Mersalg via Produktforslag

Du har sikkert oplevet det. I mange webshops har de den funktion at når du kigger på et produkt eller har lagt det i din indkøbskurv - så bliver du præsenteret for en række andre produkter som du måske også kunne være interesseret i.

Det mest kendte eksempel er nok Amazon.com. Da jeg sidst besøgte siden, fik jeg disse forslag til bøger jeg kunne være interesseret i :

Det gør de selvfølgelig ikke ved et tilfælde, de gør det fordi det giver mersalg. Det interessante er at der faktisk er stor forskel på hvordan disse produktforslag bliver til og samtidigt hvor godt de virker.

Den simpleste udgave laver simpelthen statistik på produkter som ofte ender i samme indkøbskurv. Det kan være at der ofte er brug for batterier når der købes et vist produkt og efter at den første række kunder alle sammen har lagt både produkt og batterier i indkøbskurven, så vil systemet fremover kunne foreslå batterier som et ekstra tilkøb. Den slags produktforslag er primært en optimering af købs-processen, du skulle jo alligevel med stor sandsynlighed huske batterierne så det bliver lidt nemmere når du bare kan trykke på en knap med "ja tak" til også at købe batterierne.

De mere avancerede udgaver bruger en machine learning teknik som hedder "collaborative filtering". Den kigger ikke bare på indkøbskurve men udnytter at kundernes indkøbs-profiler ofte ligner hinanden. Der er mange forskellige varianter og det er ret teknisk, men den basale ide er ikke så kompliceret så lad mig prøve at forklare hvordan det virker uden at komme ind på de matematiske detaljer.

Forestil dig at du er kunde i en webshop og har kigget på et antal produkter, nogle af dem måske flere gange og nogle udvalgte har du været så interesseret i at du har købt dem. Efterhånden som du gentagne gange besøger hjemmesiden, så opsamles alle disse data om dig og de betragtes som forskellige grader af interesse du har udvist. Systemet bruger så den samlede liste af produkter du har vist interesse for til at skabe en profil af dig som kunde.

Nu ved systemet en del om dig og hvad du kan lide, og ved at lave den samme slags profil for alle andre kunder kan systemet få et samlet billede af hvordan kundernes forskellige interesse-mønstre er.

Det smarte trick som man bruger til disse systemer består i at man konstruerer disse kundeprofiler på en særlig måde, så man matematisk kan få et tal for hvor meget 2 udvalgte profiler ligner hinanden. Med din profil i hånden kan systemet derfor slå op i databasen og finde andre kunde-profiler som ligner dig og simpelthen ved at kigge på hvad disse lignende kunder har købt som du endnu ikke har købt, kan der foreslåes produkter som du kunne være interesseret i at købe.

Den slags produktforslag har mulighed for at foreslå produkter som er fra en helt anden kategori og som du måske ikke engang har kigget på endnu - alene fordi der er mange andre kunder der har samme smag som dig der også kan lide produkterne i den kategori. Det er ikke nødvendigt at produkterne nogensinde har været i samme indkøbskurv. Hvis der er nok data til et godt sammenligningsgrundlag giver det simpelthen bedre forslag.

Men er det virkelig så vigtigt om man kan give nogle bedre forslag? Svaret på det spørgsmål findes i det faktum at film-tjenesten Netflix tilbage i 2006-2009 kørte en konkurrence hvor målet var at forbedre deres algoritme bare 10% og kunne man gøre det så vandt man 1 million dollars!

Netflix har regnet ud at præcisionen af produktforslag er meget vigtig for kundens oplevelse. Det er den fordi produktforslag er en type af tjeneste hvor det vigtige er at de forslag der gives forventeligt er gode.

Hvis du som kunde over tid oplever at forslagene som oftest giver dig en god oplevelse f.eks. i form af en film du ikke havde set før som var rigtig god, så ender du med at stole på de forslag du får. Hvis forslagene omvendt lige akkurat ikke er helt gode nok til at du tør at stole på dem, så ender du måske med helt at ignorere dem. Med andre ord er der altså en slags nedre grænse for præcision hvor hvis systemet bare er bedre end det, så vil du som kunde stole på det, ellers ikke. Det betyder så også at det at forbedre systemet fra måske at være lige under grænsen til lige over grænsen faktisk har uforholdsmæssigt stor indflydelse på hvor meget kunderne bruger og sætter pris på systemet.

Når først man har et system til på produktsiderne at foreslå kunderne andre produkter de kunne være interesseret i, så der faktisk nogle andre steder man også med fordel kan bruge denne viden om kunderne.

En oplagt mulighed er at gøre forsiden for webshoppen personlig, langt de fleste webshops har i dag bare en liste af populære produkter eller sæsonvarer på deres forside. I stedet kan man allerede på forsiden af webshoppen give hver kunde nogle skræddersyede forslag til produkter der kunne være interessante (her bør man give ekstra vægt til produkter som kunden tidligere har kigget på men endnu ikke købt).

Måske endnu mere interessant er at typisk har webshoppen kunderne registreret med emails og i stedet for at sende standardiserede nyhedsbreve ud som emails med jævne mellemrum, så kan man strategisk sende tilbud ud til kunder hvor hver email indeholder et skræddersyet udvalg af produkt-tilbud. Nogle virksomheder går endda så langt som til at give særlige rabatkoder i deres emails som kun gælder for den kunde og til visse produkter som kunden tidligere har kigget på.

Det er fint at give skræddersyede forslag til kunderne, hvis man gør det rigtigt giver det mersalg. Men man skal ikke bare ukritisk sende personlige rabatkoder ud til folk for at motivere dem til at købe. Dels så vil nogle kunder begynde at spekulere i det hvis det er for regelmæssigt og dels så har undersøgelser vist at folk mister interesse hvis de føler at det bliver for personligt - de ender med at mistænke virksomheden for kun at anbefale produktet fordi det maksimerer profitmargin. Folk elsker at "opdage" gode tilbud, det skal helst ikke virke for konstrueret. En mulighed er derfor at lade de personlige tilbud kun være en ud af flere sektioner i nyhedsbrevet.

Med alle de forskellige muligheder for at bruge intelligente teknikker til at optimere og få nogle ekstra procenter konvertering i sin shop, så skal man dog stadigt huske på at sikre den basale brugeroplevelse på sin side.

Jeg havde en pudsig oplevelse for et stykke tid siden hvor jeg på ekstrabladet.dk så en stor reklame for Den Blå Avis. Reklamen var tydeligvis lavet med machine learning teknikker og det spændende var at varerne som blev foreslået faktisk var nogle jeg blev interesseret i at kigge nærmere på. Efter at have været inde på Den Blå Avis’ forside og opleve at de forslag der var der, var af meget ringere kvalitet, så lærte jeg med tiden at jeg bare skulle gå ind på ekstrabladets side for at få de gode forslag. Det er ret uheldigt når dine kunder tyer til reklamer på andres hjemmesider for at finde de varer de er interesserede i, men omvendt er det også en god illustration af hvor vigtige produktforslag kan være for brugeroplevelsen. Lad ikke dine kunders brugeroplevelse være værre end at se reklamer.