Wat zijn aanbevelingsalgoritmen?

Een aanbevelingsalgoritme kiest wat jij te zien krijgt. Welke film Netflix bovenaan zet, welke producten een webshop je toont, welke berichten in je tijdlijn verschijnen.

Het idee is steeds hetzelfde: uit een aanbod dat veel te groot is om te doorzoeken een kleine selectie halen waarvan het systeem denkt dat jij hem wilt.

Wat er gebeurt tussen jouw bezoek en het rijtje op je scherm

Bij een systeem van formaat gaat dat in twee stappen, en die scheiding verklaart veel van het gedrag dat je ziet.

De eerste stap haalt uit een catalogus van honderdduizenden items een paar honderd kandidaten. Dat gebeurt grof en snel, meestal door te kijken welke items lijken op wat jij eerder koos. In de praktijk wordt elk item en elke gebruiker daarvoor omgezet in een rij getallen, zodat de vraag welke film lijkt op deze film verandert in de vraag welke rij getallen ligt hier het dichtst bij. Dat rekenen kan een computer razendsnel.

De tweede stap zet die paar honderd kandidaten op volgorde. Daar komt de rest bij: hoe laat het is, op welk apparaat je zit, wat er nieuw in het aanbod staat, wat er op voorraad is en wat het bedrijf zelf graag verkoopt. Die tweede stap is waar de commerciële keuzes zitten, en niet in het slimme rekenwerk van de eerste.

Waar het in de eerste stap om draait is een tabel met gebruikers in de rijen en items in de kolommen, waarvan het overgrote deel leeg is. Iedereen heeft maar een fractie van het aanbod gezien. De hele kunst is het invullen van die lege vakjes met een schatting.

De drie manieren

Op basis van inhoud. Je keek naar een documentaire over bergbeklimmen, dus je krijgt meer documentaires over bergen. Het systeem kijkt naar de eigenschappen van wat je koos en zoekt daar iets bij.

Werkt meteen bij een nieuwe gebruiker, en het blijft hangen in dezelfde hoek. Je krijgt nooit iets te zien dat je verrast. Voor een webshop met duidelijke productkenmerken is dit meestal de praktische keuze.

Op basis van andere mensen. Mensen die dit kochten, kochten ook dat. Het systeem zoekt gebruikers die op jou lijken en toont wat zij kozen. Amazon beschreef in 2003 een variant hierop waarbij niet gebruikers maar producten met elkaar worden vergeleken, wat een stuk minder rekenwerk kost en beter schaalt. Die aanpak is de basis geworden van vrijwel elke aanbevelingsbalk in webshops.

Dit levert de verrassende aanbevelingen op, en het heeft een probleem: bij een nieuwe gebruiker of een nieuw product is er nog niets om op te vergelijken.

Een combinatie. Vrijwel elk systeem van formaat doet dit, met machinaal leren erbovenop dat bepaalt welke aanpak wanneer zwaarder weegt.

Het koudestartprobleem

Een systeem dat leert van gedrag kan niets zonder gedrag. Het lastigste onderdeel van dit vak, en het treft juist de momenten die ertoe doen.

Bij een nieuwe bezoeker weet het systeem niets, dus valt het terug op wat populair is. Dat is de reden dat je bij een eerste bezoek aan een webshop vrijwel altijd de bestsellers ziet. Bij een nieuw product is het omgekeerde aan de hand: niemand heeft het gekocht, dus wordt het nergens getoond, dus koopt niemand het.

De oplossingen zijn allemaal een beetje lomp. Vragen bij de aanmelding wat iemand leuk vindt, wat op een webshop meestal te veel gevraagd is. Terugvallen op productkenmerken tot er gedrag is. Of nieuwe items bewust een duwtje geven, zodat er data over ontstaat.

Voor een Nederlandse webshop met een paar duizend bezoekers per maand is dit geen randgeval maar de normale toestand. Je zit permanent in de koude start, en dat is een reden om de verwachtingen laag te houden.

Waar de gegevens vandaan komen

Er zijn twee soorten signalen, en de zwakste weegt in de praktijk het zwaarst.

Expliciete signalen zijn wat iemand bewust opgeeft: een cijfer, een duim omhoog, een verlanglijst, een ingevuld voorkeurenscherm. Betrouwbaar en zeldzaam, want vrijwel niemand doet de moeite.

Impliciete signalen zijn wat iemand doet zonder erbij na te denken: klikken, scrollen, kijktijd, in de winkelwagen leggen, terugkeren naar dezelfde pagina. Daar is enorm veel van, en het is dubbelzinnig. Iemand die drie minuten op een pagina staat kan geboeid zijn of afgeleid door de telefoon.

