Jonge vrouw pakt een flesje koude drank uit een koelkast in de supermarkt.

Productaanbevelingen met AI: data en effect meten

AI-aanbevelingen kunnen producten tonen die passen bij iemands gedrag, bij kenmerken van een product of bij een combinatie van beide. Je leest welke data daarvoor nodig is, hoe je omgaat met privacy en koude starts, en hoe je meet of aanbevelingen echt bijdragen aan je doelen.

Hoe een AI-aanbevelingssysteem producten selecteert

Een aanbevelingssysteem werkt eigenlijk altijd in twee stappen. Eerst maakt het een lijst van mogelijke producten; daarna bepaalt het de volgorde voor jou of de situatie. In stap één kan het systeem bijvoorbeeld niet-voorradige producten weglaten, of artikelen die niet naar jouw postcode verzonden kunnen worden. Daarna kijkt het systeem wie jij bent (of in elk geval wat je hebt gedaan) en gokt waar je interesse naar uitgaat. Dat kan het systeem halen uit je aankopen, bekeken artikelen, producteigenschappen, of uit context zoals je telefoon of het tijdstip.

Waar je het aanbevelingsblok neerzet, verandert wat relevant is. Op een productpagina helpt het om soortgelijke items te zien; in het mandje juist aanvullende dingen. Op de homepage werkt vaak een mengsel van populaire spullen en wat past bij jou. Eén universeel model voor alles is simpel, maar houdt geen rekening met zulke verschillen. Soms werkt een simpele regel (‘toon meer uit dezelfde categorie’) beter dan een ingewikkeld AI-model.

Maak vooraf duidelijk welk vraagstuk een aanbevelingsblok oplost, maar ook wat nooit getoond mag worden. Zonder die afspraken krijg je rare uitkomsten, zoals niet leverbare producten bovenaan, ook als het systeem technisch alles volgens het boekje doet. Geef daarnaast aan wat je wil als er te weinig persoonlijke signalen zijn: bijvoorbeeld een standaardlijst van bestsellers of een populaire rubriek. Zo heeft iedereen wat aan de aanbevelingen, ook als personalisatie (bij wijze van spreken) even niet lukt.

Gedragsdata verzamelen zonder vervuilde signalen

Als je aanbevelingen op gedrag baseert, heb je data nodig over wat bezoekers en producten samen doen. Veel registraties zijn logisch: bekeken producten, zoeken, klikken, toevoegen aan mandje, kopen, retouren. Niet elk signaal zegt evenveel. Een aankoop telt zwaarder dan alleen een kort kijkje, een retour kan juist wijzen op een mismatch. Je kunt gewichten eraan hangen, maar die zijn niet universeel; ze moeten getest worden bij elkaar passende data.

Nauwkeurigheid van de data is minstens zo belangrijk als hoeveel je hebt. Product-ID's horen altijd te verwijzen naar exact hetzelfde artikel, of je nu kijkt naar de productpagina, het mandje of een order. Elke registratie heeft een tijd erbij, liefst ook een sessie of gebruiker. Noteer ook waar een klik vandaan kwam, anders zie je later niet of iemand doorklikte op een aanbeveling of gewoon in de zoekresultaten. Check events na aanpassingen aan de site en kijk vaak of er niet per ongeluk data mist of dubbel wordt geregistreerd.

Gedrag op de site kan je op het verkeerde been zetten. Producten bovenaan een lijst krijgen altijd meer kliks, zelfs als ze niet zo relevant zijn. Bots, collega's, testverkeer en eindeloos refreshen geven scheve patronen. Filter zulke bronnen waar het kan, en let erop dat één persoon niet honderd voorkeurssignalen veroorzaakt door een technische loop. Vergeet de context niet, die heb je nodig om klikgedrag goed te duiden, maar sla geen meer data op dan nodig is voor aanbevelingen.

Productkenmerken en catalogusdata bruikbaar maken

Wil je producten op inhoud vergelijken, dan staat of valt alles met je catalogusdata. Denk aan type, merk, bouwmateriaal, kleur, maat, prijs, modelnummers, doelgroep. Niet elk assortiment is hetzelfde; bij kleding is maat superbelangrijk, bij elektronica zijn aansluitingen of compatibiliteit juist doorslaggevend. Naam en beschrijving kunnen extra info bevatten, maar vrije tekst is zelden betrouwbaar. De ene jas heet navy, de andere is marineblauw, terwijl jij weinig verschil ziet.

