Datall's first blog

Datall's first blog

Meer=minder?: Over productkeuze, aanbod en aanbevelingen

Data analysisPosted by Stefan Gelissen 14 May, 2014 10:38

Kiezen tussen producten is niet altijd even makkelijk. Dit kiezen is dikwijls nog moeilijker bij het uitgebreide productaanbod van ondermeer internetwinkels en reisbureaus. Daarbij wijst onderzoek uit dat een uitgebreid assortiment de verkoop doet dalen. Wat zijn manieren om deze en andere negatieve effecten van een uitgebreid assortiment te reduceren?


Zoek en misschien zul je vinden
Enkele jaren geleden was ik lid van mijn plaatselijke bibliotheek. Tijdens mijn lidmaatschap heb ik mogen genieten van enkele uitstekende leesboeken. Maar hoe vind je bij ieder bibliotheekbezoek dat ene boek dat bij jou de juiste snaar raakt. Hoe maak je de juiste keuze uit dat enorme aanbod van duizenden boeken? Helaas zijn mij langdurige en frustrerende zoektochten bijgebleven. Om tot een keuze te komen liep ik soms minutenlang heen en weer langs de vele boekruggen. Wellicht zou een titel eruit springen die mijn aandacht trok. Tevergeefs want vaak stond ik weer met lege handen buiten op de stoep.
Op literatuursites op het internet ging het mij ook vaak niet beter af. Vaak moesten heel wat muisclicks mijn oren passeren voordat ik op een review stuitte waarbij ik dacht “dat boek wil ik lezen”. Maar ook vaak moest ik mijn computer afsluiten zonder het gewenste keuze-advies op zak. Dan maar weer mijn volgende bibliotheekbezoek uitstellen…


Ben ik nu de enige?
Een belangrijk ingrediënt voor mijn keuzeprobleem bij de bibliotheek was het enorme aanbod. Maar ben ik nu de enige die problemen ervaart bij veel keuze-opties? Blijft dit probleem beperkt tot het kiezen tussen boeken in een bibliotheek?
Onderzoekers Iyengar (Columbia University) en Lepper (Stanford University) demonstreerden in een wetenschappelijk artikel in 2000 dat een teveel aan keuze-opties nadelige gevolgen kan hebben. In één van hun onderzoeken mochten twee groepen supermarktbezoekers kiezen tussen meerdere soorten uitgestalde jam. Eén groep van 242 bezoekers kon kiezen tussen 8 soorten jam (beperkte keuze). De andere groep van 260 bezoekers kon kiezen tussen 24 soorten (uitgebreide keuze). De onderzoekers keken bij iedere groep naar hoeveel bezoekers stopten bij de uitgestalde jam en zodoende interesse toonden. Vervolgens registreerden ze wie van deze geïnteresseerde bezoekers daadwerkelijk jam kocht. Het volgende figuur vat hun onderzoeksresultaten samen.
Wat opvalt is dat bij een uitgebreid assortiment meer bezoekers interesse toonden in de uitgestalde jam. Maar het nadelige effect van het uitgebreide keuze-assortiment bleek uit het daaropvolgende koopgedrag. Bij een uitgebreid assortiment kocht slechts 3% van de geïnteresseerden jam tegenover 30% bij de beperkte keuze. Conclusie: meer keuze-opties = minder verkopen.


Maken we het ons nu zelf moeilijk?
Opmerkelijk bij het bovenstaande onderzoek is de grotere interesse bij een uitgebreid keuze-assortiment. Kennelijk oefenen uitgebreide keuzesets een grotere aantrekkingskracht uit op beslissers/klanten dan beperkte keuzesets. Maar eenmaal aangetrokken tot de grotere keuzeset ervaren deze beslissers de negatieve gevolgen van overvloed. Zo laten resultaten van Iyengar en Lepper verder zien dat beslissers bij uitgebreide keuzesets (1) achteraf minder tevreden zijn met hun keuze en (2) het nemen van de uiteindelijke beslissing als moeilijker ervaren.
Beslissers lijken het dus zichzelf moeilijk te maken met hun aantrekking tot grotere keuzesets. Nemen we eens als voorbeeld een sollicitatieprocedure. Na het lezen en selecteren op basis van het curriculum vitae voelen selecteurs vaak de noodzaak om daaropvolgend een aanzienlijk aantal kandidaten uit te nodigen voor een gesprek. De vraag is of door het uitnodigen van een groot aantal kandidaten het uiteindelijke beslisproces niet onnodig moeilijk gemaakt wordt. Wellicht is het beter slechts die twee kandidaten met het beste cv uit te nodigen. Een dergelijke kleine keuzeset vergemakkelijkt de finale beslissing en zal wellicht resulteren in meer tevredenheid met de uiteindelijke keuze.