Wat er zelden in wordt meegenomen is een negatief signaal. Een product dat je bewust hebt overgeslagen na het te hebben gezien telt bijna nergens mee, terwijl dat vaak de meest informatieve keuze is. Daarom blijft een systeem je iets aanbieden waar je vier keer langs bent gelopen.

Voor de gegevenskant geldt dat de hoeveelheid het probleem niet oplost. Kwaliteit en betekenis wegen zwaarder dan volume, iets wat bij big data vaker over het hoofd wordt gezien.

Waar ze misgaan

Ze versterken wat al populair is. Wat vaak wordt getoond, wordt vaker gekozen, dus wordt het nog vaker getoond. De staart van je aanbod komt nooit boven.

Ze maken een bubbel. Als je steeds meer krijgt van wat je al leuk vond, wordt je beeld smaller. Bij vermaak is dat vervelend, bij nieuws is het een maatschappelijk probleem.

Ze nemen vooroordelen over. Een systeem dat leert van gedrag uit het verleden herhaalt de scheefheid die daarin zat. Werd er in de winkel altijd hetzelfde aangeraden, dan raadt het systeem dat straks ook aan.

Ze verwarren aandacht met waarde. Een algoritme dat stuurt op kijktijd komt uit bij wat mensen niet kunnen wegklikken, en dat is niet hetzelfde als wat ze waardevol vinden.

Ze meten zichzelf te gunstig. Een systeem dat leert van zijn eigen aanbevelingen kijkt alleen nog naar gedrag dat het zelf heeft uitgelokt. Wat er zou zijn gebeurd zonder die aanbevelingen weet niemand meer.

Wat de digitaledienstenverordening voorschrijft

Sinds de digitaledienstenverordening van de EU, ook bekend als de DSA, gelden er harde eisen aan aanbevelingssystemen. De regels gelden sinds 25 augustus 2023 voor de zeer grote platforms en sinds 17 februari 2024 voor vrijwel alle onlinediensten.

De kern zit in artikel 27: een platform dat aanbevelingen doet, moet in zijn voorwaarden in begrijpelijke taal uitleggen op welke voornaamste factoren die aanbevelingen zijn gebaseerd en hoe een gebruiker daar invloed op kan uitoefenen.

Voor de zeer grote platforms komt daar artikel 38 bij: die moeten minstens één variant aanbieden die niet op profilering is gebaseerd, bijvoorbeeld een tijdlijn op volgorde van tijd. Dat is de reden dat je bij de grote sociale netwerken tegenwoordig kunt kiezen voor een chronologische weergave.

Verder verbiedt de verordening advertenties op basis van profilering die op minderjarigen zijn gericht, en advertenties op basis van profilering met bijzondere persoonsgegevens zoals gezondheid, geloof of seksuele geaardheid. Ook misleidende ontwerpen die je in een richting duwen zijn verboden.

In Nederland is de ACM aangewezen als digitaledienstencoördinator en daarmee het eerste aanspreekpunt voor toezicht op deze verordening.

Wat de AVG en de AI-verordening ervan vinden

Voor een gewone webshop is de DSA meestal niet het meest urgente stuk. De AVG wel.

Aanbevelingen op basis van gedrag zijn profilering. Dat mag, en het vraagt een grondslag en uitleg. Zet in je privacyverklaring welke gegevens je gebruikt en waarvoor, en houd er rekening mee dat bezoekers bezwaar mogen maken tegen profilering voor direct marketing. Volg je bezoekers met cookies of vergelijkbare technieken om die aanbevelingen te maken, dan is daar vooraf toestemming voor nodig; dat staat in artikel 11.7a van de Telecommunicatiewet.

Het artikel over volledig geautomatiseerde besluiten uit de AVG, artikel 22, komt bij productaanbevelingen zelden in beeld. Dat gaat over besluiten met rechtsgevolgen of vergelijkbaar ingrijpende gevolgen, en welke schoenen bovenaan staan hoort daar niet bij. Bij aanbevelingen die de prijs of de voorwaarden voor iemand veranderen ligt dat anders.

De Europese AI-verordening is op 1 augustus 2024 in werking getreden, en de meeste verplichtingen gelden sinds 2 augustus 2026. Een aanbevelingssysteem in een webshop valt doorgaans niet in de categorie met hoog risico, dus daar hoef je je niet blind op te staren. Wat wel blijft gelden is dat je moet kunnen uitleggen wat je doet.