Start met een paar kenmerken die echt het verschil maken voor je keuze. Houd de waarden zoveel mogelijk gestandaardiseerd. Vul ook altijd in wat ontbreekt; een leeg veld is niet automatisch gelijk aan ‘dit kenmerk speelt niet’. Zo voorkom je dat AI een lege waarde benadert als aparte categorie. Kijk goed naar varianten: dezelfde schoenen in vier kleuren als aparte producten opnemen zorgt snel voor dubbele aanbevelingen van exact hetzelfde model.

Beter data krijg je alleen als teams die de producten beheren afspraken maken. Wie vult kenmerken in, wat mag er ingevuld worden, hoe komen aanpassingen in de aanbevelingen terecht? Een aanbevelingsmodel lost foute koppelingen, verkeerde compatibiliteiten of afwijkende prijzen niet zelf op. Tekstvelden automatisch uitlezen kan snel gaan, maar check vooral goed als het om technische specificaties of veiligheid gaat. Meet per eigenschap en per groep producten hoe volledig de data is; het gemiddelde over alles geeft geen garantie als juist een belangrijke categorie hapert.

Gedragsmodellen, inhoudelijke modellen en hybride aanpakken

Met collaborative filtering kijk je naar patronen in gedrag van meerdere bezoekers. Mensen die vaak naar dezelfde spullen kijken, kopen soms ook dezelfde producten, en daarom adviseert het systeem die ook aan nieuwe bezoekers. Handig als er veel activiteit is, maar het model weet niet waarom producten samenhangen. Nieuwe producten blijven buiten beeld en toevallige patronen kunnen te zwaar meetellen als de basis klein is.

Content-based filtering werkt anders. Dat model checkt welke productkenmerken lijken op eerdere interesses, bijvoorbeeld hetzelfde materiaal of merk. Werkt goed bij nicheartikelen of als de catalogus snel verandert. Het nadeel: iemand die één type product bekeek, krijgt vooral zeer gelijksoortige dingen te zien. Te weinig afwisseling dus.

Met een hybride model meng je de data: eigenschappen gebruiken als gedrag ontbreekt, gedrag laten wegen zodra er genoeg signalen in het spel zijn. Dit vergroot je kans op dekking, maar de uitleg wordt wel schimmiger. Start met een transparante aanpak waar je snapt waarom iets aangeraden wordt. Maak het systeem niet moeilijker dan nodig, zeker als je niet precies weet hoe goed je data of logging is. Bedenk dat soms een bedrijfsregel (‘voorraad boven alles’, marge, regelgeving) in een klap een AI-voorkeur overschrijft.

Koude starts bij nieuwe bezoekers en nieuwe producten

Koude start betekent simpelweg dat het systeem te weinig weet om voor jou te personaliseren. Bij nieuwe bezoekers mist het eerdere aankopen en bezochte producten; met verse producten ontbreekt gebruikersdata. Je hoeft voor deze scenario’s niet per se dezelfde oplossing te kiezen. Nieuwe bezoekers kun je koppelen aan hun context, zoals de huidige rubriek, wat ze in het zoekveld intikken of wat anderen nu vaak kiezen. Voor spiksplinternieuwe artikelen werken kenmerken, categorie en met de hand geselecteerde vergelijkbare producten vaak beter.

Even een standaardlijst tonen werkt prima als overbrugging, maar dat doet wel iets met je data. Krijgt iedereen alleen bestsellers te zien, dan komt er voor nieuwe producten amper nieuw gedrag bij. Roteer nieuwe items en bestaande toppers voor meer kans op ontdekking, mits je weet waar je die balans legt. Op korte termijn misschien minder kliks, maar je moet kiezen wat belangrijker is.

Vraag niet direct een waslijst aan voorkeuren van bezoekers. Soms is kiezen van een categorie al genoeg, zolang je uitlegt waar het voor dient. Bij ingelogden kun je eerdere acties meenemen, maar kijk wel of die nog actueel zijn: een order van jaren geleden hoeft nu niets te zeggen. Meet koude start goed apart, anders lijkt het resultaat misschien goed door de gevestigde klanten, terwijl nieuwe klanten weinig zien, of nieuwe producten onzichtbaar blijven.

Privacy en AVG bij personalisatie van aanbevelingen

Bij gedragsdata kan je met persoonsgegevens te maken krijgen, zeker zodra iemand ingelogd is of een cookie aan een profiel hangt. Voor je daarmee begint, bepaal je wat het doel is, waarom je gegevens opslaat en welke je echt nodig hebt. De AVG eist onder andere duidelijkheid over het doel, niet meer data verzamelen dan nodig, goede beveiliging en openheid naar de bezoeker. Of je toestemming nodig hebt of op een andere grondslag steunt, is maatwerk per situatie; ga er niet automatisch van uit dat alles onder dezelfde toestemming valt.