Kiezen bij (te) veel keuze-opties
Maar waarvandaan komt nu dat magnetisme van de uitgebreide keuzeset? Misschien wekken grotere keuzesets de indruk dat de kans toeneemt dat het juiste/beste product gevonden zal worden? Maar daartegenover staan de negatieve gevolgen van een grotere keuzeset zoals (1) minder verkoop, (2) achteraf minder tevreden met het gekozen product en (3) moeilijker beslisproces.
Kunnen deze negatieve gevolgen van aanlokkelijke uitgebreide keuzesets niet zoveel mogelijk worden gereduceerd? Een oplossing lijkt te liggen in het presenteren van een beperkte preselectie uit de totale collectie aan keuze-items. Optimaal zou zijn dat als deze preselectie juist die aanbevelingen bevat die aansluiten bij de persoonlijke behoeften van de klant. Dit is het pad dat internetwinkels als Amazon.com bewandelen. Dergelijke internetwinkels presenteren een beperkt aantal aanbevelingen (bijv. boektitels) die zo goed mogelijk aansluiten bij de specifieke behoeften van een klant. Door de uitgebreide keuzeset in te krimpen tot deze preselectie worden de negatieve gevolgen van een te grote keuzeset verminderd. Tegelijkertijd kan door deze preselectie vastgehouden worden aan het verleidelijke uitgebreide assortiment waardoor klanten zich in eerste instantie door voelen aangetrokken.


Aanbevelingssystemen
Hoe komt een preselectie uit het assortiment met daarin een advies op maat tot stand? Hiervoor zijn verschillende aanbevelingssystemen ontwikkeld (voor een overzicht zie Blattberg, Kim & Neslin, 2008). Deze systemen zijn gebaseerd op wiskundige modellen.
De aanbevelingssystemen (recommender systems in het Engels) voorspellen voor iedere klant de voorkeur voor de producten uit het assortiment. Op basis van deze voorspellingen komt vervolgens een selectie van de meest geprefereerde producten tot stand (bijvoorbeeld de top 5).
Een van de meest eenvoudige aanbevelingssysteem sorteert items simpelweg op basis van hun verkoopcijfers. De “best-sellers” vertegenwoordigen dan de meest populaire items. De top van de meest populaire items (“best-sellers”) wordt aanbevolen bij de klant. De achterliggende gedachte bij deze aanbevelingen is “als veel andere klanten ook dit product kochten, dan zal het nog niet zo slecht zijn” (Anderson, 2006).
Maar er zijn aanbevelingssystemen die een stap verder gaan dan het eenvoudigweg sorteren op populariteit. De achterliggende gedachte bij deze systemen is dat klanten met eenzelfde koopprofiel dezelfde behoeften en smaak hebben. Een voorbeeld van zo’n systeem is User Based Collaborative Filtering (UBCF). UBCF selecteert eerst een groep klanten die qua koopgedrag in de buurt van elkaar komen. Het reeds geobserveerde koopgedrag binnen deze groep wordt gebruikt voor het voorspellen van voorkeuren. Het volgende voorbeeld geeft op vereenvoudigde wijze de werking van UBCF weer. Uit een breed aanbod aan boeken kiest een bepaalde klant twee titels, namelijk “p” en “q”. Welk boek uit het assortiment kan vervolgens aan deze klant worden aanbevolen? Qua koopgedrag komt deze klant overeen met klanten die eerder ook ondermeer deze twee titels kochten. Echter, die klanten kochten vrijwel ook allemaal het boek met de titel “s”. Dus titel “s” zou ook wel eens in de smaak kunnen vallen bij deze klant en behoort daarom tot de aanbevelingen. Naar aanleiding van dit voorbeeld zal het niet verbazen dat een variant van Collaborative Filtering wordt toegepast door Amazon.com (Hashler, 2011).


In de praktijk zal een keuze gemaakt moeten worden tussen verschillende aanbevelingssystemen. Om tot de juiste keuze te komen is het van cruciaal belang de systemen met elkaar te vergelijken. Belangrijk daarbij is te kijken naar welk systeem het nauwkeurigst de productvoorkeuren van een klant kan voorspellen. Als een systeem namelijk aanbevelingen doet die niet geheel in de smaak vallen bij de klant dan zal deze vervolgens zelf het uitgebreide assortiment moeten gaan doorzoeken. Helaas liggen dan de hierboven genoemde negatieve gevolgen van de uitgebreide keuzeset weer op de loer.


Ten slotte, aanbevelingssystemen vinden hun toepassing ook buiten internetwinkels. Zo worden ze ondermeer gebruikt in de reis- en toerismebranche (Blattberg, Kim & Neslin, 2008). Daar kunnen ze aanbevelingen genereren voor toekomstige reizen naar specifieke bestemmingen of attracties.
En had mijn plaatselijke bibliotheek destijds een aanbevelingssysteem gebruikt dan waren mij heel wat langdurige zoektochten bespaard gebleven…


Meer informatie?
Wilt u meer informatie over aanbevelingssystemen? Neem dan contact op met Datall (tel: 06 413 00 472; email: info at datall-analyse.nl) of raadpleeg www.datall-analyse.nl.


dr.ing. Stefan Gelissen
data-analist en analyse-ontwikkelaar bij Datall


Gebruikte literatuur

  • Anderson, C. (2006). The long tail. Hyperion, New York.
  • Blattberg, R.C., Kim, B., & Neslin S.A. (2008). Database marketing. Springer, NewYork.
  • Hahsler, M. (2011). Recommenderlab: A framework for developing and testing recommendation algorithms. Vignette R-package “recommenderlab” version 0.1-3.
  • Iyengar, S.S., & Lepper, M.R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of personality and social psychology, 79, 995-1006.