Tot slot een regel die vaak wordt vergeten: zet je gesponsorde of betaalde producten tussen je aanbevelingen, dan moet dat voor de bezoeker herkenbaar zijn.

Wat je er zelf mee kunt

Voor de meeste webshops en sites geldt: begin eenvoudig en verwacht er niet te veel van.

Vaak samen gekocht is de simpelste vorm en werkt vrijwel altijd. Daar heb je alleen je eigen bestelgeschiedenis voor nodig.

Anderen bekeken ook werkt bij voldoende verkeer. Bij een paar honderd bezoekers per maand zijn de aanbevelingen willekeurig.

Handmatig gekozen combinaties verslaan bij een klein assortiment vrijwel elk algoritme. Jij weet welke lamp bij welke tafel hoort en een systeem met weinig gegevens niet.

Dat laatste wordt zelden gezegd en het is bij kleine shops meestal het juiste antwoord. Reken uit hoeveel tijd het kost om bij je honderd bestverkopende producten met de hand drie passende artikelen te kiezen. Een middag werk, met een beter resultaat dan wat een plugin je geeft.

Hoe je dit in WooCommerce regelt

Draait je webshop op WooCommerce, dan zitten de bouwstenen er al in en gebruiken de meeste eigenaren ze niet.

Op het tabblad gekoppelde producten van elk artikel staan twee velden. Upsells verschijnen op de productpagina zelf en zijn bedoeld voor het duurdere of betere alternatief. Cross-sells verschijnen in de winkelwagen en zijn bedoeld voor wat erbij past. Beide vul je met de hand, en dat is precies het punt.

Daarnaast toont WooCommerce automatisch gerelateerde producten, en die selectie komt tot stand op basis van gedeelde categorieën en labels. Daar zit geen leerproces achter. Wie een net ingedeelde catalogus heeft krijgt bruikbare suggesties, en wie alles in één categorie heeft gezet krijgt willekeur. De snelste verbetering is dan ook niet een plugin installeren maar je categorieën en labels op orde brengen.

Er zijn uitbreidingen die echte aanbevelingen doen op basis van bestelgedrag. Kijk voordat je die aanschaft of je genoeg bestellingen hebt om iets uit te leren, en of het pakket zijn gegevens op eigen servers verwerkt of bij een partij buiten de EU. Dat laatste is een vraag voor je privacyverklaring en je verwerkersovereenkomst. Welke keuzes daarbij horen staat bij e-commerceplatforms voor je webshop.

Aanbevelingen in e-mail

De rustigste plek om hiermee te beginnen is je nieuwsbrief, want daar heb je de gegevens al en hoef je niets aan je site te verbouwen.

Wat in de praktijk werkt is beperkt en effectief. Een mail naar mensen die iets in hun winkelwagen lieten liggen. Een bericht met bijpassende artikelen enkele dagen na een bestelling. Een herinnering bij producten die opraken, zoals filters, voer of verbruiksartikelen, met een termijn die je zelf kent uit je verkoopcijfers.

Dat is eigenlijk geen algoritme maar een regel die je zelf opschrijft, en juist daarom werkt het bij kleine aantallen wel. Hoe je je bestand daarvoor indeelt staat bij e-mailsegmentatie.

Denk aan de toestemming. Voor het versturen van commerciële mail aan consumenten heb je toestemming nodig, met als uitzondering bestaande klanten die je over vergelijkbare eigen producten mag benaderen, mits ze zich elke keer kunnen afmelden.

Wat het technisch kost

Aanbevelingen zijn persoonlijk, en persoonlijk verhoudt zich slecht tot snelheid. Die kant komt bij de aanschaf nooit ter sprake.

Een snelle website bewaart complete pagina's in een cache en serveert die aan iedereen. Zodra er een blok op staat dat per bezoeker verschilt, kan dat niet meer, want dan zou de ene bezoeker de aanbevelingen van de andere zien. Ik ben dat meer dan eens tegengekomen: een webshop die na het installeren van een aanbevelingsplugin ineens twee keer zo traag was, omdat de pagina's niet meer uit de cache kwamen.

De oplossing is het blok apart laden nadat de pagina er staat, zodat de rest van de pagina gewoon gecachet blijft. Dat kost een extra verzoek en het is verreweg de minst schadelijke variant.

