Aanbevelingsalgoritmen uitgelegd: collaborative filtering, samen gekocht, trending en meer

Aanbevelingswidgets zien er van buitenaf allemaal hetzelfde uit — een rij producten of artikelen onder een kop. Wat echt bepaalt of ze de omzet verhogen of alleen ruimte vullen, is het algoritme erachter. Koppel het juiste algoritme aan de plaatsing en je krijgt relevantie; kies verkeerd en je krijgt ruis.

Dit zijn de vier families van aanbevelingsalgoritmen — collaborative filtering, samen gekocht, trending en op content of interesse gebaseerd — waar elk goed voor is en hoe ze aansluiten op de algoritmen die Personyze meelevert. (Voor de techniek die ze aandrijft, zie wat er onder de motorkap van personalisatie zit.)

Eerst: het koudestartprobleem

Elk algoritme moet één lastige vraag beantwoorden: wat laat je een gloednieuwe bezoeker zonder geschiedenis zien? Personyze begint met data van de massa — wat bij iedereen populair is — en schakelt over op personalisatie zodra het een interesse leert kennen. Interesses worden gerangschikt en bijgewerkt terwijl de bezoeker rondkijkt, zodat dezelfde widget met elke klik scherper wordt. Houd dat in gedachten bij het verder lezen: de meeste algoritmen hieronder vallen ongemerkt terug op data van de massa tot er genoeg signaal is om te personaliseren.

AI-aanbevelingen: voorspellen wat elke bezoeker gaat kopen

De krachtigste aanbevelingen zijn niet één regel — ze zijn een voorspelling. De gepersonaliseerde (AI-)aanbevelingen van Personyze combineren veel datapunten tegelijk om te bepalen wat elke bezoeker waarschijnlijk als volgende koopt of bekijkt:

• Je productfeed en catalogus — kenmerken, categorieën, prijs, beschikbaarheid.
• De site zelf, gecrawld, zodat de engine je producten en content begrijpt.
• Het eigen profiel van de bezoeker — CRM-velden, demografische gegevens, locatie.
• Gedrag van andere bezoekers — de patronen van de massa achter “mensen zoals jij”.
• Wat deze bezoeker aanklikt, bekijkt en in de winkelwagen legt, in realtime.
• Wat hij — en iedereen — daadwerkelijk heeft gekocht.

In plaats van op één signaal te leunen, weegt de engine de catalogus, de massa en het individu samen af, rangschikt je catalogus naar hoe waarschijnlijk deze bezoeker iets koopt en wordt met elke interactie scherper. Dat is de motor achter Hoogste relevantie / Gepersonaliseerde aanbevelingen van Personyze — de zuiverste vorm van “gepersonaliseerd”.

Omdat aanbevelingen zijn gebaseerd op transactiestatistieken, zou een gloednieuwe inrichting normaal gesproken even nodig hebben om genoeg data te verzamelen. Je kunt die wachttijd overslaan door je eerdere of offline transacties te uploaden — zo voed je de engine met je aankoopgeschiedenis (inclusief verkopen in de winkel) en is hij vanaf dag één relevant.

Collaborative filtering: “mensen zoals jij”

Collaborative filtering is het werkpaard van aanbevelingen. Het leert van gedrag van veel bezoekers — mensen die dit kochten of bekeken, kochten of bekeken ook dat — zonder het product zelf te hoeven begrijpen. Zo werkt “misschien vind je dit ook leuk”.

In Personyze horen bij deze familie Hoogste relevantie (een gepersonaliseerde mix op basis van bezoekers met vergelijkbare demografie en interacties), Kans op aankoop (artikelen gekocht door wie het huidige artikel bekeek) en Kans op bekijken (artikelen bekeken door wie het bekeek). Aan de contentkant is Bezoekers die dit lazen, lazen ook hetzelfde idee voor artikelen. Het best voor ontdekking en gepersonaliseerde keuzes.

Samen gekocht: de cross-sell-engine

Waar collaborative filtering “mensen zoals jij” vindt, vindt samen gekocht verbanden van artikel tot artikel — wat wordt gekocht samen met een specifiek product, of samen met wat al in de winkelwagen zit. Het is de meest directe hefboom voor de gemiddelde orderwaarde.

Het algoritme Samen gekocht van Personyze (voor productpagina’s) toont de artikelen die het vaakst worden gekocht door mensen die het huidige artikel kochten, terwijl Cross-sell-aanbeveling voor winkelwagen en Vaakst gekocht met winkelwagen hetzelfde doen voor de winkelwagen. Het best voor cross-sell op product- en winkelwagenpagina’s.