Beperk registraties tot wat je echt gebruikt in het aanbevelingsblok. Soms zijn categorie en sessie al voldoende en heb je geen volledig klantprofiel nodig. Zet vast hoelang je ruwe data opslaat, en of je daarna geaggregeerd zonder identificatie verder kunt. Regel wie erbij mag, beveilig uitwisseling met andere systemen en documenteer welke partijen toegang hebben. Minder persoonsgegevens betekent vaak minder signalen, maar duidelijker wat wel en niet mag.

Vertel bezoekers in gewone taal welke gegevens voor personalisatie worden gebruikt en wat ze daarmee kunnen. Houd je daarna ook aan die keuzes, in elke koppeling en niet alleen in het stukje waar de toestemming gevraagd wordt. Stop daadwerkelijk met verwerken als iemand nee zegt of zijn toestemming intrekt. Houd rekening met verzoeken om profielinzage of verwijderen, inclusief profielen die je met gedrag hebt opgebouwd. Haal privacy-specialisten erbij waar gevoelige gegevens of zwaardere gevolgen mogelijk zijn dan alleen producten tonen.

Effect meten met experimenten en passende KPI’s

Een aanbeveling die vaak wordt aangeklikt, is niet automatisch effectief. Klikratio zegt alleen iets over doorklikken, niet over aankopen, tevredenheid of retouren. Kies vooraf wat je écht wilt monitoren per blok: bijvoorbeeld conversie, omzet per bezoek, of of mensen vinden wat ze zoeken. Check ook beschermende signalen, zoals het retourpercentage, gemiddelde order, laadtijd of of er meer klachten binnenkomen. Anders krijg je straks veel kliks ten koste van de rest van de winkelervaring.

Met een experiment waarbij je twee groepen bezoekers vergelijkt, krijg je meestal betrouwbaardere inzichten dan met voor-en-na vergelijken. Deel de bezoekers in; een groep ziet de oude aanpak, een groep de nieuwe aanbeveling. Houd die indeling vast zolang de test loopt, zodat je geen mengelmoes krijgt. Leg meteen vast hoe lang je meet en vanaf welke verandering je het verschil belangrijk vindt. Stoppen bij een gunstig tussentijds resultaat geeft vaak een verkeerd beeld; te kleine groepen laten kleine verschillen onopgemerkt.

Meet altijd op het niveau van de aanbeveling, maar kijk ook naar effecten op de hele sessie of order. Een aanbevelingsblok kan aankopen verplaatsen, maar zonder extra verkopen te genereren. Maak verschillen zichtbaar tussen nieuwe en terugkerende klanten, verschillende apparaten of productgroepen, maar trek geen conclusies uit soms slechts enkele tientallen datapunten. Controleer of test- en controlegroep overeenkomen en of seizoen, voorraadwisselingen of andere acties je uitkomsten beïnvloeden. Laat zien hoe onzeker een meetresultaat is, niet alleen het stijgingspercentage.

Feedbacklussen, diversiteit en dagelijkse kwaliteitscontrole

AI-aanbevelingen sturen hun eigen data aan. Een artikel dat altijd bovenaan staat, krijgt vanzelf veel meer kliks. Als het systeem die kliks telkens als extra positief telt, raakt het in een vaste ronde. Soms krijgen een paar toppers dan vrijwel alle aandacht, terwijl minder bekende producten kansloos blijven. Leg daarom altijd vast wat er is getoond, waar in de lijst, en niet alleen wat werd aangeklikt. Wie alleen op kliks kijkt, weet niet of iets niet werd gekozen of nooit te zien was.

Breng bewust variatie aan door af te en toe minder vaak getoonde artikelen die aan je eisen voldoen weer te geven. Daardoor vallen er meer producten op, maar het kan betekenen dat je op korte termijn minder conversie ziet. Kies hoeveel je wil roteren afhankelijk van context, maar let actief op harde eisen als voorraad en veiligheid. Diversiteit gaat verder dan alleen verschillende product-ID's: kijk ook naar merken, prijsklassen, functies, zodat het niet alleen andere kleuren van dezelfde jas zijn.

Voer regelmatig controle uit op technische missers. Uitverkochte producten, identieke varianten, vreemde accessoires, artikelen buiten de gekozen filters, die horen eruit. Kijk hoe vaak het systeem terugvalt op een generieke lijst en hoeveel bezoekers leeg uitkomen. Check per categorie, steekproefsgewijs, de output, en let op veranderingen na een modelupdate of aanpassing aan de catalogus. Een dashboard vol gemiddelden vangt lokale fouten niet op. wijs aan wie fouten corrigeert en hoe je tijdelijk terugschakelt naar een eenvoudigere aanbevelingsregel als het misgaat.

