X wordt bekeken, toon dan Y. Ze zijn kwetsbaar, raken achterhaald als de catalogus verandert en kunnen niet op de individuele bezoeker worden afgestemd. Door AI aangestuurde systemen rangschikken producten per klant op basis van gedragssignalen, zodat de aanbeveling zich aanpast aan elke bezoeker en zichzelf bijwerkt naarmate het gedrag verandert.
Het samengestelde effect is het echte voordeel. Betere relevantie zorgt voor meer klikken, meer klikken leveren meer gedragsgegevens op, en meer gegevens maken de volgende aanbeveling nog nauwkeuriger. Dat vliegwiel is de reden waarom AI-aanbevelingen hun voorsprong op statische regels steeds verder uitbreiden naarmate ze langer draaien. Algemene benchmarks voor personalisatie wijzen in dezelfde richting: Uit onderzoek van McKinsey, dat veelvuldig wordt aangehaald door aanbieders van personalisatieoplossingen, blijkt dat personalisatie de omzet doorgaans met 10% tot 15% verhoogt, en zelfs tot 25% voor bedrijven die het het beste toepassen.
Wat moet je meten: Belangrijke statistieken voor aanbevelingen
De bovenstaande statistieken zijn benchmarks voor de sector. Wat nog belangrijker is, zijn je eigen aanbevelingsgegevens. Vijf statistieken geven je een compleet beeld.
-
Doorklikpercentage van aanbevelingen. Hoeveel procent van de shoppers die een aanbeveling zien, klikt erop? Een laag percentage betekent meestal dat de aanbevelingen te algemeen zijn of op een slechte plek staan.
-
Inkomsten uit aanbevelingen. Het aandeel in de totale inkomsten dat afkomstig is van sessies waarbij op een aanbeveling is geklikt. Dit is het kompas dat de kwaliteit van de aanbevelingen koppelt aan het eindresultaat.
-
AOV op basis van aanbevelingen. Vergelijk de gemiddelde bestelwaarde van sessies waarbij aanbevelingen zijn gebruikt met die van sessies zonder aanbevelingen. Het verschil laat zien hoe goed je cross-selling werkt.
-
Conversiepercentage: Betrokken versus niet-betrokken. De verhouding tussen de conversie bij bezoeken via aanbevelingen en de rest. Dit is de allerduidelijkste maatstaf voor de waarde van een aanbeveling.
-
Terugkeerpercentage van mensen die op aanbevelingen klikken. Hoeveel mensen die voor het eerst op een aanbeveling klikken, komen terug? Aanbevelingen die de klantbinding stimuleren, zijn meer waard dan hun stijging bij de eerste bestelling doet vermoeden.
Dit in de loop van de tijd bijhouden is veel beter dan één momentopname. Een dalende doorklikratio bij aanbevelingen kan een vroege waarschuwing zijn dat je relevantie afneemt naarmate de catalogus groeit.
Hoe Hello Retail aanbevelingen aanpakt
De productaanbevelingen van Hello Retail zijn gebaseerd op het principe dat een aanbeveling moet aansluiten bij de individuele klant, niet bij de gemiddelde klant. Het systeem rangschikt producten per klant op basis van gedragssignalen, zodat twee bezoekers die naar dezelfde productpagina kijken, verschillende aanvullende producten te zien krijgen op basis van hun eigen browse- en aankoopgeschiedenis.
Dit wordt mogelijk gemaakt door de Product Intelligence-engine, die in realtime bijhoudt wat elk product in de catalogus inhoudt en hoe klanten ermee omgaan. In de praktijk betekent dat:
-
Ranglijst per klant. De aanbevelingen worden aangepast aan het gedrag van elke bezoeker, in plaats van dat iedereen dezelfde lijst met bestsellers te zien krijgt.
-
Configuratie per plaatsing. Aanbevelingen kun je per plaatsing instellen, dus de logica op een productpagina kan verschillen van die in het winkelmandje of op de startpagina, en elke plaatsing is afgestemd op het doel ervan.
-
Continuïteit tussen zoeken en aanbevelingen. Bij Hello Retail worden zoekresultaten en aanbevelingen op basis van dezelfde voorkeuren van de klant gerangschikt, die worden afgeleid uit wat elke klant bekijkt en koopt. Daardoor laten beide overzichten dezelfde merken en categorieën zien waar de klant de voorkeur aan geeft.
-
Aanbevelingen in e-mails. Dezelfde engine zorgt voor de productblokken in e-mails die door Product Agents worden verstuurd, waardoor personalisatie ook na afloop van de sessie doorgaat.
Het resultaat is een aanbevelingservaring die met de tijd steeds beter wordt, omdat elke interactie weer wordt verwerkt in het systeem dat erachter zit.
Belangrijkste punten
- De betrokkenheid bij aanbevelingen is geconcentreerd: Uit de Salesforce-gegevens blijkt dat 7% van de bezoeken goed is voor 26% van de omzet, dus de stijging komt van een klein, maar zeer waardevol deel van het verkeer
- Klanten die op een aanbeveling klikken, kopen 4,6 keer vaker iets en geven per bestelling zo’n 10% meer uit
- Gepersonaliseerde aanbevelingen doen het steevast beter dan algemene bestsellerslijsten, en de plaatsing is belangrijk: Widgets boven de vouw zijn 1,7 keer zo effectief
- Aanbevelingen zorgen ervoor dat klanten blijven terugkomen, niet alleen de huidige bestelling: 37% van de bezoekers die bij hun eerste bezoek op een link klikken, komt terug, tegenover 19% van degenen die dat niet doen
- De door AI aangestuurde ranglijst per klant bouwt in de loop van de tijd een steeds grotere voorsprong op ten opzichte van statische regels, omdat elke interactie de volgende aanbeveling nog beter maakt
De statistieken over productaanbevelingen wijzen maar in één richting: Aanbevelingen zijn bepalend voor de volgende aankoop van een klant. De vraag is niet óf je ze moet gebruiken, maar hoeveel omzet je misloopt met een standaard carrousel.
De gebruikskosten van een standaardcarrousel en een gepersonaliseerde carrousel zijn hetzelfde. Boek een demo om het verschil zelf te zien in je eigen catalogus.