Let daarnaast op aanbevelingsdiensten die hun code van een ander domein laden. Dan haal je een script binnen dat het IP-adres van je bezoeker naar een derde partij stuurt, dat je pagina vertraagt en dat pas mag draaien nadat er toestemming is gegeven. Weeg dat af tegen wat het oplevert, en dat is bij een kleine shop weinig.

Wat je meet

Niet of er op de aanbevelingen wordt geklikt, maar of de gemiddelde bestelling groter wordt en of mensen vaker terugkomen.

Let op een val: als je aanbevelingen vooral producten tonen die iemand toch al ging kopen, ziet het er goed uit in de cijfers en heb je niets toegevoegd. Zo maakt dit soort systemen zichzelf mooier dan het is, en dat gebeurt vaker dan welke andere fout ook.

De enige manier om dat uit te sluiten is een deel van je bezoekers de aanbevelingen niet tonen en de twee groepen vergelijken. Dat vraagt wel voldoende verkeer om iets te zien. Hoe je zo'n vergelijking opzet staat bij A/B-testen.

Kijk daarnaast over een langere periode naar wat een klant in totaal opbrengt. Aanbevelingen die vandaag de bestelling vergroten en morgen tot retouren leiden zijn geen winst. Dat effect zie je pas terug in de customer lifetime value.

Wanneer je hier beter niet aan begint

Er zijn situaties waarin dit gewoon geen goed idee is, en die komen vaker voor dan de verkopers van dit soort software je vertellen.

Bij weinig bezoekers valt er niets te leren. Bij een klein assortiment kent de klant het hele aanbod al. Bij producten die mensen één keer in hun leven kopen zegt de vorige aankoop niets over de volgende. En bij een dienstverlener met vijf diensten is een menu duidelijker dan welke suggestie ook.

Er is bovendien een moment waarop aanbevelingen actief schaden. Iemand die op het punt staat af te rekenen wil geen zes alternatieven meer zien. Een afrekenpagina hoort leeg te zijn, en dat is een van de weinige regels in dit vak waar ik geen uitzondering op ken.

Wat vaker geld oplevert dan een aanbevelingssysteem: een zoekfunctie die werkt, filters die kloppen, en productfoto's waar je iets op ziet. Minder interessant om over te praten, en bij de meeste webshops levert het meer op dan welk algoritme ook.

Veelgestelde vragen over aanbevelingsalgoritmen

Wat is een aanbevelingsalgoritme?

Een systeem dat uit een groot aanbod een kleine selectie kiest waarvan het denkt dat jij die wilt zien. Het gebruikt daarvoor wat jij eerder deed, wat vergelijkbare mensen deden, of de eigenschappen van de items zelf.

Je komt het tegen bij streamingdiensten, webshops, sociale netwerken en nieuwsapps. Het bepaalt daarmee evengoed wat je nooit te zien krijgt.

Wat is het verschil tussen content-based en collaborative filtering?

Content-based filtering kijkt naar de eigenschappen van wat jij koos en zoekt daar iets vergelijkbaars bij. Collaborative filtering kijkt naar mensen die op jou lijken en toont wat zij kozen.

Het eerste werkt meteen en blijft in dezelfde hoek hangen. Het tweede levert verrassingen op en heeft gegevens nodig voordat het iets kan. Bijna elk groot systeem gebruikt daarom een combinatie.

Wat is het koudestartprobleem?

Dat een systeem niets kan aanbevelen zolang het niets weet. Bij een nieuwe bezoeker is er geen gedrag om op te leunen, en bij een nieuw product zijn er nog geen kopers om mee te vergelijken.

De gebruikelijke uitwijk is terugvallen op wat populair is, of op productkenmerken tot er gedrag is. Voor een kleine webshop is dit geen tijdelijke fase maar de normale situatie.

Heeft mijn webshop een aanbevelingssysteem nodig?

Bij een paar duizend bezoekers per maand en een overzichtelijk assortiment meestal niet. Handmatig gekozen combinaties leveren dan betere suggesties op dan een systeem dat te weinig gegevens heeft.

Zit je aan tienduizenden bezoekers en honderden producten, dan begint het interessant te worden. Begin ook dan met de eenvoudigste vorm, vaak samen gekocht, en bouw pas uit als dat aantoonbaar iets oplevert.

Hoe stel ik aanbevelingen in bij WooCommerce?

Bij elk product staat een tabblad met gekoppelde producten. Daar vul je upsells in, die op de productpagina verschijnen, en cross-sells, die in de winkelwagen verschijnen.

De automatische lijst met gerelateerde producten komt uit je categorieën en labels. Wil je die verbeteren, dan verbeter je je indeling; er zit geen leerproces achter dat je kunt bijsturen.