Veelgestelde vragen

Hoeveel data heb je nodig om productaanbevelingen met AI te starten?

Er is geen vast minimum aan gebeurtenissen of klanten dat je nodig hebt om te beginnen met AI-aanbevelingen. Het hangt onder andere af van hoe vaak je producten worden bekeken en gekocht, hoe groot je assortiment is en hoe gelijkmatig het aantal interacties verdeeld is. Een kleine shop met veel aankopen kan sneller patronen laten zien dan een grote met weinig gebruikers.

Bouw het stapsgewijs op en kijk vooral hoeveel producten en bezoekers voldoende signalen hebben. Meet daarna ook apart de resultaten bij minder populaire producten en bij nieuw winkelend publiek. Zo ontdek je of je aanbevelingssysteem het alleen goed doet bij populaire artikelen, of ook bij de rest relevante suggesties kan tonen.

Hoe voorkom je dat AI-aanbevelingen een webshop trager maken?

Je voorkomt vertraging door aanbevelingen los te trekken van het belangrijkste laadpad van de pagina en altijd een snelle terugvaloptie klaar te hebben. Toon eerst de hoofdinhoud, haal daarna de aanbevelingen op. Komt het systeem niet op tijd met een voorstel, toon dan een vooraf klaargemaakte lijst of laat het blok zelfs leeg.

Veelgebruikte aanbevelingen kun je tijdelijk bufferen in een cache, terwijl spullen met sterk wisselende voorraad altijd live worden opgehaald. Stel een strakke maximale wachttijd in en meet de laadtijd met én zonder aanbevelingen. Zo houd je zicht op zowel de relevantie van je advies als op de impact op de winkelervaring.

Hoe vaak moet je een AI-aanbevelingssysteem opnieuw trainen?

Train een aanbevelingssysteem zodra er nieuwe data of veranderingen in je aanbod zijn waardoor de huidige suggesties minder goed aansluiten. Een vaste frequentie bestaat niet. Een webshop met nieuwe mode moet vaak trainen, een webshop met technische onderdelen die weinig veranderen kan langer met hetzelfde model vooruit.

Let op het verschil tussen actuele gegevens bijwerken (zoals voorraad, prijs, leverbaarheid) en opnieuw trainen van het AI-model zelf. Die eerste moeten meteen actueel blijven. Evalueer regelmatig hoe het systeem het doet. Merk je dat de aanbevelingen slechter worden, ga dan niet automatisch meteen vaker trainen, maar zoek eerst uit waar het probleem zit.

Hoe leg je klanten uit waarom een product wordt aanbevolen?

Vertel klanten kort wat het verband is: kies alleen een reden die strookt met het signaal waarop het systeem echt heeft gestoeld. Geef je bijvoorbeeld producten die 'vaak samen gekocht' zijn? Zet dat er alleen bij als daar een patroon achter zit. Een simpele reden 'aanbevolen op basis van je interesse' werkt meestal beter dan een verklaring die niet klopt.

Houd het uitlegstukje helder, zonder al te veel technische vaktermen. Maak duidelijk wanneer het om een persoonlijke aanbeveling gaat en wanneer het simpelweg populaire producten zijn. Komt de aanbeveling uit gedrag, dan hoort de uitleg daar bij te passen. Controleer regelmatig of de vermelde reden nog overeenkomt met het actuele systeem, vooral bij model- of dataverandering.

Hoe voorkom je dat dezelfde producten op meerdere plekken in de webshop worden aanbevolen?

Voorkom herhaling door je aanbevelingen op verschillende plekken binnen een sessie af te stemmen. Houd bij wat iemand eerder al heeft gezien in een aanbevelingsblok, en sluit die producten waar logisch uit bij de volgende blokken. Maak uitzonderingen als dat waarde heeft: een jas als alternatief op een productpagina mag later terugkomen als aanvulling in het mandje.

Stel je logica af op het nut van elke plek en bekijk herhaling niet alleen per blok, maar over de hele sessie. Check bij varianten goed of dezelfde schoen in verschillende maten of kleuren per ongeluk als verschillende aanbevelingen verschijnt. Meet vervolgens of minder herhaling leidt tot meer ontdekking van onbekende artikelen, zonder relevante suggesties kwijt te raken.

Foto: Gustavo Fring

Verder lezen

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.