Trending en populair: de massa als signaal

Soms is de slimste zet laten zien wat nu werkt. Op populariteit gebaseerde algoritmen tonen de meest gekochte of bekeken artikelen — eventueel gefilterd op de interesse van de bezoeker, of op nieuwe en afgeprijsde voorraad — en ze zijn het logische antwoord op de koude start.

Personyze biedt Populair binnen meest recente interesse en Populair binnen recente interesses, plus varianten voor merchandising zoals Nieuw op voorraad, Onlangs afgeprijsd, Prijs onlangs gewijzigd, en zelfs populairst per geslacht/leeftijd. Het best voor nieuwe bezoekers, homepages en het promoten van nieuwe of afgeprijsde voorraad.

Op content en interesse gebaseerd: match het onderwerp, niet alleen de massa

Voor artikelen — en voor het matchen van interesses in het algemeen — wil je vaak aanbevelen op onderwerp en op de gerangschikte interesses van de bezoeker, niet alleen op gedeeld gedrag. De contentengine van Personyze doet precies dat en sluit automatisch stukken uit die de bezoeker al heeft gelezen.

Daarbij horen Meest gelezen op basis van interesse(s), Nieuw artikel op basis van je interesses, Populairst van deze auteur, en op conversie gerichte opties zoals Content die tot de meeste conversies leidde en Kans op lezen en kopen voor content-naar-commerce. Het best voor uitgevers en elke site die content inzet om te verkopen.

Op geschiedenis gebaseerd: wat ze al deden

De eenvoudigste algoritmen converteren vaak het best, omdat ze leunen op de eigen geschiedenis van de bezoeker. Koop het opnieuw toont eerdere aankopen op volgorde, Bekijk het opnieuw haalt bekeken artikelen terug, en In je winkelwagen herinnert ze aan wat er nog klaarstaat. Het best voor nabestellingen, herinneringen en het terugwinnen van winkelwagens.

Zo kies je het juiste algoritme voor elke plaatsing

Je kiest één algoritme per widget — met een optionele terugvaloptie als het de plek niet kan vullen — en stemt het af op de plaatsing:

• Homepage: trending of op interesse gebaseerd, zodat nieuwe en terugkerende bezoekers allebei iets relevants zien.
• Productpagina: samen gekocht plus kans op aankoop, voor ontdekking en een hogere orderwaarde.
• Winkelwagen: cross-sell op basis van wat al in het mandje zit.
• Artikel of blog: op content en interesse gebaseerd, zonder wat ze al hebben gelezen.
• Categoriepagina: trending of populair binnen de categorie, afgestemd op de interesses van de bezoeker.

In Personyze draait elke widget één algoritme — met een terugvaloptie voor als het de plek niet kan vullen — en je kiest een ontwerp uit de galerij met aanbevelingssjablonen, en past daarna filters en weergaveopties toe, zoals direct toevoegen aan de winkelwagen of de aanbevelingen tonen als pop-up (ook bij exit intent).

Geleverd zoals jij wilt: een beheerde widget of ruwe JSON

Het algoritme kiezen is één beslissing; hoe je de aanbevelingen levert is een andere — en Personyze ondersteunt beide uitersten.

De gebruikelijke weg is een beheerde widget: kies een kant-en-klaar ontwerp uit de galerij met aanbevelingssjablonen, pas de look-and-feel aan en plaats hem — zonder code. Je ziet vooraf precies wat bezoekers te zien krijgen voordat je publiceert.

Voor volledige controle haal je de aanbevelingen op als JSON — via een client-side JavaScript-API of een JSON-feed — en render je ze in je eigen front-end of op de server. Headless storefronts, mobiele apps en volledig eigen lay-outs werken allemaal: het algoritme en de personalisatie draaien in Personyze, terwijl jij de presentatie in handen hebt. Dezelfde aanbevelingsengine kan een widget zonder code aandrijven of een op maat gemaakt server-side component.

Waar Personyze past

Personyze levert alle bovenstaande algoritmen standaard mee, combineert data van de massa met de gerangschikte interesses van de bezoeker en laat je op elk oppervlak het juiste algoritme plaatsen — product, winkelwagen, homepage of artikel. Bekijk ze in actie in onze voorbeelden van productaanbevelingen, en als je klaar bent om de opbrengst te meten, legt onze gids over personalisatie-ROI uit hoe je de bijdrage van aanbevelingen leest — de omzet die aanbevelingen echt beïnvloeden.

