Onderzoekers van de Erasmus Universiteit publiceerden een nieuw artikel in de Tijdschrift voor Marketing dat onderzoekt online aanbevelingen en hun effectiviteit, marketeers tools bieden om deze belangrijke engagementtool te maximaliseren.

De studie, verschijnt in het novembernummer van Tijdschrift voor Marketing , is getiteld "Aanbevelingen effectiever maken door middel van framings:effecten van gebruikers- versus itemgebaseerde framings op doorklikmogelijkheden" en is geschreven door Phyliss Jia Gai en Anne-Kathrin Klesse.

Op algoritmen gebaseerde aanbevelingen zijn overal. Stel je voor dat je door nieuwsartikelen op de website van The New York Times bladert. Je ziet een stuk in de sectie "Wetenschap", vind het interessant, klik op de titel, en begin met lezen. Als u klaar bent met het artikel, de webpagina genereert automatisch andere artikelaanbevelingen voor u, zodat u uw betrokkenheid bij de inhoud van het platform vergroot. De aanbevelingen zijn voorzien van de slogan:"More in Science, " het gedeelte dat u al hebt gelezen.

Hoewel de meeste bedrijven verklaringen geven waarom klanten aanbevelingen ontvangen, ze verschillen in de specifieke strategieën die ze hanteren. Sommige bedrijven, zoals de eerder genoemde The New York Times, benadrukken dat aanbevelingen itemgebaseerd zijn:dat wil zeggen, ze zijn gebaseerd op gemeenschappelijke kenmerken van producten (bijv. "Meer in de wetenschap" door The New York Times, en "Vergelijkbaar met [waar je naar hebt geluisterd]" van Spotify). In tegenstelling tot, andere bedrijven benadrukken dat hun aanbevelingen op gebruikers zijn gebaseerd door te focussen op de overlap in klantvoorkeuren (bijv. "Klanten die dit item hebben bekeken, bekeken ook..." door Amazon en "Klanten hebben ook gekeken..." door Netflix). belangrijk, bedrijven kunnen dezelfde aanbeveling uitleggen als itemgebaseerd of gebruikersgebaseerd, omdat de aanbevelingssystemen van tegenwoordig vaak een hybride benadering hanteren die rekening houdt met zowel gemeenschappelijke kenmerken van producten als gemeenschappelijke voorkeuren van klanten.

In het onderzoek wordt onderzocht welke van de twee verklaringen (hierna item-based en user-based framings genoemd) effectiever is in het triggeren van klikken op een aanbeveling. Het onderzoeksteam suggereert dat op items gebaseerde en op gebruikers gebaseerde framings verschillen in de informatie die ze aan klanten verstrekken over hoe een aanbeveling wordt gedaan. Beide framings vertellen klanten dat de aanbeveling is gebaseerd op een product dat overeenkomt met het hoofdartikel waarin klanten interesse hebben getoond voor het aanbevolen artikel:op artikel gebaseerde framing komt overeen met producten op basis van hun kenmerken, terwijl op gebruikers gebaseerde framing overeenkomt met producten van hun consumenten. Kritisch, op gebruikers gebaseerde framing suggereert ook aan klanten dat de aanbeveling is gebaseerd op smaakafstemming tussen gebruikers die geïnteresseerd waren in het centrale item. Door informatie te verstrekken over smaakafstemming die verder gaat dan productafstemming, op gebruikers gebaseerde framing dient als een soort "dubbele garantie" voor klanten die het aanbevolen product leuk vinden.

Om te testen of op gebruikers gebaseerde framing beter presteert dan op items gebaseerde framing in termen van doorklikken op aanbevelingen, de onderzoekers voerden twee veldstudies uit binnen WeChat, de beste app voor sociale media in China. Ze werkten samen met een mediabedrijf dat populairwetenschappelijke artikelen en samenvattingen van academisch onderzoek publiceert op WeChat en voegden een paar aanbevelingen toe aan het einde van het hoofdartikel van elke dag. Eén artikel werd aanbevolen met behulp van op gebruikers gebaseerde framing en de andere met behulp van item-gebaseerde framing. Gai legt uit dat "In beide onderzoeken op gebruikers gebaseerde framing verhoogde de klikfrequenties van aanbevolen artikelen in vergelijking met op items gebaseerde framing. Gevraagd naar hun begrip van de twee framings, abonnees reageerden dat ze zien dat beide voorstellen voor productmatching als basis voor aanbevelingen, maar die op gebruikers gebaseerde framing signaleert ook smaakmatching. Dit bevestigt dat op gebruikers gebaseerde framing aanvullende informatie biedt."

"Echter, klanten zien smaakmatching niet altijd als succesvol", vult Klesse aan. "Als smaakmatching als onnauwkeurig wordt ervaren, user-based framing is niet langer voordeliger dan item-based framing of wordt zelfs nadelig." Een kritische factor die bijdraagt ​​aan het waargenomen succes van smaakmatching, is hoeveel ervaring klanten al hebben opgebouwd binnen een consumptiedomein. Meer ervaren individuen hebben de neiging om te zien hun eigen smaak als idiosyncratisch. het is moeilijker voor hen om te geloven dat hun smaak nauwkeurig kan worden afgestemd op de smaak van andere mensen op basis van één centraal punt. Een andere kritische factor is de aanwezigheid van profielen van andere gebruikers. Bedrijven tonen soms de informatie van andere gebruikers die geïnteresseerd zijn in de aanbeveling, maar deze informatie werkt averechts als het aan klanten aangeeft dat ze anders zijn dan andere gebruikers. ongelijkheid signalen, zoals leeftijd en geslacht, mensen laten afleiden dat hun smaak afwijkt van die van andere gebruikers en ertoe leiden dat klanten de op gebruikers gebaseerde aanbevelingen vermijden.

Deze nieuwe bevindingen zijn relevant voor bedrijven die productaanbevelingen gebruiken. Het onderzoek suggereert dat de verklaring ertoe doet waarom klanten een aanbeveling zien. belangrijk, het aanpassen van de uitleg voor een aanbeveling kost bijna niets en, dus, vormt een effectief hulpmiddel dat bedrijven kan helpen het rendement op aanbevelingssystemen te maximaliseren. belangrijk, het onderzoek belicht situaties waarin user-based framing effectiever is dan item-based framing en in welke situaties het nadelig wordt. Door gebruik te maken van deze bevindingen, managers kunnen de framing van hun aanbevelingen afstemmen op verschillende klanten en producten en zo de klikfrequentie verhogen.