Mag ik zomaar gedrag van bezoekers gebruiken voor aanbevelingen?

Alleen binnen de regels van de AVG. Je hebt een grondslag nodig, je moet in je privacyverklaring uitleggen wat je doet, en bezoekers mogen bezwaar maken tegen profilering voor direct marketing.

Gebruik je cookies of vergelijkbare technieken om dat gedrag te volgen, dan is daar vooraf toestemming voor nodig op grond van artikel 11.7a van de Telecommunicatiewet. Aanbevelingen op basis van iemands eigen bestelgeschiedenis in je eigen shop liggen eenvoudiger dan aanbevelingen op basis van gevolgd surfgedrag.

Wat schrijft de DSA voor over aanbevelingssystemen?

Dat je in duidelijke taal in je voorwaarden uitlegt op welke voornaamste factoren je aanbevelingen zijn gebaseerd en hoe iemand daar invloed op heeft. Dat staat in artikel 27 en geldt sinds 17 februari 2024 breed.

Zeer grote platforms moeten daarnaast een variant aanbieden die niet op profilering is gebaseerd. In Nederland houdt de ACM hier toezicht op als digitaledienstencoördinator.

Wat is een filterbubbel?

De situatie waarin je vooral nog te zien krijgt wat aansluit bij wat je eerder koos, waardoor je beeld smaller wordt zonder dat je het merkt.

Bij vermaak is dat vooral vervelend, want je blijft in dezelfde hoek hangen. Bij nieuws en meningen is het een probleem dat verder reikt dan de gebruiker zelf, en dat is de reden dat de Europese wetgever er regels aan is gaan stellen.

Waarom krijg ik aanbevelingen voor iets dat ik net gekocht heb?

Omdat veel systemen niet weten dat een aankoop het einde van de vraag betekent. Ze zien dat je belangstelling had voor een wasmachine en gaan door met wasmachines, terwijl je er nu een hebt staan.

Goed ingerichte systemen sluiten gekochte artikelen uit en schakelen over naar toebehoren. In WooCommerce regel je dat door na de aankoop op cross-sells te sturen in plaats van op vergelijkbare producten.

Vertragen aanbevelingen mijn website?

Vaak wel, en meer dan mensen verwachten. Een blok dat per bezoeker verschilt kan niet uit de cache komen, waardoor je pagina bij elk bezoek opnieuw wordt opgebouwd.

Laat zo'n blok daarom apart laden nadat de pagina er staat. En let op aanbevelingsdiensten die hun code van een extern domein halen, want die kosten laadtijd en vragen om toestemming voordat ze mogen draaien.

Hoe meet ik of aanbevelingen iets opleveren?

Kijk naar de gemiddelde bestelwaarde en naar het aantal terugkerende klanten, niet naar het aantal klikken op het blok.

De enige harde toets is een deel van je bezoekers de aanbevelingen niet tonen en de twee groepen vergelijken. Zonder die vergelijking meet je vooral producten die mensen toch al gingen kopen.

Hoe werkt het algoritme van Netflix?

In grote lijnen als beschreven: kandidaten selecteren op basis van kijkgedrag van jou en van vergelijkbare kijkers, en die kandidaten daarna rangschikken. Netflix past ook de omslagafbeelding per gebruiker aan.

Het bedrijf schreef in 2006 een openbare wedstrijd uit om de voorspellingen te verbeteren, die in 2009 werd gewonnen. De winnende oplossing is nooit volledig in gebruik genomen, omdat hij te ingewikkeld was voor wat hij extra opleverde. Dat is een nuchtere les die voor kleinere systemen net zo goed geldt.

Is een aanbevelingsalgoritme hetzelfde als het algoritme van Google?

Nee, al lijkt het werk erop. Een zoekmachine begint bij een vraag die je zelf intikt en zoekt daar het beste antwoord bij. Een aanbevelingssysteem begint zonder vraag en moet zelf bedenken waar je belangstelling naar uitgaat.

Hoe rangschikking bij zoekmachines werkt staat bij zoekmachinealgoritmen.

Wanneer moet ik geen aanbevelingen tonen?

Op je afrekenpagina. Iemand die op het punt staat te betalen moet niet worden afgeleid door alternatieven, want elke twijfel kost je de bestelling.

Verder niet bij producten die mensen eenmalig kopen en niet bij een klein assortiment dat iemand in twee minuten helemaal heeft gezien. Een goede zoekfunctie en kloppende filters leveren daar meer op.