Personalisering is in de afgelopen jaren gemeengoed geworden. Een veel geciteerd onderzoek van Gartner wijst erop dat 90% van marketeers in één of andere vorm personalisering in het marketingbudget heeft opgenomen.
Het is dus geen verrassing dat veel webshops de afgelopen jaren technologie in gebruik hebben genomen in een poging bezoekers zo goed mogelijk te helpen tijdens hun online winkelbezoek. De wijze waarop personalisering wordt ingezet en de kwaliteit daarvan verschilt echter enorm per webshop en het is verrassend dat vaak als eerste wordt gekozen voor content personalisatie en social proof. Om ervoor te zorgen dat jij de juiste keuzes maakt bij de inzet van personalisering geef ik je zeven tips.
1. Accurate metingen op de website
Of het nu de eerste keer is dat je aan de slag gaat met personalisering of je wilt er meer uithalen en wellicht zelfs wisselen van aanbieder; baseer je beslissingen altijd op basis van de juiste data en zorg dat metingen en doelpaden correct ingesteld staan in je Digital Analytics.
Is het eenvoudig te herleiden of het zien van- of klikken op gepersonaliseerde content zoals een productaanbeveling of banner leidt tot een gewenste actie zoals een conversie? En zo ja; welke posities en typen content activeren bezoekers het beste? Bij een recente A/B test bleek het belang van accurate metingen weer eens. Het doel van de test was inzichtelijk te maken in hoeverre bezoekers die de algoritmisch gepersonaliseerde aanbevelingen zagen een hogere waarde per sessie hadden in vergelijking met de groep die handmatige aanbevelingen zag. Omdat personalisering onder andere moet zorgen voor een hogere conversieratio en/of een hogere orderwaarde kijken we vaak naar de waarde per sessie.
Aanvankelijk werd geconcludeerd dat productaanbevelingen ondermaats presteerden en een zeer geringe impact hadden op het gedrag van bezoekers. Na enig onderzoek bleken de aanbevelingen niet het probleem, maar de manier waarop interacties in de rapportage waren opgenomen. De positie van het blok lag onder de vouw van de pagina en het conversiepercentage was berekend tegenover de paginaweergaven en niet het aantal weergaven van het blok. Na het meten van scrolldiepte bleek het tonen van de aanbevelingen wel tot significant meer kliks en conversies te leiden.
2. Begin met het personaliseren van producten
Webshops die de eerste stappen hebben gezet in het personaliseren, laten soms zonder dat te beseffen veel kansen nog onbenut. Binnen de gemiddelde technologie stack zijn vaak meerdere systemen die personalisering aanbieden waardoor al gauw het idee bestaat dat men is voorzien en bezoekers een persoonlijke ervaring wordt geboden. E-commerce platformen, customer data platformen en product informatie management systemen zijn echter geen gespecialiseerde aanbieders van personalisering en met name productaanbevelingen zijn vaak voor verbetering vatbaar. In veel gevallen worden slechts beperkt relevante aanbevelingen getoond op basis van vooraf ingestelde regels (business rules). Is een artikel niet voorradig in de maat van de bezoeker, is het reeds gekocht of ligt het in de winkelmand? Bij veel webshops wordt hier geen rekening mee gehouden.
De potentie van dynamisch en real-time gepersonaliseerde productaanbevelingen moet niet worden onderschat. Een zogenaamde product recommendation engine gebaseerd op zelflerende algoritmen zorgt voor een aanzienlijke stijging van het aantal conversies, het gemiddelde bestelbedrag en waarde per sessie waarbij tevens een enorme tijdsbesparing wordt gerealiseerd voor het content team.
3. Gebruik 1st party data voor de productaanbevelingen
De algoritmen die productaanbevelingen genereren en tonen aan bezoekers worden gevoed door interacties van gebruikers met de content. Denk daarbij aan het bekijken van categorieën en producten, het toevoegen aan de winkelmand, het kopen of juist het afzien van een aankoop. Aanbieders van gepersonaliseerde productaanbevelingen houden een standaard lijst aan met metadata over de aan te bevelen content. Denk hierbij aan titel, afbeelding en categorie. Echter hoe meer datapunten je hebt waarop verbanden gelegd kunnen worden, hoe beter het algoritme wordt gevoed en hoe nauwkeuriger de aanbevelingen bij de wensen van de klant kunnen worden aangesloten.
Ongeacht of er een eigen systeem voor productaanbevelingen of een third party systeem wordt gebruikt; controleer met het development- of support team welke data beschikbaar is om aanbevelingen te genereren en verder te optimaliseren. Naast de metadata over content kunnen algoritmen gevoed worden met informatie over de bezoekers. Welke historische data heb je beschikbaar over bezoekers en klanten? Weten welke producten gezamenlijk worden gekocht (of juist niet) of weten hoe content wordt bekeken kan verrassende inzichten geven om de aanbevelingen verder te kunnen optimaliseren.
4. Test verschillende aanbieders (tegenover elkaar)
Welke aanbieder je ook gebruikt, een A/B test om de impact te meten tegenover de baseline is een must; het geeft direct inzicht in de impact en laat zien waar er ruimte voor verbetering is. Je CRO specialist kan helpen een correcte, eerlijke test op te zetten tegenover de bestaande situatie. Er is geen one size fits all oplossing op de markt en dus is het raadzaam om een ander systeem te testen tegenover de huidige situatie, ook als dit een andere aanbieder is. Uiteindelijk is een technologie zo sterk als de zwakste schakel en het is zonde als de business rules of het algoritme de zwakste schakel vormen.