Boek een demo om de algoritmen op je eigen catalogus te zien draaien, of bekijk abonnementen en prijzen.

Aanbevelingsalgoritmen: veelgestelde vragen

Wat is collaborative filtering bij aanbevelingen?

Collaborative filtering leert van gedrag van veel bezoekers — mensen die het ene artikel kochten of bekeken, kochten of bekeken ook een ander — en beveelt aan op basis van die patronen, zonder het product zelf te hoeven begrijpen. Het drijft de meeste widgets van het type “misschien vind je dit ook leuk” aan.

Wat is het verschil tussen “samen gekocht” en collaborative filtering?

Samen gekocht kijkt naar artikel-tot-artikelverbanden voor een specifiek product of een specifieke winkelwagen — wat ermee samen wordt gekocht. Collaborative filtering is bredere matching van “mensen zoals jij” over de hele catalogus. Samen gekocht is het best voor cross-sell en orderwaarde; collaborative filtering is het best voor ontdekking.

Wat is een op content gebaseerde aanbeveling?

Een op content gebaseerde aanbeveling matcht op onderwerp en kenmerken en op de gerangschikte interesses van de bezoeker, in plaats van alleen op gedeeld gedrag. Ze wordt vooral gebruikt voor artikelen en content, en in Personyze sluit ze automatisch stukken uit die de bezoeker al heeft gelezen.

Hoe gaan aanbevelingen om met een gloednieuwe bezoeker (koude start)?

Ze beginnen met data van de massa — wat bij alle bezoekers populair is — en schakelen over op personalisatie zodra een interesse bekend is. Personyze rangschikt en actualiseert interesses terwijl de bezoeker rondkijkt, zodat dezelfde widget met elke klik relevanter wordt.

Welk aanbevelingsalgoritme gebruik ik op een productpagina?

Op productpagina’s werken samen gekocht plus kans op aankoop het best — ze stimuleren ontdekking en de gemiddelde orderwaarde door artikelen te tonen die vaak samen met het huidige product worden gekocht of bekeken.

Ondersteunt Personyze naast producten ook contentaanbevelingen?

Ja. Naast de productalgoritmen heeft Personyze een engine voor contentaanbevelingen met opties zoals meest gelezen op basis van interesse, nieuwe artikelen voor je interesses, populairst van een auteur en content die tot de meeste conversies leidde — en die sluit al gelezen artikelen automatisch uit.

Kan ik aanbevelingen van Personyze als JSON ophalen of zelf renderen?

Ja. Naast de beheerde widget kan Personyze aanbevelingen als JSON leveren via een client-side JavaScript-API of een JSON-feed, zodat je ze in je eigen front-end of server-side kunt renderen — handig voor headless storefronts, mobiele apps en volledig eigen lay-outs.

Zijn er kant-en-klare sjablonen voor aanbevelingswidgets?

Ja. Personyze heeft een galerij met aanbevelingssjablonen met kant-en-klare widgetontwerpen die je kunt kiezen, aanpassen en vooraf bekijken, en daarna zonder code kunt plaatsen.

Welke data gebruiken AI- of gepersonaliseerde aanbevelingen?

De gepersonaliseerde aanbevelingen van Personyze combineren je productfeed en catalogus, een crawl van je site, het eigen profiel van de bezoeker (CRM, demografie, locatie), het gedrag van andere bezoekers en de eigen klikken, weergaven en aankopen van het individu — en wegen die samen af om te voorspellen wat elke bezoeker het waarschijnlijkst koopt.

Kan ik eerdere transacties uploaden om aanbevelingen op gang te helpen?

Ja. Je kunt je eerdere of offline transacties (in de winkel) uploaden, zodat de aanbevelingsengine vanaf dag één een aankoopgeschiedenis heeft en veel sneller relevant wordt dan wanneer de data vanaf nul via gedrag op de site wordt opgebouwd.

Meer over AI in Personyze

• AI-personalisatieagent — beschrijf een campagne en hij bouwt hem, in de stijl van je merk.
• AI-marketingagent — hoe verzoeken in gewone taal klaarstaande campagnes worden.
• Personyze MCP-server — stuur het allemaal aan vanuit Claude of ChatGPT.
• Personyze toevoegen aan Claude — installeer de connector vanuit de Claude-directory.

Verder lezen

• Voorbeelden van productaanbevelingen — 14 manieren om deze algoritmen in te zetten.
• Wat er onder de motorkap van personalisatie zit — de onderdelen van de aanbevelingsengine.
• ROI van personalisatie: de metrics die ertoe doen — de bijdrage van aanbevelingen meten.