Aanbevelingssysteem laten bouwen

Een aanbevelingssysteem, in het Engels recommendation engine of recommender system, kiest per gebruiker uit een groot aanbod wat waarschijnlijk relevant is: een product, een artikel, een event of een vacature. Het leert dat uit eerder gedrag, zoals aankopen, klikken en kijkduur, en uit kenmerken van het aanbod.

Productaanbevelingen in een webshop zijn de bekendste vorm. Gepersonaliseerde aanbevelingen in een nieuwsbrief of app werken op dezelfde manier. Het hoort bij de AI-toepassingen die we bouwen.

Collaborative filtering zoekt klanten met vergelijkbaar koopgedrag en beveelt aan wat zij kochten en jij nog niet. Een klantprofiel is daarvoor niet nodig. Content-based filtering kijkt naar kenmerken van wat iemand eerder koos, zoals categorie, merk of genre.

Een hybride aanbevelingssysteem combineert beide, zoals onze Recommend.ai. Grote systemen werken vaak in drie stappen: kandidaten selecteren uit het hele aanbod, die kandidaten scoren en de lijst daarna herschikken, bijvoorbeeld voor variatie of nieuw aanbod.

Dat heet het cold-start-probleem: een nieuwe klant of een nieuw product heeft nog geen historie, dus collaborative filtering heeft niets om van te leren. Het ALS-model in Apache Spark, de rekenmotor onder Databricks, geeft in zo'n geval bewust geen voorspelling, zodat je zelf een terugvaloptie kiest.

Gangbaar is een mix: nieuwe bezoekers zien populaire of seizoensproducten, nieuwe producten worden aanbevolen op kenmerken zoals categorie en prijsklasse. Zodra er klikken en aankopen zijn, neemt het model het over.

Interacties die je aan een klant of sessie koppelt, zoals orders, klikken, views of ticketaankopen, plus een productcatalogus met kenmerken en beschikbaarheid. Meestal is dat impliciete feedback: een klik of aankoop, geen beoordeling met sterren. Modellen als ALS hebben daar een eigen variant voor.

In een winkel zonder klantenkaart is een aankoop niet aan een persoon te koppelen; een market basket-analyse op de kassabonnen kan dan nog wel. Staat je data verspreid over systemen, begin dan bij het data fundament.

Eerst offline: train op oudere data en kijk of het model de latere aankopen beter raadt dan een eenvoudige basis, zoals de bestsellerlijst. Gangbare maten zijn precision at k, het deel van de eerste k aanbevelingen dat raak is, en NDCG, dat ook de volgorde meeweegt.

Daarna live, met een vergelijkingsgroep die het oude aanbod blijft zien. Of je stuurt op klikken, aankopen of marge, spreek je vooraf af. Veel klikken op goedkope producten is niet altijd wat je zoekt.

Een model dat alleen op eerder gedrag leunt, versterkt wat al populair is en laat nieuw of minder bekend aanbod liggen. Daarom herschik je de lijst: je beperkt het aantal producten uit één categorie, geeft nieuw aanbod een kans en laat weg wat iemand al heeft gekocht.

Bedrijfsregels horen in dezelfde stap, zoals niets tonen wat uitverkocht is. Na livegang train je het model opnieuw, zodat nieuwe producten en seizoenen meetellen. Hoe dat technisch werkt, lees je bij MLOps.

Aanbevelen op iemands gedrag is profilering. Het Europees Comité voor gegevensbescherming omschrijft dat als de geautomatiseerde analyse van persoonsgegevens om persoonlijke aspecten te beoordelen, zoals gedrag, voorkeuren en interesses. Daarvoor heb je een doel en een grondslag uit de AVG nodig, en klanten kunnen bezwaar maken tegen direct marketing.

De Digital Services Act vraagt van online platforms dat ze transparant zijn over de werking van hun aanbevelingssystemen. De grootste platforms moeten ook een feed bieden die niet gepersonaliseerd is. Of dat voor jullie geldt, beoordeelt jullie jurist of privacyfunctionaris. Wij bepalen samen welke gegevens echt nodig zijn.

Als je assortiment klein is, klanten zelden terugkomen of aankopen niet aan een klant of sessie te koppelen zijn. Dan doet een vaste lijst met bestsellers bijna hetzelfde, met minder beheer. Wil je eerst weten wie je klanten zijn en wat ze opleveren, begin dan met klantanalyse.

Zijn je productdata rommelig, met ontbrekende categorieën of dubbele artikelen, dan los je dat eerst op. Past een kant-en-klare route, dan wijzen we je op Recommend.ai. Weet je niet waar het knelt, begin dan met een volwassenheidsscan.