In de praktijk zien we dat de angst voor een lange en complexe integratie een drempel vormen om een ander systeem te testen. Dit is echter een gemiste kans. In de praktijk zien we omzetstijgingen van 5 tot wel 15% bij inzet van een ander systeem en (afhankelijk van de aanbieder) is de integratie vaak eenvoudiger dan verwacht.
Let op dat voor een betrouwbare conclusie het belangrijk is dat de impact van het algoritme kan worden geïsoleerd. Je wilt in eerste instantie weten welk systeem de meest relevante producten toont met een zo hoog mogelijke kans op conversie. Daarom dienen de overige variabelen (zoals de positie op de pagina, het type aanbevelingen, de titels en het design) zoveel mogelijk met elkaar overeen te komen in beide test varianten.
5. Test de positie en type aanbevelingen
Ook wanneer je al een goed systeem hebt draaien, is er vaak ruimte voor verbetering. Zowel de positie van aanbevelingen binnen een pagina als het type aanbevelingen zullen invloed hebben op de impact en de ervaring van de gebruiker. Qua type aanbevelingen kunnen recent bekeken producten op de homepage waardevol zijn terwijl dezelfde aanbevelingen op productpagina’s minder relevant zijn en kunnen zorgen voor onnodige afleiding en een lagere conversie. En toon je cross-sell items of alternatieven op een productpagina, of beiden?
De beste positie van de aanbevelingen hangt vooral van context af; op welke pagina worden de aanbevelingen getoond en welke functie hebben aanbevelingen hier? Is de bezoeker nieuw en wil je deze inspireren of is deze afkomstig van een retargeting campagne en wil je de weg naar de checkout zo kort mogelijk houden en iemand niet onnodig afleiden? Test dus zowel de positie als de vorm van de gepersonaliseerde aanbevelingen om te bepalen hoe je de best mogelijke winkelervaring biedt aan de bezoeker rekening houdend met verkeersbron, historisch gedrag en het type apparaat dat iemand gebruikt.
6. Test content van van de aanbevelingen
De optimalisaties van productaanbevelingen stoppen niet bij de positie binnen de website of het type aanbevelingen. Ook het ontwerp, techniek en content kunnen verder getest worden voor optimalisaties. Hoe sluiten de titels van aanbevelingen aan op de doelgroep? Wanneer een bezoeker nieuw is en je deze bijvoorbeeld bestsellers toont, dan kun je met de titel “speciaal voor jou” de plank volledig misslaan. De titel “speciaal voor jou” wordt door internetgebruikers ook dusdanig vaak gezien dat dit het effect van de aanbevelingen kan verminderen. Variaties van de titel kunnen bij de doelgroep leiden tot meer interacties.
Hetzelfde geldt voor het ontwerp: kunnen afbeeldingen geoptimaliseerd worden in formaat, kwaliteit of inhoud? Dit kan direct effect hebben op het klikratio, zo bleek uit een recente test. Door minder aanbevelingen in een slider te tonen, maar grotere afbeeldingen te gebruiken, steeg het klikratio significant. Ook het gebruik van labels met kortingen, de lengte van de productomschrijving en de kleur en grootte van de prijs kunnen invloed hebben.
Tot slot zijn er optimalisaties aan de techniek om te testen: worden aanbevelingen asynchroon ingeladen bij een third party implementatie? Hoe lang duurt het voordat de aanbevelingen te zien zijn en zijn hier optimalisaties aan door te voeren? Bol.com toonde al aan dat het optimaliseren van de laadtijden in milliseconden kan leiden tot meer kliks en een hogere conversie.
7. Ga verder dan productaanbevelingen; gebruik AI om een extra stap te zetten in content personalisering
In bovenstaande zeven tips hebben we het voornamelijk gehad over het gebruik van productaanbevelingen; dit is in e-commerce omgevingen de bekendste use case van zelflerende algoritmen. Veel websites personaliseren echter ook contentblokken op de landingspagina’s. Kortingsacties, nieuwe collecties, populaire categorieën; content is veelal te optimaliseren en personaliseren op basis van real-time en historisch klikgedrag en klantprofielen.
In plaats van het tonen van verschillende pagina’s aan groepen bezoekers, al dan niet op basis van persona’s, gebeurt meestal met gebruik van bewerkelijke business rules. Minder bekend dan algoritmisch geoptimaliseerde productaanbevelingen is de mogelijkheid content te personaliseren middels een algoritme. Zeker met een brede catalogus aan content kun je zo automatisch je landingspagina’s personaliseren zonder het opstellen van veel complexe regels.
Bonus tip: combineer de CRO & personaliserings backlog
De bovenstaande tips geven je hopelijk nieuwe inspiratie voor testen. Waarschijnlijk heeft je CRO specialist een backlog met testen voor optimalisaties aan de website. We zien echter nog regelmatig dat personalisering en conversie optimalisaties gescheiden van elkaar worden getest. In dat geval is het raadzaam backlogs samen te voegen tot één backlog voor alle conversie- en gebruikerservaring optimalisaties.
Over de auteur: Frank Licht is CRO specialist bij Relevant Online.
